Искусственный интеллект в последние годы вызвал интерес благодаря технологическим достижениям и его возросшей вычислительно способности.
Машиностроение сегодня сталкивается с рядом задач предварительному механического проектирования. Существует так много потенциальных решений комбинирования конструкторской мысли и возможностями AI. Сценариев такого сотрудничества может существовать множество.
Современное машиностроение сталкивается с давлением со многих сторон. С одной стороны — это требования создавать инновационные механизмы и станки. С другой стороны, обеспечение устойчивости процессов и рентабельности конструкций.
Под эти требования может попадать также необходимость создания продукции, не оказывающей губительного действия на экологию. Приветствуется проектирование энергоэффективных систем, призванных максимально подстраиваться под возобновляемые источники энергии. Ко всему этому добавляется концепция максимально безотходного производства. Немаловажную роль играют вопросы конкуренции и максимальной прибыльности.
Ещё недавно казалось, что искусственный интеллект ограниченно применим для области машиностроения. Но всё большее количество примеров эффективного привлечения искусственного разума к конструкторским разработкам, свидетельствует об ошибочности такого мнения. Всё чаще демонстрируется его практическое применение для сложных расчётов и моделирования элементов конструкции. Появление нейросетей позволяет ИИ имитировать человеческий интеллект в устройствах, запрограммированных мыслить и обучаться подобно людям.
В предыдущие десятилетия исследования ИИ были сосредоточены на «экспертных системах», основанных на знаниях, но эти ранние системы всё ещё нуждались в слишком большой помощи людей и вмешательстве явного программирования.
Далее случилось эволюционирование в машинное обучение, позволив компьютерам обучаться на существующих данных. Это привело к созданию более продвинутого искусственного интеллекта, способного к эффективному распознаванию звуков и изображений.
Сейчас искусственный интеллект привлекает к себе ещё больше внимания, поскольку технологии улучшились и стало доступно больше данных, что позволяет проводить обучение в конкретной предметной области.
Применительно к машиностроению, важно понимать, что наука о данных даёт способ понять основополагающие принципы работы ИИ и то, как он делает свои расчёты/прогнозы.
Понимая структуру того материала, посредством которого обучается система искусственного интеллекта, инженер-механик может лучше понять ограничения и потенциальные предубеждения о том, как её использовать.
Работы по проектированию механических узлов и элементов принято начинать с концептуального дизайна, где определяются основные требования и ограничения к компоненту. За концептуальным проектированием следует детализация, при которой объект разрабатывается в соответствии с требованиями и ограничениями. Учитываются такие факторы, как функциональность, материалы, методы производства и стоимость.
Затем проектирование проходит стадию анализа и оптимизации (CAE), которые основаны на инструментах автоматизированного проектирования (CAD) и машиностроительного 3D-моделирования (CAE). Это гарантирует, что элементы будут функционировать согласно назначению и соответствовать требованиям к производительности.
Многоцелевая оптимизация промышленного оборудования означает согласование нескольких целей (иногда противоположных) и ограничений, вытекающих из целевых показателей по весу, стоимости и размеру. Зачастую это касается машин, приспособлений и механизмов для бытовых нужд потребителей. Даже опытным инженерам порой непросто соблюсти все требования рынка. А ещё могут добавиться требования регулирующих органов и сертификации продукции.
Давайте кратко рассмотрим примеры использования ИИ в машиностроении.
Во всех этих случаях моделирование, сделанное под управлением нейросетей, начинается с информации, полученной в результате предыдущих численных анализов.
Пример №1: проектирование турбин
Турбины — это сложные узлы, которые должны эффективно работать в широком диапазоне условий эксплуатации. Их надёжность должна быть рассчитана, исходя из условий почти трёхкратных перегрузок в моменте. Их проектирование, на основе моделирования, в настоящее время является важным инструментом в этой отрасли. Однако остаются основные узкие места, такие как скорость получения единственно приемлемого результата вычислений, не говоря уже о полной карте производительности! Это порой ограничивает практическую реализацию. Как инженер-механик может преодолеть эти ограничения и радикально изменить процесс проектирования турбомашин? С помощью искусственного интеллекта, выстраивающего карты производительности в квазиреальном времени, после обучения с использованием качественных данных предыдущих образцов.
Пользователь может перемещаться по карте характеристик, оценивая поведение конструкции для различных условий эксплуатации, а также при различных значениях полей давления или скорости. Сервера в центре обработки данных (ЦОД) должны смоделировать множественные варианты исполнения лопаток или узлов, исходя из введённых параметров, конструкции корпуса, направления потока и ограничений. Так можно выбрать эффективную конструкцию для конкретной задачи.
Пример №2: расчёты теплообменников
Теплообменники широко используются в широком спектре отраслей и применений, например, в автомобильной промышленности для систем отопления, вентиляции и кондиционирования с целью контроля степени комфорта водителя и пассажиров в транспортном средстве. В стремлении к более экологичной мобильности и все более амбициозным правилам системы теплообменников должны быть максимально эффективными. Следовательно, даже незначительное улучшение общей производительности устройства может изменить правила игры как для производителя, так и для конечного потребителя.
Существует широкий диапазон приемлемых конструкций теплообменников, и количество параметров, описывающих геометрию теплообменника, может быстро возрастать по мере усложнения конструкции. Поскольку соответствующее численное моделирование требует очень больших вычислительных затрат, инженер-конструктор может позволить себе повторять только несколько параметров конструкции, чтобы попытаться улучшить систему.
В этом втором примере команда учёных и инженеров крупного автоконцерна сотрудничала с компанией, занимающейся нейросетями, в целях проектирования прогнозной модели конструкций теплообменников с различной топологией. Кроме того, влияние искусственного интеллекта распространилось на оптимизацию самой формы теплообменника.
Пример №3: маломерные суда на подводных крыльях
Экология с годами стала неизбежным предметом для многих отраслей промышленности. Кроме этого, снижение энергопотребления означает более эффективную и экономически выгодную эксплуатацию. Это особенно актуально для транспортной отрасли, которая использует большие двигатели, а значит потребление топлива достигает больших значений. В последнее время подводное крыло (либо крылья) очень быстро стало неотъемлемой частью конструкции многих лодок и катеров, поскольку оно позволяет значительно снизить сопротивление, создаваемое водой.
Оптимизация гидродинамических свойств судов на подводных крыльях в настоящее время является ключом к проектированию их форм. Однако этот процесс остаётся весьма сложной и дорогостоящей задачей, поскольку современные методы вычислительной гидродинамики основаны на решении известных уравнений Навье-Стокса, которые необходимо выполнять для каждой отдельной формы. На протяжении многих лет этот процесс был чрезвычайно требовательным к вычислениям. Помимо этого, в таких расчётах существует довольно много специфических ограничений.
При использовании классических пакетов CFD-моделирования изменения в геометрии ограничены, поскольку только несколько конструкций могут быть протестированы до достижения окончательной геометрии. Эти ограничения были основными причинами и мотивациями для многих проектировщиков. Но теперь можно гораздо быстрее тестировать более сложные геометрии, поскольку одновременно можно изменять несколько степеней свободы и можно точно настраивать каждый из геометрических параметров.
Методы вычислительной гидродинамики сами по себе очень сложны и требовательны к вычислениям, поскольку они основаны либо на решении уравнений Навье-Стокса, либо на методах решёточных уравнений Больцмана. Именно здесь алгоритмы машинного обучения играют огромную роль. Вводимые данные представляют собой набор общих поверхностей, параметризованных как сетки. Затем нейросеть обучается прогнозировать их аэродинамические характеристики, рассчитанные стандартными пакетами вычислительной гидродинамики, которые затем используются для записи целевой функции. После этих процедур инженеры используют оптимизацию на основе градиента для изучения параметров формы изучаемого объекта (крыла, обтекателя и т.п.).
Алгоритмы машинного обучения для каждой итерации генерирует форму плоскости и выполняет моделирование, опираясь на данные выбранного программного обеспечения CFD, которое использовалось в целях определения гидродинамических параметров. Эти параметры рассчитываются с использованием целевой функции, в которую для каждой цели вводятся некоторые значения (вес, водоизмещение, осадка, отношение подъёмной силы к лобовому сопротивлению жидкости, устойчивость по тангажу и так далее). Алгоритм пытается минимизировать разницу между своим прогнозом и «реальными» значениями, предсказанными программным обеспечением. После каждой итерации веса коэффициентов функции изменяются: алгоритм тренируется, чтобы улучшить свои выходные данные.
Первое назначение целевой функции довольно простое: увеличить отношение подъёмной силы к сопротивлению воды. При этом подъёмная сила позволяет удерживать плавсредство над поверхностью воды (она должна составлять 85% от общего веса всей конструкции). Второй, не менее важной, задачей этой целевой функции является повышение устойчивости по тангажу. Это напрямую связано с соотношением между коэффициентом момента качки и углом атаки. Действительно, в идеале рабочий угол падения и момент качки уменьшаются по мере увеличения угла атаки (отрицательный наклон). Хороший показатель устойчивости — это когда нос лодки начинает «погружаться», а гидродинамические силы стремятся вытолкнуть её обратно вверх. Наконец, наклон кривой показывает мощность этой стабилизирующей силы. Все эти цели используются для построения модели.
Ранее, недостатком метода расчёта являлось обстоятельство, что он был только частично автоматическим, потому что, как только 2D-оптимизация была выполнена, пользователю необходимо было вручную ввести различные фрагменты в 3D-программное обеспечение для вычисления реальных характеристик. Благодаря интегрированной нейросети теперь можно напрямую выполнить оптимизацию с помощью 3D-программного обеспечения.
Что касается 3D-оптимизации, то она выполняется на сетках, и их форма меняется на каждой итерации, пока не достигнет «оптимальной» формы, с учётом заданных ограничений, выдавая необходимые коэффициенты крыла. Следовательно, при использовании 3D-модели, разработанная выше целевая функция получается более полной, а также позволяет ввести в анализ коэффициенты моментов качения и рыскания корпуса. Такие расчёты играют весьма ответственную роль, поскольку очень важно максимально повысить устойчивость судна на подводных крыльях во всех направлениях.
Очень многообещающей особенностью такого подхода является тот факт, что можно очень легко воссоздать любую геометрию элементов без создания сетки, что требует чрезвычайно больших вычислительных ресурсов и приводит к некоторым довольно сложным проблемам для сложной геометрии.