Come progettare in realtà virtuale?

• 
• Tweet
• Pin It
• Condividi per email

Con Ansys la modellazione CAE ad alta fedeltà è disponibile in tempo reale nella realtà virtuale

L’industria CAE si sta trasformando velocemente, spinta da due tecnologie in forte crescita. L’hardware che continua a migliorare, rendendo possibile l’immagazzinamento di grandi moli di dati e la loro elaborazione in tempi sempre più brevi grazie al calcolo parallelo su CPU e GPU; l’intelligenza artificiale, che sta dimostrando prestazioni eccellenti nel prevedere il comportamento di sistemi in nuove situazioni a valle di un addestramento adeguato con tante situazioni simili a quella mai vista dal sistema. La capacità di trovare nuove soluzioni dipende dalla qualità e dalla quantità dei dati di addestramento; ed è proprio in questo frangente che il CAE si trova a beneficiare delle due tecnologie, perché la generazione di grandi moli di dati, Big Data sintetici, è oggi possibile grazie all’automazione dei calcoli CAE ad alta fedeltà e alle risorse HPC che consentono di valutare in tempi brevi un gran numero di varianti. L’addestramento di modelli surrogati mediante i Big Data sintetici consente di prevedere un nuovo scenario in tempi molto brevi, in alcuni casi anche in tempo reale. Tra le metodiche che si stanno affermando e che sono passate molto velocemente dal mondo della ricerca scientifica a prodotti software commerciali ci sono i modelli ridotti (ROM reduced order models) basati sulla compressione dei dati utilizzando, ad esempio, il POD – Principal Orthogonal Decomposition che consente di estrarre le feature principali da un insieme di informazioni di tipo omogeneo e i metodi di deep learning che consentono invece di estrarre e riutilizzare informazioni anche nel caso di dati non omogenei. I principali player attivi nel CAE stanno rendendo disponibili questi metodi con strumenti semplici da usare democratizzandone l’adozione. Ansys, ad esempio, sviluppa da diversi anni la soluzione Twin Builder, basata sui modelli ridotti, e ha acquisito recentemente la tecnologia SimAI basata sul deep learning. I concorrenti offrono soluzioni analoghe in un mercato che si sta sviluppando rapidamente. Un aspetto chiave di queste metodiche è l’indipendenza dai meccanismi utilizzati per la generazione dei dati. Questa catena richiede competenze molto specifiche. Gli esperti della simulazione e dell’automazione, grazie all’uso di software CAE specializzati, mettono a punto workflow automatici in grado di vagliare le prestazioni di varianti di progetto mediante la CFD (computational fluid dynamics), il FEM (finite element method) o più in generale analisi multi-fisiche accoppiate ad alta fedeltà. Gli esperti in computer science procedono poi alla manipolazione dei dati generati e all’addestramento dei modelli ridotti. Si passa quindi agli esperti IT, che grazie a tecniche di incorporamento di dati e funzioni in oggetti software (ad esempio le FMU – functional mock-up units) provvedono a rendere i modelli fruibili in contesti molto diversi.

Fruibilità con i visori

In questo articolo si riporta un workflow sviluppato da RBF Morph, azienda che ha come missione lo sviluppo e l’applicazione della tecnologia di simulazione per sintetizzare e ottimizzare progetti, processi e decisioni per raggiungere un’efficienza ottimale, in collaborazione con l’Università di Roma Tor Vergata, dove tutti i passi vengono compiuti per rendere i modelli di simulazione fruibili direttamente con i visori. Negli esempi presentati ci si avvale sia di simulazione CFD, mediante il solutore Ansys Fluent, sia di simulazione CFD mediante il solutore Ansys Mechanical. In entrambi i casi una simulazione di riferimento high fidelity viene resa parametrica introducendo dei parametri fisici (variazione di una forza, di una temperatura…) e dei parametri geometrici (cambiamento di forma di un foro, dello spessore di una piastra…) utilizzando rispettivamente i software di mesh morphing RBF Morph Fluids e RBF Morph Structures. L’esplorazione dello spazio parametrico viene svolta nei limiti di validità dei parametri mediante tecniche di campionamento ottimizzate per riprodurre nuovi punti con l’errore minimo. L’errore dipende sia dalla numerosità delle varianti esplorate, chiamate snapshot, sia dai metodi utilizzati per estrarre le informazioni dai modelli ridotti. In questo studio si utilizza Ansys Twin Builder, che combina il POD con metodi Gars – Genetic Aggregation Response Surface per l’addestramento. I modelli ottenuti possono essere incapsulati nelle FMU che contengono il comportamento del sistema al variare dei parametri di ingresso. Essendo le informazioni compresse, la relazione fra parametri di input e output avviene correlando i parametri scalari di input (geometrici e fisici) direttamente con i pesi dei modi ottenuti con il POD. Questo significa che un’informazione a campo intero, anche con molti milioni di punti, può essere espressa combinando un numero limitato di modi (da decine a centinaia, ognuno definito nello spazio originale) mediante una trasformazione non lineare basata sui dati di addestramento. Negli esempi illustrati le FMU vengono utilizzate sia per rappresentare i campi di morphing, ovvero aggiornare la geometria al variare dei parametri geometrici, sia i campi di risultati come pressione, velocità, temperatura, stress…. Le interazioni realtime, possibili su dispositivi diversi, fra cui i visori (un MetaQuest3 negli esempi illustrati), sono attuabili memorizzando i modi, vale a dire la parte più corposa dell’informazione, direttamente nella scheda grafica del dispositivo e utilizzando le FMU, funzioni molto leggere di valutazione velocissima, per poter aggiornare i pesi dei modi al variare dei parametri di input.

Due esempi

Il primo esempio, riportato in figura 1, riguarda la progettazione interattiva del CubeSAT CUSP, una sonda spaziale in formato nanosatellite che studierà le particelle dinamiche e i campi magnetici che scorrono dal sole. I parametri di progetto sono la dimensione delle finestre di alleggerimento e lo spessore della piastra. L’esperienza in realtà virtuale consente di manipolare il sistema e di cambiare i parametri in tempo reale agendo su delle maniglie presenti sul modello del componente. L’utente può interagire direttamente con le mani variando la posizione delle maniglie osservando la forma cambiare insieme al campo di sollecitazioni strutturali. Il tutto con l’accuratezza delle analisi termo-strutturali FEM utilizzate per generare il modello ridotto. La piattaforma Unity utilizzata consente poi di aggiungere un effetto di realismo, in questo caso interagendo con il satellite direttamente in orbita intorno alla terra. Il secondo esempio, riportato in figura 2 e 3 riguarda l’ottimizzazione interattiva della forma della carrozzeria di un’automobile con il fine di minimizzare la resistenza aerodinamica migliorando l’efficienza. Anche in questo caso il modello CFD viene reso parametrico così da cambiare la forma della parte posteriore della vettura. In questo caso la manipolazione della vettura può essere gestita agendo sul modellino presente su un totem, mentre la variazione dei parametri geometrici avviene interagendo con le maniglie posizionate sulla macchina stessa. L’utente vedrà aggiornarsi sia la forma dell’automobile che il campo di pressioni aerodinamiche agenti. Anche in questo caso la scena è stata posizionata in un ambiente operativo, uno showroom virtuale per la vendita di auto.

RBF-Morph – www.rbf-morph.com

Scarica il pdf

• 
• Tweet
• Pin It
• Condividi per email