L’architettura principale della modellazione e della simulazione si evolve rapidamente per rispondere alla domanda dei clienti di progettazioni di prodotti molto precise generate con una maggiore velocità. L’integrazione dell’apprendimento profondo – un sottoinsieme dell’apprendimento automatico e dell’intelligenza artificiale – consente ai software di simulazione di apprendere in modo autonomo a risolvere sfide di progettazione complesse che si traducono in prodotti migliori.
L’apprendimento introduce una nuova era di simulazione democratizzata che disturberà quasi tutte le industrie. Ciò consentirà a quasi chiunque – anche a coloro che hanno una formazione ingegneristica limitata – di eseguire simulazioni fornendo un insieme semplice di parametri e chiedendo al software di simulare un oggetto.
Diventando compatibili in profondità nel corso del prossimo anno, gli strumenti di simulazione miglioreranno il modo in cui gli ingegneri innovano nuovi prodotti, consentendo loro di consegnare prodotti più velocemente che mai, riducendo al contempo i costi.
Miglioramento della produttività e della progettazione del prodotto
Quando gli utenti eseguono un risolutore di simulazione, ci sono circa 1.000 parametri di parametri diversi che devono selezionare, dalla definizione dello stato iniziale alle condizioni al contorno per configurare il risolutore ad elementi finiti. Una volta che gli utenti hanno effettuato le loro selezioni, eseguono la simulazione e il software funziona in modo ottimale.
Ecco il problema: gli ingegneri devono determinare quale dei tanti parametri diversi aiuterà a eseguire il software nel modo più efficiente. La simulazione consumerà enormemente tempo se non riescono a trovare l’ago nel pagliaio.
Per migliorare la produttività, i motori software incorporati in profondità saranno addestrati a monitorare e seguire come gli ingegneri utilizzano un software di simulazione per risolvere un problema specifico, come la progettazione dell’ala di un aereo. Mentre il programma di apprendimento profondo monitora un campione di mille ingegneri che selezionano parametri di parametri, il programma di apprendimento profondo funzionerà in modo simile, determinando automaticamente ogni parametro dei risolutori della simulazione. Ciò semplifica l’esperienza dell’utente riducendo notevolmente il suo carico di lavoro.
Ottimizzazione della progettazione del prodotto
Alcuni risolutori software richiedono frequentemente 10.000 ore per funzionare. Ciò significa che gli utenti rimarrebbero bloccati in attesa per più di un anno mentre il software risolve le equazioni differenziali parziali di secondo ordine numericamente a ogni punto di rete a ogni elemento finito. Ma cosa succederebbe se il software di simulazione potesse diventare più intelligente per essere eseguito più velocemente?
Integrando i software di simulazione con le capacità di apprendimento profondo, il software viene educato quando viene introdotto in scenari leggermente diversi tra loro. Ciò consente al software di dedurre e trattare la simulazione in un secondo momento utilizzando un’ipotesi informata per arrivare a una soluzione. Esistono due approcci per accelerare la simulazione: le reti neurali profonde basate sui dati (DNN) e le reti neurali informate dalla fisica (PINN).
Ad esempio, dopo che un utente esegue una simulazione di dinamica dei fluidi computazionale (CFD) per misurare il flusso d’aria sopra una sfera, la simulazione potrebbe anche misurare il flusso d’aria su altre dieci forme, come un ovale, quadrato, triangolo, rettangolo, ecc. Questi modelli DNN basati sui dati richiedono molte dati di addestramento per costruire un modello.
Alla fine, gli utenti dovranno simulare una struttura di forma irregolare – come un telefono cellulare – che non è una delle dieci geometrie diverse su cui il software CFD è stato addestrato. Il software dedurrà che la forma del telefono cellulare è un rettangolo e fornirà un output simile a quello di un rettangolo. I modelli PINN informati dalla fisica non richiedono molto addestramento ma si basano sui modelli di fisica per costruire le reti neurali.
In definitiva, sfruttando il potere delle capacità di inferenza dell’apprendimento profondo, il software di simulazione funzionerà molto più rapidamente. Invece di richiedere 10.000 ore per eseguire una simulazione su un supercomputer, il risolutore può funzionare in pochi minuti.
Rivoluzionando la progettazione del prodotto
Tradizionalmente, le progettazioni di prodotti vengono create con un umano nel ciclo. L’utente genera un disegno di progettazione (CAD) assistito da computer, poi il software esegue il meshing e la risoluzione. Si tratta di un processo lungo.
La progettazione generativa porta la progettazione del prodotto a un livello superiore. Invece che un umano nel ciclo sia responsabile della creazione di un disegno CAD e dell’esecuzione di meshing e simulazioni, il software di apprendimento profondo creerà rapidamente milioni di progettazioni diverse e nominerà alcune scelte di primo piano per la considerazione degli utenti. Ad esempio, durante la progettazione di un aereo, un utente può rapidamente visualizzare e ispezionare le progettazioni offerte dal software, quindi selezionare l’ottimo per il prototipazione.
Ottimizzazione delle future progettazioni di prodotti
Per monitorare l’efficacia di tutto, dagli asset distribuiti sul campo alle macchine di fabbrica, gli utenti hanno tradizionalmente sfruttato un gemello digitale – un prototipo virtuale dell’intero sistema di un asset distribuito – basato su un modello di intelligenza artificiale / apprendimento automatico basato sui dati. Ma un gemello digitale di un asset non basta. Gli utenti hanno bisogno di un’analisi operativa di Deep Learning mappata sui dati digitali gemelli per comprendere meglio le prestazioni del prodotto e la precisione della modellazione della conduzione. Questi dati possono essere utilizzati per ottimizzare la progettazione dei prodotti degli asset futuri, degli strumenti di simulazione e del supporto clienti.
La creazione di progettazioni di prodotti migliorate sarà anche realizzata ottimizzando lo strumento di simulazione stesso tramite Business Intelligence e Deep Learning. Ad esempio, un cliente che utilizza uno strumento di un fornitore di simulazione nel tempo potrebbe chiedere al fornitore di creare una versione migliorata e personalizzata di nuova generazione dello strumento per risolvere un problema specifico. Ricevendo una collezione delle simulazioni del cliente e il suo input in un modello di apprendimento profondo, il fornitore crea lo strumento ottimizzato che consente al cliente di sviluppare progettazioni di prodotti migliorate.
Spingendo i limiti dell’ingegnosità
L’integrazione dell’apprendimento profondo nei software di simulazione promette vantaggi significativi per gli utenti. Dalla mappatura della decisione umana all’implementazione di semplificazioni di tipo umano all’integrazione dei dati digitali gemelli, questo software di nuova generazione migliorerà notevolmente le prestazioni del prodotto. Il software di simulazione integrato con l’apprendimento profondo aprirà presto le porte della progettazione della simulazione a quasi chiunque, accelerando e semplificando il percorso di un prodotto verso il mercato.
