7 CÁCH TRÍ TUỆ NHÂN TẠO SẼ THAY ĐỔI KỸ THUẬT TRONG TƯƠNG LAI

Trong blog này, tôi sẽ cùng mọi người khám phá cách các kỹ sư bắt đầu sử dụng công nghệ học máy và trí tuệ nhân tạo để khuếch đại kiến ​​thức của họ, tăng lượng kiến ​​thức được cung cấp thông qua mô phỏng và thử nghiệm cũng như cách chuyển kiến ​​thức tích lũy có được giữa các dự án. Tôi cũng muốn xóa tan một số lầm tưởng về AI và ML và chứng minh rằng việc triển khai các kỹ thuật này mang lại nhiều lợi thế cạnh tranh so với các đối thủ không sử dụng chúng. Mặc dù trước đây tôi đã nói về cách AI sẽ ảnh hưởng đến kỹ sư trong tương lai, nhưng sự thật là nó đã mang lại rất nhiều lợi ích cho các kỹ sư hiện nay.

  1. Giải thích kết quả

Mô phỏng kỹ thuật và thử nghiệm thường xuyên mang đến một lượng lớn dữ liệu. Mặc dù thông thường có thể giảm thông tin này xuống một vài tham số xác định mô tả hiệu suất của thiết kế, các kỹ sư có kinh nghiệm vẫn có khả năng diễn giải trực quan các tập dữ liệu khổng lồ này (thường là các trường ba chiều giàu dữ liệu thay đổi theo thời gian). Điều này cho phép chúng tôi xác định các đặc điểm quan trọng như xoáy hoặc bong bóng phân tách trong mô phỏng dòng chảy hoặc nồng độ ứng suất của gradient nhiệt độ – các yếu tố ảnh hưởng trực tiếp đến hiệu suất của thiết kế.

Các nhóm thiết kế thường chiêu mộ các kỹ sư ít kinh nghiệm hơn vì ít tốn kém hơn để thực hiện hầu hết các công việc nặng nhọc trong mô phỏng (chia lưới, thiết lập bài toán, tính toán và hậu xử lý) hoặc kiểm tra (thực hiện các thí nghiệm). Sau đó, các kỹ sư cao cấp hơn (và được trả lương cao hơn) sẽ xem xét kết quả và đưa ra quyết định.

Vấn đề là các trường kết quả ba chiều chứa rất nhiều thông tin hữu ích. Mặc dù có thể thuận tiện khi giảm hiệu suất của một thiết kế xuống một vài thông số chính, việc tối ưu hóa trên một tập thông số giới hạn có thể cho bạn biết thiết kế nào đang hoạt động tốt hơn những thiết kế khác. Tuy nhiên, không hẳn nó sẽ cho bạn biết lý do tại sao nó hoạt động tốt hơn.

Để giải quyết vấn đề này, khách hàng của Simcenter hiện đang sử dụng học máy để quét kết quả của hàng nghìn lần mô phỏng trước đó và tạo ra một thuật toán để xác định các đặc điểm dòng chảy (hoặc nồng độ căng thẳng hoặc bất cứ điều gì) có ảnh hưởng đáng kể nhất đến hiệu suất sản phẩm. Đặc biệt là những tính năng xác định đó không phải lúc nào cũng là thứ mà ngay cả kỹ sư giàu kinh nghiệm nhất cũng có thể phát hiện ra.

  1. Tốc độ mô phỏng

Tốc độ đổi mới kỹ thuật luôn bị giới hạn bởi sự sẵn có của các nguồn lực chẳng hạn như thiếu tài nguyên kỹ thuật hoặc khả năng xử lý máy tính.

Việc xác định các thành phần riêng lẻ từ một loạt các chi tiết được kết nối với nhau trong một chi tiết lắp ráp CAD nếu làm thủ công sẽ tốn rất nhiều thời gian. Thật không may, bước này là không thể tránh khỏi nếu bạn muốn xác định thuộc tính chia lưới cục bộ hoặc điều kiện biên vật lý, hoặc để xác định chi tiết là một phần của báo cáo hậu xử lý.

Nhiều mô phỏng liên quan đến việc lắp ráp các chi tiết CAD riêng lẻ phức tạp

Ví dụ, trong một mô phỏng dưới tác động của khí động học, một tấm lưới tản nhiệt được xử lý khác với một bánh xe hợp kim quay. Sử dụng học máy từ các mô hình mô phỏng đã phân loại trước đó, AI (Trí tuệ nhân tạo) có thể được đào tạo để xác định các chi tiết CAD riêng lẻ từ sự kết hợp giữa hình dạng và siêu dữ liệu của chúng được gắn vào chi tiết.

AI có thể được đào tạo để tự động nhận diện các chi tiết từ hình dạng và siêu dữ liệu của chúng

  1. Có được Insight tức thời

Với tư cách là kỹ sư, công việc của chúng tôi là để trả lời câu hỏi “điều gì xảy ra nếu?” – câu hỏi thúc đẩy quá trình thiết kế kỹ thuật. Chắc hẳn ai làm kỹ sư cũng đều trải qua sự thất vọng khi bản trình bày đầy đủ kết quả mô phỏng và thử nghiệm của mình trong một cuộc họp đánh giá thiết kế bị đặt câu hỏi, “nếu chúng ta chỉ thử cái này thì kết quả sẽ ra sao?” Trong khi đó là một tình huống mà bạn chưa từng nghĩ đến.

Trong trường hợp này, các thuật toán máy học có thể tích lũy kiến ​​thức từ các mô phỏng trước đó và dự đoán ngay kết quả của các thay đổi thiết kế, bao gồm các trường vec-tơ và vô hướng ba chiều. Điều này cho phép các kỹ sư xem kết quả có thể xảy ra đối với suy đoán của họ trong thời gian thực. Nếu cơ sở dữ liệu đào tạo là đủ, sự khác biệt giữa các giá trị do AI dự đoán và kết quả mô phỏng thực tế có thể không đáng kể.

AI có thể được đào tạo để dự đoán kết quả của các thay đổi thiết kế hoặc kịch bản ở mức độ chính xác cao

Cách tiếp cận này cần được áp dụng một cách thận trọng. Tuy nhiên, nó có thể cung cấp cách loại bỏ các giải pháp không khả thi ngay lập tức. Nó cho phép các kỹ sư quyết định các bước tiếp theo tức thì thay vì phải đợi một cuộc họp khác.

Cách tiếp cận này thậm chí không giới hạn đối với mô phỏng trạng thái tĩnh hoặc trạng thái ổn định: Ví dụ: Simcenter đã được áp dụng thành công (và chính xác) ở các trường hợp động cơ chuyển động trên nhiều góc quay.

  1. Khám phá thiết kế được cải thiện

Một phần mở rộng của ý tưởng trước đây (học máy được sử dụng để dự đoán kết quả của những thay đổi thiết kế trong thời gian thực) là AI có thể đẩy nhanh các nghiên cứu thăm dò và tối ưu hóa thiết kế. Thông thường, các nghiên cứu này tiến triển bằng cách thử qua một loạt các kịch bản thiết kế, từ chối bất kỳ thiết kế nào không đáp ứng một số tiêu chí hiệu suất. Sử dụng AI và ML (Machine Learning), chúng tôi có thể loại bỏ các thiết kế xấu để thu hẹp phạm vi nghiên cứu trước khi chạy bất kỳ mô phỏng nào. Điều này cho phép các kỹ sư tập trung các nguồn tài nguyên máy tính để tìm ra các kịch bản thiết kế hợp lệ. Các kỹ thuật thăm dò thiết kế hiện đại giúp tìm ra vấn đề của bạn và thích ứng với nó.

  1. Chuyển giao kiến ​​thức

Sự tích lũy kiến ​​thức điều hướng mọi quy trình thiết kế. Trong giai đoạn đầu của quá trình thiết kế, kiến ​​thức thường thu được từ các mô phỏng đơn giản có độ trung thực thấp (hoặc các thử nghiệm vật lý) để dự đoán các đặc điểm quan trọng như giảm áp suất hoặc tốc độ dòng chảy (về cơ bản là tính toán phạm vi).

Mặc dù độ phức tạp và độ trung thực của các mô phỏng (và thử nghiệm) thường tăng lên trong các giai đoạn tiếp theo của quá trình thiết kế, một số thông số thiết kế được cố định bởi những mô phỏng đơn giản ban đầu thông qua tất cả các lần phát triển thiết kế tiếp theo. Nhiều tháng sau – khi kết thúc quá trình thử nghiệm và mô phỏng mở rộng, chúng tôi có thể tự hỏi rằng, “điều gì sẽ xảy ra nếu chúng tôi không sửa thông số đó quá sớm?”

AI cho phép bạn lập bản đồ tất cả những gì bạn học được từ toàn bộ quá trình thiết kế để ứng dụng vào thiết kế tiếp theo khi một lần nữa bạn phải đối mặt với vấn đề sửa các thông số nào và hiệu quả của việc sửa các thông số đó. Cái gọi là “học chuyển giao” cho phép các kỹ sư dự đoán những gì sẽ xảy ra trong quá trình thiết kế sau này.

  1. Không lãng phí thêm dữ liệu

Thất bại là yếu tố để tạo nên thành công trong việc đổi mới và kỹ thuật là một quá trình cần phải cải tiến liên tục. Các kỹ sư cải tiến những thứ hiện có bằng cách thực hiện một loạt các thay đổi gia tăng, mỗi thay đổi nhằm mục đích làm cho sản phẩm tốt hơn. Mỗi sản phẩm thành công là kết quả của nhiều lần lặp lại thiết kế, mỗi lần trong số đó dần dần cải thiện hiệu suất của sản phẩm.

Vấn đề là đối với mỗi cải tiến thiết kế được thực hiện thành công, sẽ có thêm nhiều “lần lặp lại thất bại”. có vô số cách để loại bỏ những thứ không mang lại sự cải thiện về hiệu suất sản phẩm. Dự đoán những thay đổi nào sẽ cải thiện sản phẩm và điều gì sẽ làm giảm giá trị của nó. Chúng tôi phải xác định các lựa chọn thiết kế kém hiệu quả để có thể loại bỏ chúng. Thông thường, các bài học kinh nghiệm từ những thất bại ban đầu ảnh hưởng đến toàn bộ hướng thiết kế của dự án trong tương lai.

Cho đến nay, dữ liệu được tạo ra từ các mô phỏng “bị lãng quên” đó thường bị loại bỏ (hoặc ít nhất là lưu trữ và bị lãng quên). Tuy nhiên, tất cả dữ liệu này cực kỳ hữu ích trong việc đào tạo các thuật toán Học máy, bởi vì hầu hết chúng ta đều biết rằng chúng ta học được nhiều điều từ thành công cũng như thất bại.

  1. Học từ thử nghiệm mô phỏng AND

Mặc dù mô phỏng và thử nghiệm là các lĩnh vực khác nhau – hoặc thậm chí đối lập – nhưng bất kỳ kỹ sư nhạy bén nào cũng đưa ra quyết định dựa trên sự tích lũy thông tin thu được từ các thí nghiệm số và vật lý. Tuy nhiên, việc kết hợp dữ liệu đó thường rất khó, liên quan đến sự thỏa hiệp trong việc ánh xạ từ miền này sang miền khác. AI mang đến cơ hội kết hợp mạnh mẽ thông tin từ nhiều mô phỏng và thử nghiệm bằng Học máy thành một mô hình duy nhất, tăng khả năng dự đoán tổng thể của dữ liệu.

Tất nhiên, đây chỉ là những dự đoán dựa trên kinh nghiệm gần đây khi theo dõi khách hàng của chúng tôi sử dụng AI và ML để cải thiện chất lượng và số lượng trải nghiệm mô phỏng của họ.

Xem video để tìm hiểu AI và ML đang được ứng dụng trong ngành công nghiệp ô tô như thế nào:

Nguồn: Theo Stephen Ferguson – Siemens

Leave a Reply

Your email address will not be published. Required fields are marked *