ENSIMA - Energieoptimiertes High-Performance Computing für Finite-Elemente-Simulationen in der Produktentwicklung

Abstract

Beim Produktdesign spielen numerische Simulationen in vielen Anwendungen eine Schlüsselrolle. Mit ihrer Hilfe können Auswirkungen von Designentscheidungen auf die Herstellbarkeit und die Maßhaltigkeit eines Produktes vorhergesagt werden, ohne dass Prototypen erstellt werden oder zeit- und ressourcenaufwendige Versuchsreihen durchgeführt werden müssen. Auf diesem Wege tragen Simulationen im Sinne des "Green by HPC"-Prinzips dazu bei, Produktentwicklungsprozesse ökologischer zu gestalten. Allerdings ist der Designspace wegen der hohen Anzahl der verfügbaren Parameter oft sehr groß, so dass die Optimierung dieser Designparameter extreme Rechenressourcen benötigen und somit auch selbst einen sehr hohen Energiebedarf bedingen kann. Es ist daher im Sinne des "Green HPC"-Konzepts erstrebenswert, Methoden bereitzustellen, deren Anwendung diesen Energiebedarf reduzieren kann. Das von BMFTR (früher BMBF) geförderte Vorhaben "Energieoptimiertes High-Performance Computing für Finite-Elemente-Simulationen in der Produktentwicklung" (ENSIMA) widmet sich dieser Thematik für einen aus Sicht der Parameteroptimierung besonders komplexen und herausforderungsreichen Prozess, nämlich die Blechumformung durch das sog. Tiefziehverfahren, das in zahlreichen Produktionsvorgängen der Metallverarbeitung, z.B. in der Automobil-, Hausgeräte- und Rüstungsindustrie, von großer Bedeutung ist. Konkret wurde im Projekt untersucht, wie durch Kombination (ggfs. verbesserter) klassischer Simulationstechniken mit Methoden des maschinellen Lernens und der künstlichen Intelligenz die Anzahl der benötigten Simulationsrechnungen deutlich verringert und somit der Energiebedarf für die Simulationen reduziert werden kann. Darüberhinaus sollen zusätzlich auch noch die Qualität und die Effizienz der realen Prozesse gesteigert werden. Auf diese Weise wird gleichzeitig sowohl der "Green by HPC"- als auch der "Green HPC"-Gedanke berücksichtigt und damit eine aus ökonomischer und ökologischer Sicht wünschenswerte umfassende Optimierung ermöglicht.