New Science Lab rozwija rozwiązania physics-aware AI do generatywnego projektowania i optymalizacji systemów inżynierskich, których działanie zależy od geometrii, przepływu i zjawisk fizycznych.

Engineering Intelligence: rynek, na którym działamy

Oprogramowanie do symulacji i analiz inżynierskich, w skrócie CAE, to dojrzały, wielomiliardowy rynek. Przez lata rozwijał się w jednym kierunku: coraz dokładniejsze obliczenia, które kosztują coraz więcej czasu i mocy obliczeniowej. Sztuczna inteligencja połączona z regułami fizyki zmienia ten układ. Zamiast liczyć każdy wariant od zera, można nauczyć model, jak zachowuje się dana klasa obiektów i sprawdzać setki pomysłów w czasie, w którym dotąd sprawdzano jeden.

Kategoria przyciąga duży kapitał: rundy finansowania PhysicsX i Neural Concept potwierdzają, że AI dla inżynierii jest traktowana jako samodzielny rynek, a nie funkcja istniejących narzędzi.

Rozwiązujemy określoną klasę problemów inżynierskich

Tam, gdzie o wyniku decyduje przepływ

Flow-driven engineering to systemy, których działanie zależy od geometrii, przepływu i zjawisk fizycznych: kadłuby, wirniki, śruby, turbiny, skrzydła, komponenty aerodynamiczne, wymienniki ciepła, układy chłodzenia.

Dlaczego akurat te problemy:

• Łączy je ten sam zakres fizyki — przepływ i jego wpływ na zachowanie obiektu. Doświadczenie z jednego obszaru pomaga w kolejnym.

• Ocena jednego wariantu wymaga kosztownej symulacji albo eksperymentu. W praktyce projektant porównuje więc kilka wersji, a nie kilkaset.

• Kryteriów jest wiele i często są sprzeczne, a trzeba je optymalizować łącznie — opór, stateczność, zasięg, efektywność energetyczna, ładunek, wymagania produkcyjne.

• Tam, gdzie geometria da się sparametryzować, a fizyka policzyć lub zmierzyć — to warunek, żeby model zastępczy w ogóle miał sens.

Siedem kroków od pomysłu do kształtu

Dla każdej klasy obiektów budujemy osobną geometrię, fizykę i modele, bo kadłub i wirnik to zupełnie inne światy. Sama droga od pomysłu do gotowego kształtu wygląda jednak zawsze podobnie.

• 1

  Geometria

  parametryzujemy kształt i sprawdzamy, które warianty są fizycznie i produkcyjnie dopuszczalne dla danej klasy obiektu.

• 2

  Fizyka

  kodujemy prawa i ograniczenia środowiska przepływowego oraz wymagania normowe i produkcyjne w postaci możliwej do wykonania maszynowo.

• 3

  Dane syntetyczne

  z zakodowanej fizyki generujemy zbiory uczące, kontrolując pokrycie przestrzeni projektowej.

• 4

  Uczenie maszynowe

  budujemy modele zastępcze, które oceniają wariant w sekundach zamiast godzin symulacji; active learning wskazuje, które kolejne symulacje wniosą najwięcej informacji.

• 5

  Weryfikacja

  eksperyment i/lub CFD jest obowiązkowym punktem kontrolnym, z zapisem wersji modelu, historii iteracji i poziomu zaufania do wyniku.

• 6

  Optymalizacja wielokryterialna

  szukamy geometrii, która jednocześnie spełnia sprzeczne kryteria techniczne, zamiast poprawiać jeden parametr kosztem pozostałych.

• 7

  Eksport

  przekazujemy geometrię i parametry w formatach do dalszej pracy inżynierskiej (m.in. STEP), do istniejącego stacku CAD/CAE.

Nasze rozwiązania nie zastępują programów CAD ani symulacji CFD. Działają wcześniej: pomagają zdecydować, które warianty w ogóle warto liczyć.

HullGen, nasz pierwszy produkt

Wczesny etap projektowania kadłubów statków jest dziś zbyt wolny i kosztowny. Klasyczna ścieżka wymaga wielu iteracji i drogich analiz CFD, więc zespoły porównują zbyt mało wariantów, a błędne decyzje wychodzą na jaw dopiero na późnych, drogich etapach projektu.

HullGen ma to zmienić. Na podstawie zadanych ograniczeń i celów generuje kolejne warianty kadłuba i wskazuje te, które najlepiej spełniają założenia.

HullGen 1.0 działa w oparciu o 45 parametrów kształtu, kontroluje 49 ograniczeń geometrycznych, a zachowanie kadłuba w wodzie ocenia 138 wskaźników. Jeden wariant powstaje w kilka sekund.

HullGen 1.0 znajduje się na poziomie TRL 4. Oznacza to działający zintegrowany demonstrator technologii w środowisku laboratoryjnym. Nie jest to jeszcze gotowy produkt wdrożeniowy. Przykładowy wynik pracy: wariant kadłuba o ok. 27% niższym oporze falowym w analizowanym punkcie pracy (11 km/h); to wynik wewnętrzny, przed niezależną walidacją CFD i eksperymentalną.

Obecnie budujemy HullGen 2.0 w nowej architekturze, wykorzystując nabytą wiedzę i doświadczenie. Nowa wersja powstaje z myślą o małych bezzałogowych jednostkach ślizgowych (USV). W ramach prac planujemy przeprowadzić niezależną walidację we współpracy z Centrum Techniki Okrętowej: symulacje CFD i badania basenowe na modelach fizycznych.

Istniejący demonstrator pokazujemy podczas rozmowy. Nie jest to produkt wdrożeniowy, ale dobrze widać na nim sposób pracy narzędzia, logikę optymalizacji i formę wyniku.

Kolejne kierunki

Kolejnym kierunkiem, w którym rozpoczynamy prace, są wirniki wentylatorów promieniowych: inny obiekt i inne środowisko niż kadłub, ale ten sam typ problemu. Dalsze zastosowania — m.in. śruby, turbiny, komponenty aerodynamiczne — rozważamy selektywnie, w oparciu o rozeznanie rynku i partnera walidacyjnego.

Gdzie występują problemy przepływowe

Poniższe zestawienie opisuje rynek, nie nasze plany produktowe. Pokazuje, jak szeroki jest teren, na którym działa jedna specjalizacja.

Wspólny mianownik: geometria wpływa na przepływ, przepływ na koszt eksploatacji, a sprawdzenie każdego pomysłu wymaga kosztownej symulacji albo badania.

Przewaga, która rośnie z każdym zastosowaniem

Każda klasa problemu przepływowego ma własną geometrię, fizykę i modele. Z każdym zastosowaniem kumulują i przenoszą się inne zasoby i to właśnie buduje przewagę.

• Wiedza, jak parametryzować geometrię i kodować fizykę przepływu tak, żeby mogła się na niej uczyć sztuczna inteligencja.

• Dane: wygenerowane duże syntetyczne zbiory danych oraz uzyskane z symulacji i eksperymentów.

• Reguły i sposoby weryfikacji, które raz opracowane, służą w kolejnych projektach.

• Partnerzy walidacyjni: ośrodki badawcze, uczelnie, firmy z branży.

Porozmawiajmy