KI goes simulation

Wenn es so arbeitet, wie ich es da sehe, ist es einfach nur Blendwerk. Die ersten Fehler habe ich schon gefunden, die auch auf die Funktionsweise schließen lassen. Cadmould hat mit Varimos ein gutes Werkzeug, wodurch viele verschiedene Iterationen bei den Simulationen möglich sind, was die Vorstufe darstellt. Cadmould rechnet auch nur auf einem Kern, was früher ein gutes Alleinstellungsmerkmal war, aber mit fortschreitender Rechenleistung obsolet wurde. Varimos füllt die Lücke, weil auf einem 32-Kern-System auch 32 Simulationen zeitgleich laufen können. Oder bei 96 Kernen dann 96 Simulationen zeitgleich. Varimos wurde damit deutlich schneller und hat den Nachteil überbrückt.
Und das wird nun ausgenutzt. KI kann wunderbar zwischen Ergebnissen interpolieren und das wird genutzt. Das Netz wird einfach so grob wie möglich gewählt, damit das Bauteil noch gerade so ausreichend beschrieben wird. Dann wird ein Knotenpunkt als Anspritzpunkt gewählt und die Füllphase wird gerechnet. Im nächsten Schritt werden die Nachbarknoten als Anspritzpunkt gesperrt und erst der übernächste Nachbar wieder erlaubt. Dadurch ergibt sich ein Netz an möglichen Anspritzpunkten, was vergleichsweise wenige Möglichkeiten bietet. Die notwendige Anzahl an Simulationen, um diese Funktion darstellen zu können, sinkt.
Die zwei Anspritzpunkte sind nettes Gimick. Lege ich beide Anspritzpunkte ganz nah beieinander und behalte den Volumenstrom pro Anspritzpunkt bei, erhalte ich eine Überlagerung zweier verschiedener Simulationen und z.B. den gleichen Fülldruck, wie bei einem Anspritzpunkt. Das ist mathematisch nicht möglich. Der strukturviskose Teil der Kunststoffe wird komplett ignoriert und damit sind die Ergebnisse nutzlos.

Sieht auf jeden Fall interessant aus, solche Ansätze werden wir in den nächsten Jahren vermutlich öfter sehen. Ich denke aber auch, dass man da genau hinschauen muss, was wirklich gerechnet wird und was nur aus vorhandenen Simulationen “gelernt” bzw. interpoliert ist. Für schnelle Abschätzungen oder Variantenvergleiche kann das sicher spannend sein aber eine klassische Simulation wird es vermutlich so schnell nicht ersetzen.

Da braucht es erstmal die passende Software für und die Materialvermessung muss auch komplett anders aussehen. Wird ein sehr langer Weg.

Sehe ich ähnlich. Vieles wirkt aktuell eher wie schnelle Interpolation statt echte Physik.

Für grobe Abschätzungen sicher brauchbar aber bei Materialmodellen und Randbedingungen entscheidet sich’s und da ist klassische Simulation noch klar vorne.

Hallo zusammen,
ich arbeite bei Simcon und freue mich, dass ihr euch für den AI Solver interessiert und einige die Research Preview auf der Webseite auch schon getestet haben. Wie richtig vermutet ist die Veröffentlichung bei Emmi eine Entwicklung, bei der wir beteiligt sind.
Wenn ihr mehr darüber erfahren wollt wie er funktioniert, was er aktuell kann und was nicht, und wohin wir ihn entwickeln, könnt ihr hier auf unserer Webseite nachlesen: Please login to see this link.
Dort ist die Research Preview ebenso erreichbar, und ein wenig mehr in den Kontext des Spritzgießens gesetzt.

Da es hier aber teilweise falsche Vermutungen gab, ein paar Punkte in Kürze:
Das Modell interpoliert nicht zwischen vorgerechneten Simulationen, und die Geometrien in der Demo hat es im Training nie gesehen. Es läuft auch kein Varimos oder Cadmould im Hintergrund, es ist ein komplett eigenständige Lösung. Es ist ein Transformer-basiertes neuronales Netz, trainiert auf mehreren hundert Terabyte Simulationsdaten. Eingabe ist die vollständige Konfiguration (Geometrie, Material, Prozessparameter und Gates - außerhalb der Demo auch mehr als zwei). Ausgabe sind vorhergesagte Spatiotemporal Fields (in der Research Preview für Füllgrad, Druck, Temperatur und Scherrate) und dabei werden u.a. auch die Materialeigenschaften berücksichtigt.

Mehrere Anspritzpunkte gehen von einem vorgeschalteten balancierten Angusssystem aus, was zu gleichem Druck und unterschiedlichen Volumenströmen führt. Der eingestellte Volumenstrom ist nicht der pro Anspritzpunkt, sondern die Summe beider Volumenströme.

Ist das Modell perfekt? Nein. Die Research Preview hat noch Schwächen, die wir auch in dem Artikel aufzeigen. Extreme Setups können Fehler erzeugen, das Fließverhalten in eingefrorenen Bereichen ist teilweise unrealistisch, und kleine Features können von der Schmelzefront übersprungen werden. Das Modell ist aber aktiv in Weiterentwicklung und Training und wird stetig umfangreicher und besser. Wir erwarten, dass der AI Solver insbesondere zur schnellen Design-Iteration und Optimierung über große Parameterräume eingesetzt wird, weil er in Sekunden gute Ergebnisse liefert - mittelfristig erwarten wir, dass klassische Solver weiterhin zur Validierung verwendet werden.

Wir stehen für Rückfragen und Feedback jederzeit zur Verfügung und freuen uns über einen offenen Austausch, um mögliche Unklarheiten oder Annahmen gemeinsam transparent zu klären.