Ressourcenschonendes Engineering durch KI-gestützte Strömungssimulation
Der Kunde
Die Syntegon Technology GmbH ist ein global führender Anbieter von Verpackungs- und Prozesslösungen für die Pharma-, Biotech- und Lebensmittelindustrie. Das Unternehmen entwickelt innovative, nachhaltige Technologien und unterstützt Kunden bei der Realisierung effizienter Produktionsprozesse – von der Entwicklung bis zur Serienproduktion. Mit langjähriger Expertise in Engineering und Simulation setzt Syntegon auf moderne Methoden wie HPC und KI, um Ressourceneffizienz und Produktqualität zu steigern.
Das Pilotprojekt
Im Pilotprojekt „FlowROM” verfolgte Syntegon das Ziel, rechenintensive CFD-Simulationen durch KI-gestützte Reduced-Order-Models (ROMs) grundlegend zu beschleunigen. Mithilfe neuronaler Netze sollen die physikalischen Zusammenhänge komplexer Strömungen so abstrahiert werden, dass mit einem Bruchteil des bisherigen Rechenaufwands zuverlässige Simulationsergebnisse erzielt werden können. Ein besonderer Fokus liegt auf der Entwicklung geometrieunabhängiger Modelle, die ohne aufwändige Parametrisierung auskommen und dadurch flexibel einsetzbar sind. Durch die Kombination von KI und High-Performance-Computing entsteht ein leistungsfähiges Engineering-Werkzeug, das Simulationszeiten drastisch reduziert und gleichzeitig Rechenressourcen schont. Das Projekt zeigt, wie KI-basierte ROMs industrielle Entwicklungsprozesse nachhaltig effizienter gestalten können.
Die Herausforderung
Für die Entwicklung eines universellen CFD-Ersatzmodells wurden verschiedene neuronale Netzwerkarchitekturen getestet. Als Trainingsdaten dienten Tausende scriptgesteuert generierte Simulationen zufälliger, korallenartiger 2D-Strömungsmuster. Die Erzeugung hochwertiger Trainingsdaten war eine Herausforderung, da sie Qualität und Generalisierungsfähigkeit des Modells bestimmt.
Ziel war ein geometrieunabhängiges Modell ohne explizite Parametrisierung, das lokale Details (z. B. Wirbel) und globale Zusammenhänge (z. B. Hindernispositionen) präzise abbildet. Bisherige Ansätze scheiterten oft an der Balance zwischen Generalisierung und Recheneffizienz. Zudem mussten Overfitting vermieden und physikalische Randbedingungen wie No-Slip-Bedingungen implizit erfüllt werden, ohne die Rechenleistung zu beeinträchtigen.
Das Ergebnis
Um ein CFD-Ersatzmodell aus Simulationsdaten zufälliger 2D-Muster zu erstellen, wurden verschiedene neuronale Netzwerkarchitekturen getestet. Die U-Net-Architektur (CNN mit Encoder-Decoder-Struktur und Skip Connections) erwies sich als optimale Lösung, da sie lokale und globale Strömungsinformationen effizient kombiniert. Sie rekonstruiert lokale Details (z. B. Wirbel) und globale Zusammenhänge (z. B. Hindernispositionen) und benötigt keine komplexen Feature-Engineering-Schritte, da die Geometrie als 2D-Array repräsentiert wird. Durch binäre Voxel und Physics-Informed Source-Terms werden Randbedingungen implizit erfüllt. U-Net generalisiert gut auf neue Geometrien, ist recheneffizient und ideal für die Approximation der Navier-Stokes-Gleichungen. Im Vergleich zu klassischen CFD-Simulationen reduziert es den Rechenaufwand um den Faktor 1000 bei gleichbleibender Genauigkeit. Die Methode ermöglicht Simulationen auf Standard-Hardware und Echtzeit-Analysen. Ein parallelisierter Workflow wurde implementiert und zeigt auf modernen GPUs eine Beschleunigung um den Faktor 10. Auf HPC-Systemen skaliert der Workflow optimal, nutzt die Rechenleistung maximal aus und reduziert die Gesamtlösungszeit im Vergleich zu CPU-basierten Verfahren um einen weiteren Faktor von 10 bis 100.
Wie geht es weiter
Als Nächstes wird die PINN-Architektur (Physics-Informed Neural Networks) evaluiert, um die Genauigkeit durch Integration physikalischen Wissens zu steigern. Dabei werden das Physics-Informed U-Net und DeepONet verglichen. Zudem erfolgt die Erweiterung von 2D auf 3D, wobei Trainingsdaten mit OpenFOAM auf HLRS-Ressourcen erzeugt und die Modelle dort trainiert werden. Langfristig soll die ROM-Methode auf Thermodynamik und Strukturmechanik ausgeweitet werden. Das Projekt wird im EuroCC-Projekt als Proof of Concept weitergeführt. Langfristig ist die Ausweitung der ROM-Methode auf Thermodynamik und Strukturmechanik geplant, um Engineering-Prozesse effizienter und nachhaltiger zu gestalten.