Siemens har satsat mycket på digitala tvillingar med omfattande möjligheter att haka på marknadens kanske mest avancerade kapabiliteter. Bolagets ”comprehensive digital twins,” som man betecknar saken, är också vad man tagit sikte på med HEEDS AI Simulation Predictor. Lösningen sägs, ”ge organisationer möjlighet att dra full nytta av den digitala tvillingen för att optimera produkter genom avancerad toppmodern AI med inbyggd noggrannhetsmedvetenhet.”
Siemens HEEDS AI Simulation Predictor låser upp nya möjligheter för tillverkare genom att ge ingenjörsteam möjlighet att utnyttja potentialen hos avancerad AI-driven prediktiv modellering. Som ett nytt tillskott till Siemens Xcelerator-portföljen kan den revolutionera designutforskning av rymder.
Viktiga fördelar är:
- Optimering av produkter med högprecision: HEEDS AI Simulation Predictor utnyttjar toppmodern AI med inbyggd ”medvetenhet” om värdet av noggrannhet. Detta hjälper organisationer att fullt ut utnyttja den digitala tvillingen för att finjustera och optimera sina produkter med extremt hög precision.
- Snabbare, mer innovativa konstruktioner: Genom att utnyttja historiska simuleringsstudier och ackumulerad kunskap kan ingenjörsteam snabbt skapa högpresterande, innovativa konstruktioner, vilket avsevärt minskar tiden till marknad.
Tar itu med utmaningen med AI-drift
En av de viktigaste utmaningarna i AI-driven simulering är den relaterade driften, där modeller extrapolerar felaktigt när de står inför okända designutrymmen. För att möta denna utmaning introducerar HEEDS AI Simulation Predictor ”noggrannhetsmedveten AI.” Den här nya tekniken verifierar aktivt förutsägelser, och hjälper ingenjörer att utföra simuleringar som inte bara är korrekta utan också tillförlitliga i samband med verkliga industriella tillämpningar.
– Med HEEDS AI Simulation Predictor har vi avsevärt förbättrat olika komponenter i gasturbinen, vilket leder till mycket optimerade konstruktioner och accelererade designcykler, kommenterar Behnam Nouri, Team Lead, Engineering & Platform Design, på Siemens Energy. Han fortsätter:
– Våra termomekaniska förutsägelser av utmattningseffekter har effektivt uppgraderats för att bearbeta ~20 000 designelement på bara 24 timmar, vilket ger en 20 procent förbättring av komponentlivslängden. Detta har gjort det möjligt för oss att fullt ut karakterisera gränserna för vårt befintliga designutrymme som krävs för högeffektiva turbinmotorer. HEEDS AI Simulation Predictor-tekniken har gjort det möjligt för oss att spara över 15 000 timmars beräkningstid.
Träning av AI- och ML-modeller
Den andra intressanta lanseringen är, som nämndes i ingressen, Simcenter Reduced Order Modeling. Detta är en ny programvara som utnyttjar ”high-fidelity-simulering” och testdata för att träna och validera AI/ML-modeller.
Dessa modeller gör det sedan möjligt för ingenjörer att utföra förutsägelser på en bråkdel av en sekund, vilket förändrar hur ingenjörsproffs närmar sig simulering.
Här talar vi om fördelar som:
- Hastighet och precision: Simcenter Reduced Order Modeling använder högfientlig data för att ge ingenjörer möjlighet att få snabba förutsägelser och fatta kritiska beslut på en bråkdel av den tid det skulle ta med konventionella metoder.
- Förutsägande prestanda: Genom att träna AI/ML-modeller på omfattande datauppsättningar gör den här tekniken det möjligt för ingenjörer att få robusta, pålitliga och pålitliga insikter, vilket hjälper till att eliminera det vanliga problemet med AI-drift.
En användare som prövat på lösningen kapacitet är Jurgen Dedeurwaerder, simuleringsingenjör på företaget Plastic Omnium.
– Simcenter Reduced Order Modeling låter oss accelerera våra simuleringsmodeller till den punkt där ett detaljerat bränslecellanläggningsmodellen går snabbare än i realtid, med samma noggrannhet som en komplett systemmodell, säger han, och fortsätter: ”Detta gör att aktiviteter som modell-in-the-loop-styrenhetsutveckling och testning kan göras snabbare, vilket förkortar den övergripande utvecklingscykeln med cirka 25%. Samtidigt ger det oss ett pålitligt, IP-skyddat och kostnadseffektivt sätt att distribuera modeller till andra team, både internt och till våra kunder för att utöka sina egna produkter och processer, vilket resulterar i bättre kvalitetsprodukter levererade till slutanvändare. ”
