IA y AM: una poderosa sinergia

Robin Tuluie, fundador y codirector ejecutivo de PhysicsX

En el mundo de la ingeniería de diseño digital, base de la innovación en la fabricación avanzada, el “aprendizaje profundo” de la IA tiene el potencial de transformar la forma en que el mundo fabrica productos, de maneras muy positivas.

En este momento existe una oportunidad urgente de explotar plenamente las herramientas de la ingeniería asistida por computadora (CFD, FEA, simulación electromagnética y más) utilizando las capacidades de la IA. Sí, estamos hablando de optimización del diseño, pero es una optimización como nunca antes, automatizada con aprendizaje automático, a una velocidad y un nivel de precisión mucho más allá de lo que pueden lograr la mayoría de los fabricantes en la actualidad.

Estamos hablando de saltos cuánticos en eficiencia y precisión: las herramientas de inteligencia artificial pueden reducir los tiempos de simulación de horas a solo segundos, empleando aprendizaje profundo para evaluar automáticamente y luego modificar incrementalmente la geometría de una pieza (dentro de los límites que dicta el usuario) para para crear resultados específicos. El diseño final resultante logra la combinación ideal de cualquier atributo que sus fabricantes hayan priorizado: peso más liviano, reducción de estrés y fatiga, flujo de fluido óptimo, intercambio de calor, conductividad, durabilidad, consolidación de piezas y más.

¿Cómo es esto posible? Con menos cálculos numéricos, no más.

Ahora no hay forma de escapar de las leyes de la física; usted tiene que hacer su diligencia de diseño, utilizando cualquier herramienta CAE líder en el mercado que sea más compatible con los requisitos del producto de su empresa. Pero lo que el software de IA puede agregar a la plataforma de diseño digital es la capacidad de trabajar con sus herramientas de simulación existentes y reducir la necesidad de calcular cada ecuación diferencial involucrada.

La IA logra esta hazaña resolviendo las ecuaciones CFD o FEA de una manera no tradicional: el aprendizaje automático examina y luego emula el comportamiento físico general de un diseño, no todos los problemas matemáticos que subyacen a ese comportamiento. Esto utiliza muchos menos recursos computacionales y al mismo tiempo logra una evaluación extremadamente sólida del diseño en todos los entornos aplicables. Se pueden simular y evaluar cientos de miles de candidatos de diseño en menos de un día. En pocas palabras: la aplicación de IA amplifica las típicas mejoras de rendimiento del 10 al 20 por ciento de las herramientas de simulación por sí solas, hasta un 30 por ciento y más. (Por supuesto, de ello se deduce que las pruebas en el mundo real de piezas terminadas siguen siendo una tarea esencial para garantizar que se cumplan todas las métricas de calidad y rendimiento).

Si bien el aprendizaje automático ciertamente puede beneficiar el diseño de productos que se producen mediante cualquier tipo de proceso o tecnología de fabricación, es con la fabricación aditiva (AM) donde la IA es quizás la más complementaria. El aprendizaje automático puede explorar completamente el espacio del diseño de AM, identificando el verdadero límite de cada tipo de física que se aplicará a un componente específico. Esto libera el poder único de AM para ofrecer cualquier nivel de complejidad geométrica que permita la solución más creativa y rentable para un difícil desafío de ingeniería.

Esta combinación de fabricación aditiva e IA ahora se ha aplicado con éxito para optimizar y mejorar el rendimiento de elementos tan dispares fabricados aditivamente como un intercambiador de calor impreso en 3D utilizado en motores a reacción, una motocicleta ganadora de campeonatos, las palas del impulsor de una bomba cardíaca para pacientes con insuficiencia cardíaca y docenas de otras aplicaciones en industrias avanzadas.

Es más, ciertos fabricantes de sistemas AM también han reconocido el valor de esta capacidad para mejorar sus propias máquinas: ahorrando tiempo, aumentando el rendimiento y ajustando la precisión de sus impresiones.

A continuación se muestra un ejemplo interesante de un proveedor de equipos de fabricación aditiva que utilizó software de aprendizaje profundo para optimizar su impresora 3D:

Ahora que la fabricación aditiva avanzada de metales está produciendo piezas certificadas para cohetes, aviones y la industria pesada (petróleo y gas, energía, etc.), la demanda de los clientes por equipos de mayor volumen ha ido en aumento. Hace varios años, anticipándose a esto, Velo3D, con sede en California, comenzó a diseñar su Sapphire XC de mayor volumen (capacidad adicional, con una cámara de construcción un 400 por ciento más grande) para incluir ocho láseres de 1000 vatios, cuatro veces más que su Sapphire original. máquina.

Los láseres producen hollín cuando funden material en polvo metálico dentro de una cámara de construcción AM. Durante este proceso, parte del material se vaporiza y se condensa en partículas muy pequeñas que pueden obstruir los láseres cuando apuntan al lecho de polvo. La solución para esto es proporcionar un flujo constante de gas inerte (normalmente argón, pero depende de la reactividad del material que se funde) para eliminar el hollín a medida que se genera.

A veces, sin embargo, las partículas pueden escapar de este flujo y aterrizar en las ventanas a través de las cuales entra la luz láser a la cámara, provocando contaminación y calentamiento que pueden distorsionar la propia ventana. Esto crea lo que en realidad es una “lente” involuntaria en la trayectoria óptica, que desvía la luz láser de su dirección prevista y desenfoca el tamaño del punto en el lecho de material. Como es comprensible que esto afecte la calidad de construcción, es imperativo que las ventanas del láser permanezcan limpias durante toda la construcción.

Velo3D ya había pensado en el flujo de gas óptimo para las cámaras de construcción de sus máquinas más grandes en general. Pero sabían que el lecho de polvo más largo, el mayor volumen interior y el empaquetado más compacto de más láseres serían un desafío al crear boquillas de ventana óptica para su sistema XC. Se preveía que la cantidad de hollín generada por las nuevas máquinas sería aproximadamente cuatro veces mayor que la de las originales.

La empresa primero probó algunas simulaciones internas de dinámica de fluidos computacional (CFD) y luego también las subcontrató a un proveedor de software, pero los resultados no cumplieron con sus expectativas de rendimiento. El tiempo necesario para configurar múltiples iteraciones de simulación CFD, mientras se cambiaban manualmente parámetros como los diámetros de los orificios de las boquillas, requería mucha mano de obra: esencialmente, una gran cantidad de dolorosas conjeturas y comprobaciones.

Una charla con un diseñador CAD con IA a través de ChatGPT

¿Cómo está transformando la IA la fabricación?

Velo3D solicitó a PhysicsX que diseñara y simulara una solución. PhysicsX tiene una amplia experiencia en simulación, optimización y diseño de paquetes ajustados (gracias a un trabajo considerable en carreras de F1 y experiencia en ciencia de datos, aprendizaje automático y simulación de ingeniería), además de herramientas patentadas validadas por simulación que pueden iterar automáticamente en diseños utilizando el aprendizaje automático. / Simulaciones basadas en IA. El enfoque de PhysicsX implica la creación de un bucle sólido entre el CFD, las herramientas de creación de geometría generativa y un controlador de IA para entrenar un sustituto de aprendizaje geométrico profundo. La velocidad del sustituto, que produce resultados CFD de alta calidad en menos de un segundo, luego se explota con un método generativo geométrico súper rápido en otro bucle de aprendizaje automático, que optimiza profundamente el diseño hacia cualquier objetivo múltiple que el ingeniero decida que es importante. La fidelidad de las herramientas de aprendizaje profundo y el flujo de trabajo sólido permiten una solución altamente precisa para la validación final de los resultados frente al modelo CFD validado.

En el caso de la boquilla de ventana Velo3D, se utilizaron varias métricas para cuantificar automáticamente la fracción del flujo recirculante dentro de la cortina de argón que viajaba hacia arriba hacia la ventana. PhysicsX comparó la solución de ventana Sapphire al inicio del proyecto, luego aplicó su software patentado de inteligencia artificial y aprendizaje automático y ejecutó grandes volúmenes de simulaciones para optimizar el diseño final. Esto dio como resultado un diseño de boquilla que produjo el flujo de cortina de argón óptimo, mientras trabajaba dentro del entorno de fabricación de la máquina de aditivos.

La complejidad del diseño final de las paletas giratorias sería un desafío para muchos sistemas AM convencionales, pero la capacidad de la máquina Sapphire para imprimir en 3D paletas extremadamente delgadas, suaves y de ángulo bajo proporcionó la geometría que permitió que las boquillas funcionaran según lo previsto. El diseño final se optimizó y se produjo en una Sapphire original y la primera Sapphire XC fabricada se ejecutó con éxito con las nuevas piezas de la boquilla de ventana en su lugar, un ejemplo de una máquina AM que imprime sus propias piezas.

Este ejemplo de optimización de boquillas AM ejemplifica la sinergia potencial entre la optimización del diseño de IA y la impresión 3D de varias maneras. Hoy en día, ningún desarrollo de tecnología avanzada puede ocurrir sin que la simulación por computadora desempeñe un papel. Sin embargo, el proceso de simulación todavía implica importantes recursos informáticos y habilidades prácticas de optimización que ralentizan la mejora del proceso, que es exactamente en lo que la industria de la fabricación aditiva todavía está trabajando.

Aquí es donde la IA puede intervenir para acelerar y automatizar de forma inteligente la toma de decisiones de los diseñadores e ingenieros que trabajan en aditivos. En el caso anterior, la optimización del aprendizaje profundo no solo transformó la geometría de un componente funcional de una impresora 3D, sino que también mejoró la función del sistema láser clave que permite una agudeza extrema y, por lo tanto, la calidad del producto final. Estos son precisamente los atributos que la industria de la fabricación aditiva aún necesita para escalar y ofrecer a nivel mundial: lo que la industria aeroespacial, automotriz, científica, médica y otros campos buscan de esta tecnología. El aprendizaje profundo puede ser el acelerador que impulse a la industria de la fabricación aditiva a alcanzar estos objetivos.