Un recente articolo apparso su NVDIA Developers. Un ecosistema aperto per l’apprendimento automatico basato sulla fisica (physics-ML) favorisce l’innovazione e le applicazioni di ingegneria AI. Il physics-ML incorpora nel processo di apprendimento la conoscenza delle leggi fisiche che governano un determinato set di dati. Ciò consente agli scienziati di utilizzare conoscenze pregresse per aiutare a formare una rete neurale, rendendola più generalizzabile ed efficiente.

Tuttavia, poiché il physics-ML è un campo di ricerca in crescita, gli esperti del settore richiedono un punto di partenza migliore per capire come si applica ai loro casi d’uso del mondo reale. NVIDIA Modulus, un framework open-source per costruire, addestrare e perfezionare modelli physics-ML con una semplice interfaccia Python, fornisce applicazioni di riferimento per affrontare questa esigenza.

Il team Digital Twin di HP 3D Printing Software Organization, ad esempio, ha sviluppato modelli innovativi di physics-ML per il loro digital twin di produzione e ha contribuito a questo lavoro a Modulus. HP 3D Printing è leader nella produzione additiva e ha un portafoglio di sistemi di produzione che coprono sia la stampa di polimeri che la stampa di metalli.

Questo post evidenzia il lavoro del team Digital Twin di HP nello sviluppare attivamente la tecnologia digital twin per i suoi sistemi di produzione per accelerare l’onboarding di nuove applicazioni e adottare questa tecnologia nell’ambiente di produzione. Il team Digital Twin di HP ha trovato NVIDIA Modulus una piattaforma ideale di innovazione aperta per contribuire al loro lavoro a supporto e in collaborazione con la più ampia comunità manifatturiera.

“Il nostro team sta sviluppando motori di simulazione fisica basati sui principi fondamentali”, ha dichiarato il Dr. Jun Zeng, distinguished technologist di HP che guida l’impegno Digital Twin presso l’organizzazione software 3D Printing di HP.

“Portiamo dati di sensing sperimentali e di metrologia per calibrare questi motori di simulazione fisica in modo che siano ancorati alla variabilità del processo di produzione. Con il physics-ML, una volta ben addestrato, vediamo accelerazioni di ordini di grandezza e il modello può essere eseguito sul tuo laptop. Tali previsioni quasi in tempo reale fornite dal physics-ML aprono le porte a molte nuove applicazioni.”

Digital Twin nella produzione additiva

HP ha una storia di 80 anni di innovazione tecnologica, inclusi i recenti 40 anni di invenzione della tecnologia termica a getto d’inchiostro e delle sue applicazioni commerciali.

La più recente innovazione, HP Metal Jet, abilita un sistema di produzione additiva dei metalli che offre una produttività e una qualità industriali di nuove parti in metallo 3D oltre la capacità dei processi di produzione tradizionali.

HP sta sviluppando un digital twin per la tecnologia Metal Jet per consentire agli ingegneri di processo di prevedere e quindi ottimizzare sia i parametri di progettazione che i parametri di controllo del processo per migliorare la qualità delle parti e la resa di produzione.

Il diagramma mostra le diverse fasi della stampa Metal Jet: polvere metallica, legante, parte verde, decaking, sinterizzazione, raffreddamento, finitura. Due foto sottostanti mostrano l’input e l’output di HP Metal Jet.

Figura 1. Simulare il complesso processo di sinterizzazione dei metalli nella stampa HP Metal Jet è fondamentale per ottimizzare le rese

Come componente dello sforzo digital twin di HP, il team HP ha sviluppato il modello Virtual Foundry Graphnet applicando il physics-ML per accelerare significativamente il calcolo che prevede la transizione di fase del materiale in polvere metallica. Tale modello surrogato addestrato ha raggiunto accelerazioni di ordini di grandezza per consentire un’emulazione quasi in tempo reale e ad alta fedeltà del processo di sinterizzazione dei metalli.

Virtual Foundry Graphnet ha anche dimostrato la fattibilità di tali modelli surrogati AI da applicare a progetti di diversa complessità geometrica e diverse configurazioni dei parametri di processo.

Un modello di un drago con griglia sovrapposta che mostra le distorsioni indotte dal processo dovute a restringimento volumetrico, affondamento gravitazionale, slittamento, piegatura ed effetti di attrito, tra gli altri.

Figura 2. Modello di prova Stanford dragon

Il modello di prova Stanford dragon nella Figura 2 evidenzia la necessità di una simulazione in grado di tenere conto dell’ingegneria computazionale dei materiali e della fisica dei processi di produzione per prevedere accuratamente la distorsione geometrica della parte finale indotta dai processi di produzione.

Innovazione physics-ML in HP

Il physics-ML e le sue applicazioni a problemi pratici di ingegneria dei materiali sono ancora nelle prime fasi di applicazioni industriali. C’è bisogno di più ricerca per scalare questi approcci a vari casi d’uso.

Il team Digital Twin di HP crede nel ruolo significativo che la comunità open-source svolge nell’accelerare lo sviluppo del physics-ML ed espanderne le applicazioni. NVIDIA Modulus fornisce una piattaforma eccezionale per aiutare e supportare tale comunità open-source. Aprendo Virtual Foundry Graphnet attraverso la piattaforma NVIDIA Modulus, HP 3D Printing si è unita alla comunità open-source physics-ML.

I flussi di lavoro di simulazione fisica ad alta fedeltà tradizionali sono computazionalmente intensivi, con una singola iterazione di progettazione che spesso richiede da ore a giorni per essere completata. Utilizzare modelli ridotti a bassa fedeltà limita significativamente l’esplorazione della progettazione. I modelli surrogati physics-ML offrono un’emulazione ad alta fedeltà e complementano i risolutori numerici per consentire iterazioni di progettazione più veloci di ordini di grandezza.

Ad esempio, un feedback istantaneo di un design di prodotto in termini di sua producibilità e uno screening automatizzato del design attraverso un ampio spazio di progettazione per ottimizzare sia la funzione che la resa sono ora possibili con modelli surrogati physics-ML. I design selezionati possono essere simulati in modo più dettagliato utilizzando i risolutori numerici. Questi modelli AI consentono anche ai team di progettazione di prodotti di utilizzare il loro database di simulazioni pregresse come fonte di dati di riferimento.

Oggi, diversi dipartimenti di ingegneria svolgono la progettazione del prodotto e la produzione del prodotto. La progettazione del prodotto ottimizza gli attributi funzionali mentre la produzione del prodotto ottimizza la resa. Il design finale del prodotto che ottimizza sia la funzione che la resa richiede multiple iterazioni tra questi due dipartimenti di ingegneria, che possono richiedere settimane o mesi. È un collo di bottiglia significativo per l’introduzione di nuovi prodotti.

Con modelli physics-ML come Virtual Foundry Graphnet, gli ingegneri possono eseguire la co-progettazione funzione-resa e accelerare notevolmente il time-to-market.

Il software di simulazione dei processi fisici di HP, Digital Sintering, è stato distribuito ai clienti HP Metal Jet per migliorare i risultati di produzione (Figura 3). Digital Sintering genera un design migliorato che compensa la distorsione della parte indotta dal processo di produzione.

Due immagini mostrano il design generato da Digital Sintering dopo aver attraversato il processo di produzione fisica, che produce un oggetto metallico prodotto con precisione geometrica.

Figura 3. Digital Sintering genera un design migliorato che compensa la distorsione delle parti indotta dal processo di produzione

Eseguire un motore di inferenza di sinterizzazione dei metalli ben addestrato richiede solo pochi secondi per ottenere il valore finale di deformazione della sinterizzazione. La Figura 4 mostra una parte di prova da 63 mm con un errore nodale massimo entro il 2%. Il ciclo completo di sinterizzazione richiede circa 4 ore. La differenza media tra la previsione physics-ML di HP e quella generata dalla simulazione fisica è di 0,3 mm. Per maggiori informazioni, vedere Virtual Foundry Graphnet per la previsione della deformazione della sinterizzazione dei metalli.

GIF che mostra l’emulazione del processo transitorio di sinterizzazione dei metalli utilizzando il surrogato AI, dove il modello physics-ML mostra la flessione della parte sul bordo.

Figura 4. Previsione transitoria del processo di sinterizzazione dei metalli

Abilitare i ricercatori a innovare e collaborare sull’AI per la produzione

I modelli surrogati physics-ML sono all’avanguardia dei flussi di lavoro di simulazione quasi in tempo reale. L’innovazione physics-ML in HP 3D Printing, come Virtual Foundry Graphnet, dimostra il potere dell’AI per accelerare notevolmente i flussi di lavoro di simulazione, fornendo previsioni dei risultati dei processi di produzione in pochi secondi.

Democratizzare l’AI per la produzione è essenziale per abilitare una più ampia gamma di innovatori a risolvere le sfide del settore e favorire la creatività nel realizzare il potenziale dei digital twin.

I ricercatori AI, incluso il team HP 3D Printing, utilizzano il progetto open-source NVIDIA Modulus per contribuire e collaborare con gli esperti del settore, scambiando idee e intuizioni. Allo stesso modo, NVIDIA supporta la comunità di ricerca physics-ML fornendo una piattaforma di livello enterprise che migliora la collaborazione e l’innovazione. Questi sforzi garantiscono che strumenti e conoscenze AI avanzati siano accessibili a tutti, promuovendo un settore manifatturiero più inclusivo e dinamico.

source By Rachel (Lei) Chen, Mohammad Nabian, Chuang Gan, Juheon Lee, Zijiang Yang, Ram Cherukuri and Jun Zeng

For more information, see the NVIDIA Deep Learning Institute course, Introduction to Physics-Informed Machine Learning with Modulus.

To try Modulus in your own environment, download the latest Modulus container or install the Modulus pip wheels.

To customize and contribute to the Modulus open-source framework, visit NVIDIA/modulus on GitHub.

Related resources