Kurzübersicht:
Der digitale Prototypenbau mit Modellierung und Simulation wird in heutigen Engineering-Prozessen zum Standardverfahren. Bei großen und komplexen Gerätedesigns verwendet der digitale Prototypenbau 3D-Multiphysics-Solver, die auf teuren Supercomputern laufen. OnScale ermöglicht den digitalen Prototypenbau durch den Einsatz ihrer etablierten, vertrauenswürdigen Multiphysics-Solver, die auf Google Cloud Clustern laufen mit skalierbaren Intel® Xeon® Prozessoren der 2. Generation. Der Service von OnScale mit Intel und Google Cloud hilft Unternehmen, die Markteinführung von Produkten zu beschleunigen und Forschungs- und Entwicklungs-Kosten zu senken, indem sie kostspielige physische Prototypen durch hochpräzise digitale Prototypen kompensieren.
Herausforderung
Die digitale Prototyp ist heute ein wichtiger Bestandteil im Design und Ingenieurwesen. Im Vergleich zum klassischen physischen Prototypenbau und Test- und Verifizierungsverfahren stellt der digitale Prototypenbau eine Kostenersparnis dar, beschleunigt den Zeitrahmen der Forschung und Entwicklung und mindert das Risiko in der Entwicklung neuer Technik.
Für den Entwurf digitaler Prototypen aus komplexen Designs bedarf es jedoch der gleichzeitigen Lösung extrem umfangreicher, multipler physischer Probleme – elektrisch, thermisch, mechanisch, materialtechnisch und andere. Je komplexer das Problem und je größer die erforderliche Genauigkeit, desto größer ist die Nachfrage nach immer höheren Stufen der Rechenleistung. Aktuelle Workstations mit mindestens 48 oder mehr CPU-Kernen verhelfen Ingenieuren zu einem Einblick in Aspekte des Designbereichs. Aber ohne die Rechenfunktionen von Supercomputern müssen Ingenieure intelligente Mutmaßungen über komplexere Designprobleme vornehmen, um die passenden Simulationsaufgaben zu erstellen.
Für große, komplexe Produktdesigns benötigen Ingenieure die Leistung von Supercomputern. In diesen technischen Anwendungen werden mit Multiphysics-Solver viele physische Phänomene gleichzeitig in 3D simuliert, um das gesamte Design zu verstehen. Hochdetaillierte digitale Prototyp-Studien mit mehreren parametrischen Sweeps aus verschiedenen Designoptionen helfen Ingenieuren bei der schnellen Optimierung neuer, komplexer Designs.
Große Computer und die Lizenzen für Engineering-Software sind jedoch selbst für Unternehmen kostspielig. Eine feste interne Simulationskapazität begrenzt zudem die Anzahl der Ingenieure, die auf die Simulationsressourcen zugreifen können, da der enorme Umfang von Simulationsaufgaben, die begrenzte lokale Rechenkapazität und die feststehende Anzahl der verfügbaren Simulationssoftwarelizenzen pro Benutzer Grenzen setzen. Eine interne Hochskalierung der Rechner durch mehr Lizenzen und Rechenkapazität steigert die Arbeitsbelastung der IT-Abteilung, die sowohl Hardware als auch Software bereitstellen und verwalten muss.
Die Grenzen der Hardware und Software einer herkömmlichen hausinternen oder Desktop-PC-Rechenkapazität stellen Barrieren für Ingenieure dar, die ihr innovatives Potenzial einschränken.
Lösung
OnScale, eine neue Software-as-a-Service (SaaS) Simulationsplattform für das Cloud-Engineering, betreibt ihre etablierten, vertrauenswürdigen Multiphysics-Solver in der Google Cloud. Die Lösung mit skalierbaren Intel Xeon Prozessoren der 2. Generation bietet Ingenieuren in Organisationen jeder Größe weltweit umfassende digitale Prototyp-Funktionen.
„Unsere Multiphysics-Solver beschreiben das physische Universum digital“, erklärt Ian Campbell, CEO von OnScale. „Unsere Solver werden seit Jahrzehnten von Bauingenieuren, Halbleiter-Designern, Maschinenbauingenieuren sowie von Ingenieuren in Behörden und Unternehmen eingesetzt. Sie benötigen die kombinierten Ressourcen komplexer Multiphysics-Solver mit Supercomputern.“
Multiphysics auf skalierbarer Google Cloud vereinfacht den digitalen Prototypenbau
Die ursprünglich vom Ingenieurbüro Weidlinger Associates (jetzt Teil von Thornton Tomasetti) entwickelten Solver wurden von OnScale auf die Nutzung der Cloud-Leistung angepasst. Die Solver wurden unter Einsatz der Intel® Message Passing Interface (MPI) Bibliothek für massive Parallel-Computing-Systemen entwickelt. OnScale optimierte sie für Tausende von Knoten in der Google Cloud. Durch diese Innovation eignen sich Solver besonders gut für flexible On-Demand-Bereitstellungen in einer Cloud-Umgebung.
Abbildung 1: Parametrische volle 3D-piezoelektrische, strukturelle und akustische Simulation eines MEMS PMUT für Anwendungen mit Ultraschall-Fingerabdrucksensor. Simulationsergebnisse mit freundlicher Unterstützung von OnScale.
Ein SaaS-Geschäftsmodell ermöglicht es Unternehmen jeder Größe, leistungsstarke Simulationsfunktionen ohne die Komplexität und Kosten von hausinterner Software und Hardware zu nutzen. Durch die Fortschritte der letzten Jahre bei der Skalierung von Google Cloud-Instanzen ist die schnelle Anpassung der Rechenkapazität in Cloud-Umgebungen auf die Anforderungen der Workloads einfacher und schneller geworden. Daraus ergibt sich ein beschleunigter Leistungsgewinn, der die Kosten für die zusätzlichen, für diesen Gewinn nötigen Kerne um ein Vielfaches übersteigt. Ingenieure profitieren von den schnelleren Fertigstellungszeiten ohne drastische Kostensteigerung (Abbildung 2).
Abbildung 2 zeigt eine mechanische Simulation von OnScale mit 2 Millionen Freiheitsgraden (DoF für Degrees of Freedom), die auf der Cloud-Hardware mit einer variablen Anzahl von physischen Kernen ausgeführt wird. Bei einer annähernd vierfachen Steigerung der Rechenkosten (basierend auf Kernstunden) konnte der Auftrag etwa 8-mal schneller ausgeführt werden, was die Laufzeit von etwa 11 Minuten auf 1,5 Minuten reduzierte.
KI fördert Cluster-Konfiguration
„Unsere Simulationsplattform läuft hauptsächlich auf rechenoptimierten C2- und speicheroptimierten M2-Instanzen in der Google Cloud“, fügte Campbell hinzu. „Wir haben viele dieser Google Cloud-Konfigurationen durch Benchmark-Tests verifiziert und wissen daher, was unsere Simulationssoftware auf Cloud-Hardware erreichen kann. Wir haben eine Engine für maschinelles Lernen entwickelt und unsere Modelle auf einer halben Million Simulationen trainiert. Das bedeutet, wenn ein Ingenieur eine neue Simulationsstudie einrichtet, kann unsere KI die beste Cloud-Konfiguration basierend auf seinen Bedürfnissen erstellen und diese auf Genauigkeit, Kosten und Laufzeit optimieren.“
Ingenieure definieren ihre Simulation, laden 3D-Modelle hoch und wählen die Prioritäten ihrer Studie – Genauigkeit, Budget und Zeit bis zur Lösung. OnScales KI liefert dann eine Schätzung der Genauigkeit, Kosten und Laufzeit für die Ausführung der Simulation. Wenn der Ingenieur den Auftrag ausführt, baut der Cloud-Orchestrator von OnScale für die Aufgaben und ausgewählten Prioritäten eine maßgeschneiderte, technisch auf dem neuesten Stand befindliche Supercomputer-Konfiguration in der Cloud mit skalierbaren Intel Xeon Prozessoren. So setzt es beispielsweise skalierbare Intel Xeon Prozessoren der 2. Generation für schnelle Lösungen mit hoher Genauigkeit ein, sofern dies eine Priorität ist. Mit der Kubernetes Management Engine von Google genießen Ingenieure sehr kurze Wartezeiten beim Bau ihrer digitalen Prototypen mit OnScale. OnScale setzte Intel Software-Tools ein, um ihre Solver für die Intel Architektur zu kompilieren und zu optimieren, um Hochleistung und Codeeffizienz zu erzielen, darunter:
- Intel® MPI-Bibliothek
- Intel® Math Kernel Library
- Intel® Fortran-Compiler
„Im Laufe der Jahre haben wir unseren Solvern und unserer Plattform neue Kapazitäten und Funktionen hinzugefügt, wie z. B. die erweiterte Domänenkomposition und dynamischen Lastenausgleich“, erklärte Campbell. „Wenn das Workload während einer Simulation die Grenzen der Cluster-Konfiguration erreicht, können wir die Simulation pausieren. Dann bauen wir einen neuen Cluster mit mehr Ressourcen und nehmen die Simulation an demselben Punkt wieder auf, an dem wir sie angehalten hatten – und für den Ingenieur ist das alles transparent.“
Die OnScale-Plattform überwacht ihre eigene Leistung und Prozesse. Nach Abschluss einer Simulationsstudie fließen die Metadaten über die Plattformleistung wieder in die Engine des maschinellen Lernens zurück, um die Fähigkeit von OnScale zur genauesten Vorhersage der besten Cluster-Konfigurationen für künftige Simulationen zu optimieren.
„Wir schauen uns die neue Technik von Intel sehr genau an“, sagte Campbell. „Google Cloud M2-Instanzen mit großem Arbeitsspeicher sind interessant. Ein großer Arbeitsspeicher ermöglicht es uns, nahtlos von der Ausführung einer umfangreichen Simulation auf einem großen Cluster auf die Visualisierung der Simulationsergebnisse auf einem viel kleineren Rechner überzugehen, ohne dazu Daten vom Arbeitsspeicher in den Datenspeicher zu verschieben und diese dann wieder in einen neuen Container zurückzuladen. Damit lassen sich eine Menge Zeit und Kosten sparen.“
OnScale stellt seinen Endkunden auch KI- und ML-Kapazitäten zur Nutzung in Kombination mit der Multiphysics-Simulation bereit.
KI und ML sind ein fester Bestandteil unseres Service-Angebots für unsere Kunden“, so Campbell. „So können Ingenieure die Simulationsdatensätze verwenden, um eingebettete KI-Algorithmen zu trainieren, was eine enorme Zeit- und Kostenersparnis bei der Erstellung physischer Datensätze aus physischen Prototypen bedeutet. Wir untersuchen gerade die direkte Integration von TensorFlow und anderen Methoden maschinellen Lernens in unsere Angebote, damit unsere Kunden diese nutzen können. Technik wie Intel® Deep Learning Boost sind für den Betrieb unserer Lösungen von großem Interesse.“
Ergebnis
Die Genauigkeit des digitalen Prototypenbaus lässt sich am besten anhand einer Korrelation von Simulationsergebnissen im Vergleich zu Experimentierung ablesen. Polytec, ein weltweit führender Anbieter optischer Messlösungen, entwickelt, produziert und vertreibt Instrumente und liefert zerstörungsfreie Prüfungsdienste (NDT) für die Industrie und Forschung. Seine optischen Messlösungen erfassen mit hoher Genauigkeit und Sensibilität die direkte mechanische Reaktion, was es Ingenieuren ermöglicht, physische Prototypen zu bewerten – d. h. Eigenschaften des Materials, der Strukturen und von Geräten, die in der Luftfahrt, Automobilbranche, Medizin, Nanotechnologie und in anderen Branchen zum Einsatz kommen. Nach der Entwicklung und dem digitalen Prototypenbau mit OnScale zur Optimierung eines Designs setzen Ingenieure dann Polytec-Geräte zu Experimenten zwecks Validierung physischer Prototypen ein.
Polytec zeigte die Genauigkeit von OnScale Tools durch den Vergleich der Simulationsergebnisse eines digitalen Prototyps mit Messungen von einem physischen Prototyp. Sie führten Experimente an einem physischen Testblock aus Edelstahl durch und verglichen die Messungen mit einer Simulation. In diesem Experiment injizierte ein auf den Block montierter Druckgeber elastische Hochfrequenzwellen in das Material und erfasste Abbildungen der in den Block gebohrten Löcher. Die Korrelation der Simulationsergebnisse mit den physischen Messwerten ist in Abbildung 3 dargestellt. Die Simulationsergebnisse des digitalen Prototyps sagten die experimentellen Daten des von Polytec erfassten physischen Prototyps genau voraus.
Abbildung 3: Ergebnisse des Polytec Laser Doppler Vibrometer Experiments im Vergleich zu OnScale Simulationsergebnissen (mit freundlicher Genehmigung von OnScale)
„Was am Ende aus der Partnerschaft zwischen OnScale, Intel und der Google Cloud entstanden ist, ist eine Simulationslösung für den kompletten Engineering-Bereich, die um ein Zigfaches schneller ist als jede vergleichbare Desktop-Lösung.“ – Ian Campbell, CEO, OnScale
Forscher an der University of Washington nutzen OnScale zum Design bahnbrechender optischer Bildgebungstechnik für optische Kohärenz-Elastographie (OCE). Diese kontaktfreie, nicht invasive Methode ermöglicht es Ärzten, Veränderungen in der Elastizität der Hornhaut und im Augeninnendruck zu erkennen und zu bemessen, um augenmedizinische Befunde aufzustellen (z. B. Keratokonus und Glaukom) und Behandlungsweisen zu empfehlen (z. B. LASIK, photorefraktive Keratektomie oder korneales Crosslinking). Die Technik misst auf nicht invasive Weise die mechanischen Eigenschaften der Hornhaut, indem sie von einem luftgesteuerten akustischen Druckgeber ausgegebene Wellen über die Hornhaut treibt. Unter Einsatz der optischen Kohärenztomographie (OCT) können sie so die entstehenden mechanischen Wellen abbilden, um die Elastizität der Hornhaut zu messen.
Von besonderer Bedeutung für die OCT-Technik ist der Einsatz von Scherwellen. Das Forschungsteam nutzt OnScale zur Modellentwicklung und Ausbreitung von Scherwellen in simuliertem biologischem Gewebe ein, einem digitalen Prototyp des menschlichen Auges, dessen Hornhaut ganz einzigartige Probleme aufwirft. Mit OnScale konnten die Forscher ein zuverlässiges, zweidimensionales Finite-Element-Modell entwickeln, das sehr nah an ihr experimentelles OCE-System und die Messungen herankommt. Die laufende Forschung wird in „Acoustic micro-tapping for non-contact 4D imaging of tissue elasticity“ und in „Nearly-incompressible transverse isotropy (NITI) of cornea elasticity: model and experiments with acoustic micro-tapping OCE“ beschrieben.
Vestas entwickelt und produziert Windkraftanlagen für die Energiebranche. Eine wichtige Komponente ist der sehr große Flügel (bis zu 80 m lang), der aus verschiedenstem Verbundmaterial hergestellt wird: Kunststoff, Karbonfasern, Harz und mehr. Die Flügel sind in ihrer Länge vielen Belastungen ausgesetzt und ganz besonders an der Anbringungsstelle. Vestas musste verschiedene Tools wie Ultraschalltests entwickeln, um das Design und die Produktqualität zu validieren und nach Anomalien zu suchen. Die Entwicklung von Ultraschalltests für Verbundmaterial ist jedoch bei Weitem nicht so geläufig, wie dies bei anderem Material der Fall ist.
„Es gibt viele komplizierte Phänomene, wenn Sie Ultraschall auf Verbundmaterial anwenden“, erklärte Jason Hawkins, ein Test-Engineer bei Vestas. „Je nachdem, in welche Richtung sich die Welle bewegt, entstehen verschiedene Geschwindigkeiten und diese Ergebnisse auf dem Bildschirm lesen zu wollen, ist nicht unbedingt leicht. Der Erkennungsprozess lässt sich jedoch verbessern, wenn man dies simuliert. Sie können sehen, welche Prozesse, wie reflektierte Primär- und Sekundärwellen, in Ihren Messungsbereich entstehen. Das war zuvor nicht möglich.“
Die Möglichkeit, numerische Simulationen auszuführen, verhilft Ingenieuren zu neuen Erkenntnissen darüber, wie das Material auf Ultraschallbewegung in NDT reagiert. Mit diesen neuen Erkenntnissen können sie Inspektionen entwickeln, die zuvor nicht möglich waren, und das Design und die Fertigung verbessern.
Zusammenfassung
Der digitale Prototypenbau beschleunigt den Entwicklungszeitraum und senkt gleichzeitig die Kosten, indem er den Bedarf nach physischen Prototypen reduziert. Digitale Prototypen erfordern jedoch möglicherweise intensive Berechnungen, die nur Supercomputer und fortschrittliche Multiphysics-Solver leisten können und deren Anschaffung und firmeninterne Bedienung hohe Kosten verursacht. OnScale bietet vertrauenswürdige Multiphysics-Solver, die mit skalierbaren Intel Xeon Prozessoren auf Abruf in der Google Cloud laufen, was es mehr Organisationen ermöglicht, auf diese leistungsstarke Kapazität zuzugreifen.
„Was am Ende aus der Partnerschaft zwischen OnScale, Intel und der Google Cloud entstanden ist, ist eine Simulationslösung für den kompletten Engineering-Bereich, die um ein Zigfaches schneller ist als jede vergleichbare Desktop-Lösung,“ sagte Ian Campbell abschließend. „Dies bedeutet, dass Ingenieure produktiver arbeiten und uns die Technik der Zukunft mit reduziertem Risiko, geringeren Kosten und kürzerer Markteinführungszeit bereitstellen können.“
Lösungskomponenten
- OnScale Multiphysics-Solver und SaaS-Cloud-Engineering-Simulation.
- Digitaler Prototypenbau für das industrielle Engineering und die Forschung.
- Google Cloud M2-Instanzen.
- Google Cloud C2-Instanzen verwenden skalierbare Intel Xeon Prozessoren der 2. Generation.