Zaman, mühendislik eğitiminde her zaman kısıtlıdır. İşverenler, mühendislerin simülasyon araçlarını kullanarak araştırma, tasarım ve geliştirme süreçlerini hızlandırabilmelerini bekler. Bazı eğitmenler, sayısal yöntemlerin türevleri, ayrıklaştırma yaklaşımları, turbulans modellerinin ayrıntıları gibi temel bilgileri öğretmeye uzun süreler ayırmaya çalışsan da, bu durum mühendislik öğrencilerinin daha yüksek düzeyde yetkinlik ve sezgilere sahip olmaları için zaman yaratmaktan alıkoyar.
Diğerleri ise uygulamalı bir yaklaşımı tercih ederek, öğrencilere yazılım eğitimleri ve daha karmaşık projelerde rehberlik yapmayı deniyor. Ancak bu yöntem, öğrencileri karmaşık arayüzlere ve sonsuz ayar seçeneklerine sahip simülasyon paketleri içinde kaybetme riski taşır. Bu da öğrencilerin sayısal yöntemlerin temellerini anlamalarına engel olur. Dolayısıyla, bu yaklaşım işverenlerin aradığı becerilerin gelişimini sağlamada yetersiz kalır.
Yeni Uygulama Yaklaşımı
Aşağıda, mühendislik öğrencileri için daha sezgisel ve güçlü bir otomatik hesaplamalı akışkanlar dinamiği (CFD) iş akışı geliştirdiğim yaklaşımı özetliyorum. Bu simülasyon aracı, NVIDIA Modulus’ı temel alarak, rastgele cisimler etrafında bir sayısal çözümleyici kullanarak AI modelini eğitmek için veri seti oluşturur. AI surrogat modeli, tasarım varyantlarını keşfetmek için kullanılarak öğrencilere sezgisel anlayış ve analiz becerileri geliştirebilecekleri kullanımı kolay bir deneysel platform sağlar.
Öğretim Araçlarındaki Zorluklar
Eğitmen olarak, mühendisleri nesnel ve yansıtıcı olmaya öğretmeye çalışıyorum. Mekanik mühendislik perspektifinden simülasyon araçlarının kullanımını değerlendirirken, sonlu eleman analizi ve hesaplamalı akışkanlar dinamiği tasarım ve analiz işlerini geliştirmek ve hızlandırmak için yaratılmış araçlardır. Bu araçların önemi, eğitmenlerin her birine özel dersler vermesine neden olmuştur. Ancak, simülasyon araçlarını bağımsız dersler olarak öğretmek, mevcut sorunu daha da kötüleştirmiştir.
Mühendislik simülasyon araçları, lisans müfredatında bağımsız dersler olarak yer almamalıdır. Tüm derslerde entegre olarak sürekli bir şekilde yer almalı, öğrencilere farklı karmaşıklıkta ve açılardan zorluklar sunarak bilgi ve aşinalık geliştirilmelidir. Eğitimcilerin, öğrencilerin gelecekteki işverenler tarafından beklenen daha yüksek düzeyde beceriler ve sezgiler geliştirmeleri için gereken zamanı sağlamalıdır.
Ötelenen Talepler
Simülasyon araçlarının öğretimi ve lisans mühendislik eğitiminde entegrasyonunun yeniden tasarlanması, önemli bir etki yaratabilir. Öğrenciler, programlarının başlangıcında simülasyon araçlarını öğrenir ve bu temel oluşturulursa, aynı eski tuzağa düşme riski de doğar: simülasyon araçlarını öğretmek için bir dersi tamamen ayırmak.
Görünüşe göre, simülasyon yazılımı ve teknolojilerinden daha fazlasını talep etmek mühendislerin elindedir. Hızlı, doğru ve zahmetsiz olmalıdır. Bu özellikler, mühendislerin eğitim müfredatları boyunca sürekli kullanmalarını sağlayacak araçlardır ve gelecekteki mühendislerin yetiştirilmesine katkıda bulunacaktır.
AI Modellerinin Öğretim Araçları Olarak Kullanımı
Tüm akışkan akış problemlerini ele almaya çalışmak yerine, öğrencilerimiz için bu özellikleri barındıran bir simülasyon aracı geliştirmeyi hedefledim.
MSOE’deki çoğu fluid ve aero ile ilgili yüksek lisans proje çalışmaları genellikle yer veya hava araçları etrafındaki akışları içermektedir. Bu kullanımları ele alarak, rastgele cisimler etrafındaki akışı simüle eden otomatik bir CFD iş akışı geliştirdim, aynı zamanda birçok geometrik varyant için de bunu sağladım. Oluşturulan veri seti, iç ve dış akış üzerinde yüzey stresleri ve kuvvetlerin türetilmesi için bir MeshGraphNet (MGN) yaklaşımını beslemek için kullanıldı.
NVIDIA Modulus’ı fizik-ML eğitim platformu olarak kullanarak birkaç yaklaşımı keşfettim. Otomatik iş akışının bir ilk versiyonu, fizik-bilgilendirilmiş sinir ağları (PINN’ler) kullanıyordu; ancak MGN sayesinde sağlanan azaltılmış bellek kullanımı ve hızlandırmalar bu problem için mükemmel bir uyum sağladı.
Öğrenciler İçin Engelleri Kaldırmak
MSOE’nin hesaplama kümesini (Rosie) ve öğrenci portalını (Open OnDemand) kullanarak, öğrencilerin simülasyonları başlatmalarını sağlayan basit bir web gönderim sayfası oluşturdum. Open OnDemand, daha geleneksel komut satırı arayüzü (CLI) gönderimlerini mümkün kılmanın yanı sıra, geliştirilmiş arayüzler ve etkileşimler için bir platform da sunmaktadır.
Öğrenciler 3D model yükler, bir Reynolds sayısı belirtir ve aracın hava veya kara temelli olup olmadığını ve AI destekli geri bildirim isteyip istemediklerini seçer. Simülasyonları başlattıktan sonra, öğrenciler işin tamamlandığında e-posta ile bilgilendirilir. Bu e-posta, sürüklenme, kaldırma ve yanal kuvvetler, basınç, yüzey gerilimi , ve geometriyi ekonomize etme konularında bilgiler içermektedir.
AI Destekli, Uçtan Uca Simülasyon İş Akışı
Rastgele, üçgenleştirilmiş ağları değiştiren bir programatik çözüm oluşturmaktansa, farklı bir yol izledim. Öğrenci tedarik edilen modeller, hacimsel veya voxel kopyaları oluşturmak için kaynak olarak kullanılıyor. Ardından bu hacimsel kopya, yüzeyindeki maddeleri ekleyerek ve çıkararak yüzlerce veya binlerce modifiye varyant oluşturmak için değişiklikler yapılıyor. Üretilen nesne ağları, eğitim, doğrulama ve çıkarım sürecinde kullanılıyor.
Bu hedef doğrultusunda, OpenFOAM adındaki geleneksel bir CFD çözücüsü kullanılarak eğitim ve doğrulama seti, orijinal geometri ve çeşitli modifikasyonlar olarak kullanılan modeller temin ediliyor. Üretilen nesne ağları toplamda 15-20M hücre ve 70-90K yüzey hücresinde değişiklik göstermektedir. Çözücüler 500 iterasyon yaparak tamamlanır.
OpenFOAM’dan aldığım çıktı, hem orijinal model hem de tüm varyantlar için yüzey gerilimini, basıncı ve kaymayı içerir. Bu veri seti daha sonra Modulus eğitim hattına MGN ile beraber gerekli geometrik modifikasyon parametreleri ile input olarak verilir. Eğitim, doğrulama ve test setleri için tahminler tamamlandığında, elde edilen sonuçlar karşılıklı olarak karşılaştırılır ve öğrencilere gönderilecek görüntü ve video geri bildirimi oluşturulmak üzere değerlendirilir.
Her paralel OpenFOAM çözümü, bir saatten fazla sürebilirken, DGX-1 sistemi üzerinde yapılan eğitim yaklaşık dört saat almaktadır ve yüklü bir ağda yapılan tahminler bir saniyeden az sürmektedir. Sanal rüzgar tünelini tasarlarken, veri setini oluşturugücü ve ardından dört NVIDIA V100 GPU üzerinde eğitim ve çıkarım yapmak amacıyla OpenFOAM’un paralel CPU çalışmaları ile kullandım. Rosie, NVIDIA H100 GPU’ları içerecek şekilde güncellendi ve rüzgar tünelinin hızlandırılması için kullanmayı dört gözle bekliyorum.
Ulaşılabilir CFD Simülasyonları
Öğrencilerin çözümü nasıl kullanacaklarını görmek amacıyla, geçen akademik yılda, sanal rüzgar tünelinin ilk OpenFOAM sürümünü öğrencilere sundum. Öğrencilerin bu araç zincirini kullanma oranları arttıkça, otomatik olarak varyant oluşturma, eğitim ve çıkarımı sağladım.
Genel çabanın meyveleri verdiği görünmektedir. Geçen akademik yıl, yüksek lisans projelerinde toplamda son on yılda gerçekleştirdiği deney sayısından daha fazla CFD analizi ve rüzgar tüneli deneyi gerçekleştirildi. Bu durum, öğrencilerin mevcut sistemi kullanarak daha çok deney yapmasına yardımcı oldu.
Sonuç
AI yazılımı ve teknolojilerindeki son gelişmeler, mühendislik araçları ve simülasyonlarına önemli ilerlemeler sağlamaktadır. Mühendislik simülasyon araçları ile etkileşim şeklimizi yeniden düşünmek için mükemmel bir zaman. Yeni nesil araçların, novice kullanıcılar, öğrenciler ve hatta en genç öğrenenler için uygun şekilde tasarlanması gerekiyor. Çocuklara, iteratif tasarım, biomimikri tasarımı, sezgi ve yüksek seviyede analiz yetenekleri öğretilebilir.
Dünyanın dört bir yanındaki eğitimciler, NVIDIA DLI Eğitim Kiti Programı’na katılarak AI yolculuklarına başlayabilirler. Ayrıca tüm ders içeriği NVIDIA On-Demand üzerinden tüm eğitimciler ve öğrenciler için açık bir şekilde sunulmaktadır. Araştırmacılar AI’yi keşfetmekle ilgileniyorlarsa, NVIDIA/modulus GitHub deposunda harika kaynaklar bulabilirler.
