Synthèse
Le prototypage numérique utilisant la modélisation et la simulation devient une pratique standard dans les processus d'ingénierie actuels. Dans le cadre de la conception de gros appareils complexes, le prototypage numérique fait toutefois appel à des solveurs 3D multiphysiques qui s'exécutent sur des supercalculateurs coûteux. OnScale permet de réaliser un prototypage numérique à l'aide de ses solveurs multiphysiques éprouvés et fiables qui s'exécutent sur des clusters Google Cloud équipés de processeurs Intel® Xeon® Scalable de 2ᵉ génération. Le service d'OnScale équipé de technologies Intel et Google Cloud aide les entreprises à accélérer la mise sur le marché des produits et à réduire les coûts de R&D en compensant le coût élevé des prototypes physiques à l'aide de prototypes numériques très précis.
Défi
Le prototypage numérique est aujourd'hui un élément clé de la conception et de l'ingénierie. Par rapport aux processus classiques de prototypage physique, de tests et de vérification, le prototypage numérique permet de réaliser des économies, accélère les délais de R&D et réduit les risques liés au développement de nouvelles technologies.
Dans le cadre de projets complexes, le prototypage numérique nécessite toutefois de résoudre simultanément plusieurs problèmes multiphysiques de taille (électriques, thermiques, mécaniques, matériaux, etc.). Plus le problème est compliqué et nécessite une précision élevée, plus il exige des niveaux de calcul de plus en plus élevés. Les stations de travail actuelles, qui possèdent jusqu'à 48 cœurs ou plus par processeur, aident les ingénieurs à comprendre un aspect de l'espace de conception. Sans les capacités de calcul des supercalculateurs, les ingénieurs doivent cependant procéder à des approximations intelligentes pour adapter les charges de travail de simulation à des problèmes de conception plus complexes.
Pour les grands projets plus complexes, les ingénieurs ont besoin de la puissance des supercalculateurs. Dans ces applications d'ingénierie, de nombreux phénomènes physiques sont simulés en 3D à l'aide de solveurs multiphysiques pour comprendre la conception dans sa totalité. De plus, les études de prototypage numérique très détaillées couvrant les nombreux paramètres des options de conception aident les ingénieurs à optimiser de nouveaux projets complexes rapidement.
Les gros ordinateurs et les licences des logiciels d'ingénierie qu'ils utilisent sont coûteux, même pour les entreprises. Les capacités internes de simulation limitent également le nombre d'ingénieurs capables d'accéder aux ressources de simulation, en raison de la taille des charges de travail de simulation, d'une capacité de calcul locale limitée et de la disponibilité des licences de logiciels de simulation pour un nombre fixe d'utilisateurs. De plus, le développement des ressources internes grâce à l'ajout de licences et d'une plus grande capacité de calcul entraîne également une complexité accrue pour les services informatiques en matière de déploiement et de gestion du matériel et des logiciels.
Les contraintes matérielles et logicielles liées au traitement traditionnel sur site ou sur PC de bureau entravent le travail des ingénieurs, ce qui limite leur potentiel d'innovation.
Solution
OnScale, une nouvelle plateforme SaaS (logiciels en tant que service) Cloud de simulation d'ingénierie, exécute ses solveurs multiphysiques éprouvés et fiables à la demande sur Google Cloud. Sa solution, équipée de processeurs Intel® Xeon® Scalable de 2ᵉ génération, offre des capacités de prototypage numérique complètes aux ingénieurs qui travaillent pour des entreprises de toutes tailles dans le monde entier.
« Nos solveurs multiphysiques décrivent l'univers physique de manière numérique », explique Ian Campbell, PDG d'OnScale. « Nos solveurs sont utilisés depuis des dizaines d'années par des ingénieurs civils, des concepteurs de semi-conducteurs, des ingénieurs en mécanique et des ingénieurs d'organismes et d'entreprises publiques. Ils ont besoin des ressources combinées de solveurs multiphysiques complexes exécutés sur des supercalculateurs ».
Le traitement multiphysique sur le Google Cloud évolutif simplifie le prototypage numérique
Les solveurs, initialement développés par l'entreprise d'ingénierie Weidlinger Associates (qui fait maintenant partie de Thornton Tomasetti), ont été adaptés par OnScale pour exploiter la puissance du Cloud. Les solveurs ont été conçus pour fonctionner sur des systèmes de calcul massivement parallélisés à l'aide de la bibliothèque Intel® MPI (Message Passing Interface). OnScale les a optimisés pour les étendre à des milliers de nœuds sur Google Cloud. Grâce à cette innovation, ces solveurs sont parfaitement adaptés aux déploiements flexibles et à la demande dans des environnements Cloud.
Figure 1. Simulation paramétrique piézoélectrique, structurelle et acoustique complète en 3D d'un PMUT MEMS pour les applications de capteurs d'empreintes digitales ultrasoniques. Résultats de simulation fournis avec l'autorisation d'OnScale.
Un modèle opérationnel SaaS permet aux entreprises de toutes tailles de tirer parti de puissantes capacités de simulation, sans devoir se soucier des complexités et du coût des logiciels et du matériel internes. De plus, grâce aux avancées réalisées ces dernières années en matière de mise à l'échelle des instances Google Cloud, l'adaptation des capacités de calcul aux demandes des charges de travail dans les environnements Cloud est plus simple et plus rapide. Le résultat est que les gains réalisés en matière d'accélération surpassent le coût des cœurs supplémentaires nécessaires pour les obtenir. Les ingénieurs peuvent bénéficier de délais de réalisation plus courts sans accroître les coûts (Figure 2).
La figure 2 illustre une simulation mécanique OnScale avec 2 millions de degrés de liberté (ddl), exécutée sur du matériel Cloud avec un nombre varié de cœurs physiques. Avec une augmentation d'environ 4 fois du coût de calcul (en fonction des heures-cœur), le travail a été environ 8 fois plus rapide, avec une réduction de la durée d'exécution de 11 minutes à 1,5 minute.
L'IA mène la configuration des clusters
« Notre plateforme de simulation s'appuie principalement sur des instances C2 Google Cloud optimisées pour le calcul et M2 optimisées pour la mémoire », ajoute Ian Campbell. « Nous avons mesuré les performances de nombreuses configurations Google Cloud et nous savons donc comment nos logiciels de simulation fonctionnent à grande échelle sur du matériel Cloud. Nous avons créé un moteur de machine learning et formé nos modèles sur un demi-million de simulations. Cela signifie que lorsqu'un ingénieur lance une nouvelle étude de simulation, notre IA peut créer la meilleure configuration Cloud en fonction de ses besoins, optimisée pour la précision, le coût et la durée d'exécution ».
Les ingénieurs définissent leur simulation, chargent les modèles 3D et choisissent les priorités de leur étude : précision, budget et délais d'obtention de solutions. L'IA d'OnScale fournit ensuite une estimation de la précision, du coût et des délais d'exécution de la simulation. Lorsque l'ingénieur exécute le travail, Cloud Orchestrator d'OnScale construit une configuration de supercalculateur Cloud sur mesure équipée de processeurs Intel Xeon® Scalable, en fonction des charges de travail et des priorités sélectionnées. Par exemple, il utilise des processeurs Intel® Xeon® Scalable de 2ᵉ génération pour trouver des solutions rapides et de grande précision, s'il s'agit de la priorité sélectionnée. Grâce au moteur de gestion Kubernetes Management Engine de Google, les ingénieurs peuvent commencer à construire leurs prototypes numériques avec OnScale avec de très faibles délais d'attente. Parmi les outils logiciels Intel utilisés par OnScale afin de compiler et d'optimiser ses solveurs pour l'architecture Intel et de bénéficier de hautes performances et d'une plus grande efficacité au niveau du code, on compte :
- Bibliothèque MPI Intel®
- Intel® Math Kernel Library
- Compilateur Fortran Intel®
« Au fil des ans, nous avons ajouté de nouvelles capacités et fonctionnalités à nos solveurs et à notre plateforme, permettant de définir par exemple comment nous procédons à une composition de domaine avancée et à un équilibrage dynamique de la charge », commente Ian Campbell. « Par exemple, au cours d'une simulation, si la charge de travail atteint les limites de la configuration du cluster, nous pouvons interrompre la simulation. Nous construisons ensuite un nouveau cluster avec plus de ressources et redémarrons la simulation au point où elle a été interrompue, le tout de manière transparente pour l'ingénieur ».
La plateforme OnScale surveille ses propres performances et processus. Une fois qu'une étude de simulation est terminée, les métadonnées sur les performances de la plateforme sont retournées au moteur de machine learning afin de peaufiner davantage la capacité d'OnScale à prévoir précisément les meilleures configurations de clusters pour des simulations futures.
« Nous examinons de près les nouvelles technologies Intel® », explique Ian Campbell. « Les instances M2 de Google Cloud avec une mémoire importante sont intéressantes. Une grande capacité de mémoire nous permettra de passer facilement de la simulation massive sur un grand cluster à la visualisation des résultats de la simulation sur une machine beaucoup moins puissante sans devoir déplacer les données de la mémoire au stockage, puis à nouveau en mémoire dans un nouveau conteneur. Cela permet de gagner un temps considérable et de réduire les coûts ».
OnScale expose également ses capacités d'IA et de machine learning (ML) afin de permettre à ses clients finaux de les utiliser en combinaison avec la simulation multiphysique.
L'IA et le ML font partie intégrante de nos offres de services », explique Ian Campbell. « Par exemple, les ingénieurs peuvent utiliser des ensembles de données simulés pour former des algorithmes d'IA embarqués, ce qui permet de réduire considérablement le temps et les coûts nécessaires à la création d'ensembles de données physiques à partir de prototypes physiques. Nous examinons la possibilité d'intégrer TensorFlow et d'autres méthodes de machine learning directement à nos offres pour que nos clients puissent en profiter. Les technologies comme Intel® Deep Learning Boost sont très intéressantes pour nos solutions ».
Résultat
Le meilleur moyen d'établir la précision du prototypage numérique est de corréler les résultats des simulations à ceux de l'expérimentation. Polytec, un leader mondial des solutions de mesure optique, développe, produit et distribue des instruments et fournit des services d'essais non destructifs (END) pour l'industrie et la recherche. Ses solutions de mesure optique capturent la réponse mécanique directe avec une grande précision et sensibilité, ce qui permet aux ingénieurs d'évaluer les prototypes physiques : propriétés des matériaux, structures et appareils utilisés dans les secteurs de l'aérospatiale, de l'automobile, de la médecine, des nanotechnologies et d'autres industries. Après la conception, les ingénieurs utilisent OnScale pour créer un prototype numérique et optimiser le concept, puis se tournent vers le matériel Polytec pour valider les prototypes physiques par expérimentation.
Polytec a montré la précision des outils OnScale en comparant les résultats de la simulation d'un prototype numérique aux mesures réalisées sur un prototype physique. Ils ont effectué des expériences sur un bloc d'essai en acier inoxydable physique et ont comparé les mesures à une simulation. Dans cette expérience, un transducteur monté sur le bloc injecte des ondes élastiques haute fréquence dans le matériau et capte les réflexions émises par le biais de trous percés dans le bloc. La corrélation des résultats de simulation et des mesures physiques est illustrée dans la figure 3. Les résultats de la simulation du prototype numérique ont prévu précisément les données expérimentales du prototype physique capturées par Polytec.
Figure 3. Résultats de l'expérimentation Polytec d'un vibromètre Doppler à laser comparés aux résultats de la simulation OnScale (publiés avec l'aimable autorisation d'OnScale).
« En définitive, le partenariat entre OnScale, Intel et Google Cloud a produit une solution de simulation d'ingénierie complète dont la vitesse n'a aucune commune mesure avec les solutions de PC comparables », Ian Campbell, PDG, OnScale
Les chercheurs de l'Université de Washington utilisent OnScale pour concevoir des technologies d'imagerie oculaire révolutionnaires pour l'élastographie par cohérence optique (ECO). Cette méthode non invasive et sans contact permet aux cliniciens de quantifier et de détecter les changements de l'élasticité cornéenne et de la pression intraoculaire pour mieux identifier et surveiller les conditions ophtalmiques (par exemple, le kératocône et le glaucome) et informer les interventions thérapeutiques (par exemple, LASIK, photokératectomie réfractive et réticulation cornéenne). Leur technologie mesure de manière non invasive les propriétés mécaniques de la cornée en utilisant des ondes de propagation mécaniques sur la cornée excitées par un transducteur acoustique pneumatique. Grâce à la tomographie par cohérence optique (TCO), ils peuvent créer des images des ondes de propagation mécaniques, ce qui permet de cartographier l'élasticité cornéenne.
Les ondes de cisaillement revêtent une importance particulière pour la technologie TCO. L'équipe de recherche utilise OnScale pour modéliser l'excitation et la propagation des ondes de cisaillement dans des tissus biologiques simulés (soit un prototype numérique de l'œil humain), dont la cornée présente des enjeux uniques. Grâce à OnScale, les chercheurs ont pu créer un modèle bidimensionnel fiable d'éléments finis qui correspond étroitement à leur système d'ECO expérimental et à ses mesures. Les recherches en cours sont décrites dans « Le micro-tapping acoustique dans l'imagerie 4D de l'élasticité des tissus » et « Isotropie transversale quasi incompressible (NITI) de l'élasticité cornéenne : modèle et expérimentations avec ECO à micro-tapping acoustique ».
Vestas conçoit et fabrique des solutions d'éoliennes pour le secteur de l'énergie. Un des composants les plus importants est la pale gigantesque (allant jusqu'à 80 mètres de long), fabriquée avec des matériaux composites, des plastiques, de la fibre de carbone et de la résine, entre autres. Les lames sont soumises à de nombreuses contraintes sur toute leur longueur et notamment au niveau de la monture. Vestas a dû concevoir différents outils, tels que des systèmes de tests à ultrasons, pour vérifier la conception et la qualité de fabrication et détecter d'éventuelles anomalies. La conception des systèmes de tests à ultrasons pour matériaux composites n'est toutefois pas aussi bien comprise que pour d'autres matériaux.
« De nombreux phénomènes compliqués interviennent lors de l'utilisation d'ultrasons sur des matériaux composites », explique Jason Hawkins, ingénieur de tests chez Vesta. « Selon la direction dans laquelle l'onde se déplace, elle peut avoir différentes vitesses et cela peut être très compliqué à lire sur un écran. Vous pouvez améliorer le processus de détection si vous pouvez effectivement le simuler. Vous pouvez voir les processus résultants, comme les ondes primaires et secondaires réfléchies, d'après ce que vous mesurez. Nous ne pouvions pas le faire auparavant ».
La capacité de réaliser des simulations numériques offre aux ingénieurs de nouvelles informations sur la façon dont le matériau répond à l'excitation des ultrasons dans le cadre des examens non destructifs. Forts de ces nouvelles connaissances, ils peuvent créer des inspections qui n'étaient pas possibles auparavant et améliorer la conception et la fabrication.
Synthèse de la solution
Le prototypage numérique accélère le développement tout en réduisant les coûts et la dépendance envers les prototypes physiques. Les prototypes numériques nécessitent toutefois souvent des calculs intensifs que seuls des supercalculateurs et des solveurs multiphysiques avancés peuvent offrir, mais dont l'acquisition et l'exploitation en interne sont coûteuses. OnScale offre des solveurs multiphysiques fiables qui s'exécutent à la demande sur Google Cloud sur des processeurs Intel® Xeon® Scalable, ce qui rend ces puissantes capacités accessibles à davantage d'organisations.
« En définitive, le partenariat entre OnScale, Intel et Google Cloud a produit une solution de simulation d'ingénierie complète dont la vitesse n'a aucune commune mesure avec les solutions de PC comparables », conclut Ian Campbell. « Cela signifie que les ingénieurs peuvent être plus productifs et nous apporter les technologies futures à moindre risque, à moindre coût et avec des délais de mise sur le marché plus courts ».
Composants de la solution
- Solveurs multiphysiques OnScale et SaaS Cloud de simulation d'ingénierie.
- Solutions de prototypage numérique pour l'ingénierie et la recherche industrielles.
- Instances M2 Google Cloud.
- Instances C2 Google Cloud s'appuyant sur des processeurs Intel® Xeon® Scalable de 2ᵉ génération.