ターボマシン向けの機械学習を使用してデジタル スレッドを編む

エリック・マンクテル著

過去、現在、未来をどのように組み合わせることができるでしょうか? 視点によっては、物事は急速に変化することもあれば、停滞したままになることもあります。 現状に対して何かできることはあるでしょうか？ 自分や他人の運命を変えることはできますか? 古い北欧神話では、運命はノルンが織りなす糸によって決定され、あなたが生まれるずっと前に決定されました。 彼らは過去、現在、そしてあなたの未来を支配しており、それを変えるためにあなたにできることは何もありませんでした。

このタイプの考え方は、もうそれほど一般的ではありません。 より最近の現代のスウェーデン人は、大まかに訳すと、次のような有名な言葉を言いました。 素晴らしい未来だ！」 この言葉は、イケアの創始者、故イングヴァル・カンプラード氏の言葉です。 イングヴァール氏は、改善の余地は常にあり、より良い製品を作る必要があると確かに考えていました。 これを書いているとき、私たちはグレゴリオ暦で 2024 年に切り替わったばかりで、誰もが来たる新年について楽観的な見方をしたいのがこの時期です。

新しいエンジニアリングおよびシミュレーション技術に関しては、人工知能 (AI) と機械学習 (ML) 内で何が起こっているのか、そしてそれが将来の製品にどのような影響を与える可能性があるのか​​についての話題を避けて通ることはできません。 この技術革命により、今後数年間で多くの進歩が見られることは間違いありません。 これを、コンピュータ支援設計 (CAD) をコンピュータ支援エンジニアリング (CAE) および製造 (CAM) に接続するシーメンスのデジタル スレッド テクノロジと組み合わせると、競争上の優位性が得られ、新製品をより迅速に市場に投入できるようになります。

ターボ機械業界の例をいくつか見てみましょう。 私は Dall-E に、ジェット エンジンの組み立て方法に関する IKEA のような説明書を作成するよう依頼しました。 図 2 は、私の最初の試みを示しています。

今のところ、機械には、より良い機械を作るのを手伝ってくれるエンジニアがまだ必要な可能性があるため、あと数年は仕事を続けることができそうです。

ガスタービン設計ワークフローの現状を概観

図 3 は、NX を使用したジェット エンジン アセンブリの CAD 画像の「古典的な」アプローチを示しています。 これまでのガスタービンの設計には数年かかり、必ずしも成功するとは限りませんでした。 デジタル ツールのおかげで、設計と最適化の学際的なアプローチにより、今日の設計を非常に簡単に改善できます。

非常に高度な物理学と複雑な幾何学であるにもかかわらず、今日ではこれらのステップのいくつかを自動化された方法で組み合わせることができます。 CAD を稼働させたまま、境界条件やさまざまなバージョンを完全に制御できます。 コンポーネントの設計プロセスを図 4 の回路図に示します。これは、NX の CAD を Simcenter STAR-CCM+ や Simcenter 3D などのさまざまな CAE シミュレーション ツールに結合することによって行われます。 自動化と最適化は HEEDS によって処理され、すべてのデータは Teamcenter によって管理されます。

それが空気力学による効率の向上、機械的完全性と耐久性の向上、冷却空気の使用量の削減、または新しい燃焼燃料の削減など、実際には問題ではありません。 それらはすべて相互に影響し合うため、最新の学際的な設計空間探索手法を正しく使用しない限り、競争力と革新性を保つことはできません。

製品開発を効果的に行うために、プロセスのできるだけ早い段階でできるだけ多くのデザインを評価したいと考えています。 将来に向けて次のステップに進むということは、これを機械学習と組み合わせることを意味します。これは、設計領域が急速に大きくなり、多くの専門分野が関与する可能性があるためです。 現在数値流体力学 (CFD) または有限要素法 (FEM) で評価されている設計空間上で機械学習アルゴリズムをリアルタイムで学習させることができたらどうなるでしょうか?

将来の製品エンジニアリングのための学際的な設計最適化の改善

そのために、ターボ機械に関連する 2 つの概念実証があります。 1 つは、流量 110 kg/s、1200 rpm におけるウォーター ポンプの効率を最適化することです。 私たちは、12 の幾何学的変数とブレードの数を含むパラメータ化されたモデルに取り組みました。

HEEDS は、包括的な学際的設計分析および最適化 (MDAO) ソフトウェアであり、デフォルトの検索方法である SHERPA を使用して複数の検索戦略を同時に実行し、設計空間について学習しながら問題に動的に適応します。 SHERPA を使用すると、HEEDS は 40 時間で 300 のデザイン バリエーションを見つけることができます。 HEEDS のアドオン拡張機能である HEEDS AI Simulation Predictor の導入により、SHERPA の検索テクノロジーが大幅に強化されました。 一部の CFD シミュレーションは、初期のシミュレーションから得られた洞察を活用して、自動的にトレーニングされた AI モデルを通じて実行される AI 評価に置き換えられ、このプロセスに革命をもたらします。 この場合、151 回の CFD 実行がカウントされ、149 回が AI 評価で実行されました (合計 300 回)。 同じ結果を得るまでに約 20 時間かかり、時間を 49% 節約できました。 ポンプの効率は 3%、揚程は 10% 向上しました。

図 5: ウォーターポンプ – HEEDS AI シミュレーション予測器を使用した設計空間の探索 – CAD および CFD の結果

2 番目のケースは、冷却最適化のためのガス タービン ブレードです。 ここでの目的は、ブレードの温度を最小限に抑え、冷却空気の質量流量を最小限に抑えることです。 Simcenter STAR-CCM+ でのシミュレーションには、NX のパラメータ化された CAD が使用されます。 CAD には、冷却リブとシャワー ヘッドの穴が変更された蛇行チャネルに関する 34 のパラメータ化された特性があります (図 7 を参照)。 このケースで行われた 500 回の設計評価では、AI を使用した CFD シミュレーションをスキップし、同じ最適なソリューションに到達することで、約 38% の時間が節約されました。 これは、各シミュレーションに 160 コアが使用される場合、20 日間の時間が節約されることを意味します。 こうすることで、プロジェクトにかかる時間を数週間、数か月簡単に節約でき、より良い製品をより早く市場に投入できるようになります。

図 7: HEEDS AI Simulation Predictor、NX、および Simcenter STAR-CCM+ を使用した共役伝熱タービンブレード設計空間探索の外部温度と内部温度。

すでに優れた CAD-CAE ワークフローに AI と機械学習を追加した最初の例から、機械学習や最適化の専門家でなくても、その可能性と、いかに簡単に開始できるかがすでにわかります。 AI と ML の革命がどれほど大きなものになるか、またそれが機械業界の運命にどのような影響を与えるかについて語るのは時期尚早です。 しかし、それが競合他社で優位に立つための鍵となることはすでにわかっています。 結論として、私のアドバイスは次のように要約されます。

1. 知恵は重要なので、私たちが過去に行ったことから学びましょう。
2. これをデジタル スレッドで使用して、古い製品や方法を改善します。
3. 運命をコントロールして素晴らしい未来を創造しましょう！

謝辞:

Gabriel Amine-Eddine、Jeremy Hanke、René Braun の素晴らしいエンジニアリングの仕事に感謝したいと思います。

あなたは下記にもご興味がおありかもしれません…