Tejiendo hilos digitales con aprendizaje automático para turbomáquinas

Únase al foro de diseñadores!

Su experiencia es vital para la comunidad. Únase a nosotros y aporte sus conocimientos.

Únase ahora al Foro

Comparta, aprenda y crezca con los mejores profesionales del sector.


Por Erik Munktell

¿Cómo se puede combinar el pasado, el presente y el futuro? Dependiendo de su punto de vista, las cosas pueden estar cambiando rápidamente o permanecer estancadas. ¿Hay algo que podamos hacer ante la situación actual? ¿Puede cambiar su destino o el de los demás? En la antigua mitología nórdica, el destino estaba determinado por los hilos tejidos por las Nornas y decidido mucho antes de que nacieras. Controlaban el pasado, el presente y tu futuro y no había nada que pudieras hacer para cambiarlo.

Este tipo de pensamiento ya no es tan común. Un sueco más reciente y moderno dijo, traducido libremente, «La mayoría de las cosas aún no están hechas. Maravilloso futuro!». Esta cita procede del difunto y gran Ingvar Kamprad, fundador de IKEA. Sin duda, Ingvar pensaba que siempre había mejoras por hacer y mejores productos por fabricar. En el momento de escribir esto, acabamos de pasar al año 2024 según el calendario gregoriano y es en esta época del año cuando todos queremos tener una visión optimista del nuevo año que se avecina.

Cuando se trata de nuevas técnicas de ingeniería y simulación, no se puede evitar hablar de lo que ocurre dentro de la inteligencia artificial (IA) y el aprendizaje automático (AM) y de los efectos que esto podría tener en los futuros productos. Con esta revolución tecnológica, estamos destinados a ver muchos avances en los próximos años. Si unimos esto a la tecnología de hilos digitales de Siemens, que conecta el diseño asistido por ordenador (CAD) con la ingeniería asistida por ordenador (CAE) y la fabricación (CAM), obtendremos una ventaja competitiva y podremos lanzar nuevos productos al mercado con mayor rapidez.

Veamos algunos ejemplos de la industria de la turbomaquinaria. Le pedí a Dall-E que generara instrucciones tipo IKEA sobre cómo montar un motor a reacción. La figura 2 muestra mis primeros intentos:

Por ahora, parece que podré conservar mi trabajo unos años más, ya que las máquinas podrían seguir necesitando ingenieros que les ayuden a fabricar máquinas mejores.

Un vistazo al estado actual del flujo de trabajo para el diseño de turbinas de gas

La figura 3 muestra el enfoque «clásico» de una imagen CAD del ensamblaje de un motor a reacción utilizando NX. El diseño de una turbina de gas en el pasado llevaría varios años y no siempre sería un éxito. Gracias a las herramientas digitales, podemos mejorar el diseño actual con bastante facilidad con un enfoque multidisciplinar de diseño y optimización.

Aunque se trate de física muy avanzada y geometrías complejas, hoy en día se pueden combinar varios de estos pasos de forma automatizada. Manteniendo vivo el CAD, las condiciones de contorno y las distintas versiones permanecen totalmente bajo su control. El proceso de diseño de un componente se muestra en el esquema de la figura 4. Esto se hace uniendo el CAD de NX a varias herramientas de simulación CAE como Simcenter STAR-CCM+ y Simcenter 3D. La automatización y la optimización corren a cargo de HEEDS y todos los datos son gestionados por Teamcenter.

Realmente no importa si se trata de una mayor eficiencia gracias a la aerodinámica, de mejorar la integridad mecánica y la durabilidad, de reducir el uso de aire de refrigeración o de nuevos combustibles de combustión; todos ellos se afectan mutuamente y no hay forma de ser competitivo e innovador a menos que se utilicen correctamente los modernos métodos multidisciplinares de exploración del espacio de diseño.

Para llevar a cabo con eficacia el desarrollo de productos, queremos evaluar el mayor número de diseños lo antes posible en el proceso. Dar los siguientes pasos hacia el futuro significa combinar esto con el aprendizaje automático, ya que el espacio de diseño puede hacerse grande rápidamente y con muchas disciplinas implicadas. ¿Qué pasaría si pudiéramos hacer que un algoritmo de aprendizaje automático se entrenara en tiempo real en el espacio de diseño que se está evaluando actualmente con la dinámica de fluidos computacional (CFD) o el método de los elementos finitos (FEM)?

Una mejora de la optimización multidisciplinar del diseño para la ingeniería de productos del futuro

Para ello, tenemos dos pruebas de concepto relacionadas con la turbomaquinaria. Una consiste en optimizar el rendimiento de una bomba de agua con un caudal de 110 kg/s y 1200 rpm. Trabajamos en un modelo parametrizado con 12 variables geométricas y el número de álabes.

HEEDS, un completo software multidisciplinar de análisis y optimización del diseño (MDAO), utiliza su método de búsqueda por defecto, SHERPA, para llevar a cabo múltiples estrategias de búsqueda simultáneamente, y se adapta dinámicamente al problema a medida que aprende sobre el espacio de diseño. Con SHERPA, HEEDS puede descubrir 300 variaciones de diseño en 40 horas. Con la introducción de HEEDS AI Simulation Predictor, una extensión adicional en HEEDS, la tecnología de búsqueda de SHERPA se mejora significativamente. Algunas simulaciones CFD se sustituyen por evaluaciones AI realizadas a través de un modelo AI entrenado automáticamente, aprovechando los conocimientos obtenidos de las primeras simulaciones, lo que revoluciona este proceso. En este caso, se contaron 151 ejecuciones CFD mientras que 149 se realizaron con evaluación AI (para un total de 300). Se tardaron unas 20 horas en alcanzar los mismos resultados y se ahorró un 49% de tiempo. El rendimiento de la bomba aumentó un 3% y la altura de elevación un 10%.

Bomba de agua - exploración del espacio de diseño con HEEDS AI Simulation Predictor - resultados CAD
Bomba de agua - exploración del espacio de diseño con HEEDS AI Simulation Predictor - resultados CFD

Figura 5: Bomba de agua – exploración del espacio de diseño con HEEDS AI Simulation Predictor – resultados CAD y CFD

El segundo caso es un álabe de turbina de gas para la optimización de la refrigeración. Aquí, el objetivo es minimizar la temperatura del álabe y minimizar el flujo másico de aire de refrigeración. Se utiliza un CAD parametrizado de NX para simular en Simcenter STAR-CCM+. El CAD tiene 34 características parametrizadas en el canal serpenteante con cambios de las nervaduras de refrigeración y los orificios del cabezal de ducha (véase la figura 7). Las 500 evaluaciones de diseño realizadas para este caso experimentaron un ahorro de tiempo aproximado del 38%, al omitir las simulaciones CFD con IA y seguir alcanzando la misma mejor solución. Esto podría significar 20 días de tiempo ahorrado si se utilizan 160 núcleos para cada simulación. De este modo, podría ahorrar fácilmente semanas y meses en los proyectos y obtener un producto mejor más rápidamente para su comercialización.

Temperatura externa e interna para la exploración del espacio de diseño de álabes de turbina de transferencia de calor conjugada con HEEDS AI Simulation Predictor, NX y Simcenter STAR-CCM+.
Temperatura externa e interna para la exploración del espacio de diseño de álabes de turbina de transferencia de calor conjugada con HEEDS AI Simulation Predictor, NX y Simcenter STAR-CCM+.

Figura 7: Temperatura externa e interna para la exploración del espacio de diseño de álabes de turbina de transferencia de calor conjugada con HEEDS AI Simulation Predictor, NX y Simcenter STAR-CCM+.

A partir de estos primeros ejemplos de incorporación de la IA y el aprendizaje automático a un flujo de trabajo CAD-CAE ya de por sí impresionante, ya se puede ver el potencial y lo fácil que es empezar sin ser un experto en aprendizaje automático u optimización. Es demasiado pronto para saber cómo de grande será la revolución de la IA y el ML y el impacto que tendrá en el destino de la industria mecánica. Pero ya sabemos que será la clave para mantenerse por delante de la competencia. En conclusión, mi consejo se resumiría así:

  1. Aprenda de lo que hemos hecho en el pasado, ya que la sabiduría es importante.
  2. Utilizarlo en un hilo digital para mejorar nuestros antiguos productos y métodos.
  3. ¡Tome las riendas de su destino para crear un futuro maravilloso!

Agradecimientos:

Me gustaría agradecer el gran trabajo de ingeniería de Gabriel Amine-Eddine, Jeremy Hanke y René Braun.

También podría interesarle…