تغییر در سمت Cloud-Native Parametric Workflows

تیم های مهندسی که بر روی پروژه های پارامتری بزرگ کار می کنند، با مجموعه ای منحصر به فرد از چالش ها مواجه هستند: بارهای محاسباتی عظیم، تکرار طراحی مکرر و همکاری محکم در گروه های توزیع شده. رویکرد سنتی شبیه سازی های در حال اجرا در ایستگاه های کاری محلی یا خوشه های HPC ثابت به طور فزاینده ای قادر به همگام سازی با مقیاس و پیچیدگی کارهای مهندسی مدرن نیست. محاسبات ابری جایگزین عملی را با ارائه می دهد و ارائه می دهد تا ابزارهای دسترسی به طور استراتژیک را کاهش دهد.

تعریف مهندسی پارامتری در مقیاس

مهندسی پارامتریک یک روش است که متغیرهای طراحی به عنوان پارامترهای بیان می شوند.تغییر یک پارامتر به طور خودکار کل مدل را به روز می کند، مهندسان را قادر می سازد تا هزاران جایگزین طراحی را به سرعت بررسی کنند.در صنایعی مانند هوافضا، خودرو، معماری و انرژی تجدید پذیر، مدل های پارامتریک می توانند حاوی میلیون ها از متغیرهای متقابل باشند.

توانایی اجرای ردیاب پارامتریک، تجزیه و تحلیل حساسیت و بهینه سازی های چند منظوره به طور موازی یک محرک کلیدی برای پذیرش ابر است.با توجه به گزارش Deloitte در مورد تصویب ابر مهندسی [FLT 1]، سازمان هایی که شبیه سازی های کاری را به ابر حرکت می دهند می توانند زمان طراحی را تا 30٪ کاهش دهند در حالی که دامنه طراحی را گسترش می دهند.

مزایای اصلی محاسبات ابری برای پروژه های پارامتری

قابلیت Elastic Scalability برای شبیه سازی Bursts

مطالعات پارامتری اغلب نیازمند اجرای صدها یا هزاران نمونه شبیه سازی به طور همزمان است.ارائه دهندگان ابر مانند AWS، Azure و Google Cloud به تیم ها اجازه می دهند تا صدها دستگاه مجازی را در صورت تقاضا بچرخانند، هر کدام از آنها مجموعه ای متفاوت از ترکیبات پارامتری را انجام می دهند که این کشش نیاز به حفظ سخت افزار های بی هزینه را از بین می برد.

بهره وری هزینه از طریق مدل های Pay-as-You-Go

زیرساخت های سنتی HPC شامل هزینه های سرمایه گذاری بزرگ و هزینه های نگهداری مداوم است. [۵] محاسبات ابری این را به هزینه عملیاتی تغییر می دهد.تیم ها فقط برای زمان محاسبه و ذخیره سازی استفاده می کنند، با توانایی خاموش کردن منابع در هنگام لزوم، نمونه های ذخیره شده یا موارد نقطه می توانند هزینه های بیشتری را برای کار قابل پیش بینی کاهش دهند. ALT 2023 [F:0Mccsey تجزیه و تحلیل هزینه های مهندسی [۴۰]

توسعه همکاری و کنترل نسخه

سیستم عامل های مبتنی بر ابر یک منبع واحد از حقیقت را برای مدل های پارامتریک، نتایج شبیه سازی و تاریخ طراحی فراهم می کنند. تیم ها در مناطق مختلف زمان می توانند به داده های مشابه دسترسی داشته باشند، نتایج را در زمان واقعی تجسم کنند و بدون انتقال فایل های بزرگ، ابزارهایی مانند Directus، هنگامی که در ابر مستقر می شوند، مهندسان را قادر می سازد تا متاداده ها، تنظیمات پارامتر ها را مدیریت کنند و تغییرات طراحی را از طریق یک لایه داده های یکپارچه ردیابی کنند.

انعطاف پذیری در انتخاب ابزار

محیط های ابری از طیف گسترده ای از نرم افزار مهندسی پشتیبانی می کنند - از ANSYS و زیمنس Simcenter تا ابزارهای منبع باز مانند OpenFOAM و CalculiX. تیم ها می توانند AMIs سفارشی (عکس های ماشین آمازون) یا تصاویر container را با پشته نرم افزار دقیق مورد نیاز تنظیم کنند.این انعطاف پذیری به بخش های مهندسی اجازه می دهد تا با ابزار جدید آزمایش کنند یا شبیه سازی های طولانی را بدون چرخه های تدارکات تنظیم کنند.

پیاده سازی راه حل های Cloud در جریان های کاری مهندسی

انتقال گردش های کاری پارامتریک به ابر یک فرایند یک کلیکی نیست، بلکه نیاز به برنامه ریزی دقیق معماری داده، امنیت و آموزش تیم دارد.در زیر، سازمان های کلیدی باید برای اطمینان از یک انتقال موفق، مراحل کلیدی را دنبال کنند.

الزامات پروژه و برنامه کار بارگذاری

با شناسایی اینکه کدام وظایف پارامتریک بیشتر از کاندیداهای مقیاس ابری بهره می برند، شامل حرکات پارامتری بزرگ، شبیه سازی مونت کارلو، حلقه های بهینه سازی و تجزیه و تحلیل حساسیت است.ارزیابی حجم داده ها، زمان محاسبه و فرکانس اجرا می شود.استفاده از این ارزیابی برای انتخاب بین نمونه های محاسباتی کلی، نمونه های GPU-Staterated برای CFD یا FEA، یا موارد بالا برای تجزیه و تحلیل بزرگ.

انتخاب خدمات Cloud و معماری

ارائه دهندگان ابر عمده خدمات HPC تخصصی ارائه می دهند:

  • HPC [FLT: ParallelCimmer، Batch و EC2 Spot Instances برای شبیه سازی های موازی مقرون به صرفه].
  • Azure HPC ؛ سیکلCloud، HBv4 VM سری برای حجم کار حافظه فشرده.
  • Google Cloud HPC ؛ Cloud Batch، Google Compute Engine با خانواده های VM بهینه شده است.

بسیاری از سازمان های مهندسی یک معماری هیبریدی را اتخاذ می کنند: ذخیره مدل های پارامتریک و نتایج در ذخیره سازی اشیاء ابری (به عنوان مثال، S3، Blob Storage) با لایه متاداده (به عنوان مثال Directus) برای برچسب گذاری و بازیابی شبیه سازی اجرا می شود. منابع تکمیل شده در تقاضا از طریق اسکریپت های ارکستر یا خط لوله CI / CD ارائه می شوند.

امنیت داده ها و سازگاری

مالکیت فکری مهندسی - مدل های پارامتری، نتایج شبیه سازی، روش های طراحی - بسیار حساس است.

  • رمزگذاری در استراحت و در حمل و نقل [FLT 1] با استفاده از راه حل های KMS ابری.
  • عدم رعایت و مدیریت دسترسی (IAM) با سیاست های حداقل درجه یک.
  • انزوای شبکه از طریق VPCs، Subnet های خصوصی و اتصالات VPN.
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱]] [۱]] [۱] [۱]] برای ردیابی تمام دسترسی به داده های پارامتریک [۶]

برای صنایع تنظیم شده مانند هوافضا و دستگاه های پزشکی، مناطق ابری را انتخاب کنید که مطابق با استانداردهای مانند ITAR، HIPAA یا FedRAMP هستند.

توسعه گردش های کاری مقیاس پذیر و اتوماسیون

ارائه دستی از منابع ابر برای مطالعات پارامتریک مکرر پایدار نیست.استفاده از ابزارهای زیرساختی به عنوان کد (Terraform، AWS CDK) برای تعریف محیط های قابل استفاده مجدد محاسبه است.اجرا کار با ابزارهایی مانند Apache Airflow یا AWS Step functions برای پارامتر های پارامتری زنجیره ای، جمع آوری داده ها و پس پردازش.به عنوان مثال، یک جریان کار می تواند موارد شبیه سازی مستقیم را بخواند.

غلبه بر چالش های مشترک

انتقال داده ها

انتقال مدل های شبیه سازی بزرگ (gigabytes به terabytes) بین ذخیره سازی در پیش بینی و ابر می تواند باعث تاخیر شود. Solutions شامل استفاده از دروازه های ذخیره سازی ابری، لینک های اتصال مستقیم یا هارد حمل و نقل فیزیکی برای انتقال فله اولیه است.

مدیریت هزینه های Cloud

بدون حکمرانی مناسب، هزینه های ابری می تواند هشدار بودجه را تنظیم کند، از مواردی که ممکن است استفاده کند و سیاست های خودکار را اجرا کند که منابع بی وقفه را خاتمه می دهد.تا همه منابع را با پروژه یا کاربر برای تضمین هزینه های حسابرسی به طور منظم هزینه ها کمک می کند تا موارد کم مصرف شده را شناسایی کنند که می توانند دوباره اندازه گیری یا متوقف شوند.

شکاف مهارت در تیم های مهندسی

مهندسان ممکن است در نرم افزار شبیه سازی ماهر باشند، اما با عملیات ابری آشنا نیستند، در برنامه های آموزشی سرمایه گذاری می کنند، معماران ابر را استخدام می کنند یا با خدمات حرفه ای درگیر می شوند. بسیاری از ارائه دهندگان ابر، HPC را با گواهینامه های خاص ارائه می دهند. شروع با یک پروژه آزمایشی کوچک می تواند اعتماد به نفس ایجاد کند و ROI را قبل از مقیاس نشان دهد.

مطالعات موردی واقعی در جهان

فضا: Parametric Airfoil Optimization

یک تولید کننده بزرگ هواپیما از HPC برای اجرای بهینه سازی چند منظوره از اشکال هوائی بال استفاده کرد.آنها 50 پارامتر (camber، ضخامت، پیچ و غیره) را تعریف کردند و بیش از 10،000 نقطه طراحی را تولید کردند که هر نقطه نیاز به شبیه سازی CFD داشت.با استفاده از سیم های موازی با هزاران هسته، تیم تکمیل کامل در سه روز - یک کار که طول عمر بیش از شش ماه را در طراحی داخلی خود، کاهش داد.

مهندسی عمران: طراحی پل پارامتریک

یک شرکت مهندسی که در پل های طولانی مدت تخصص دارد، مدل سازی پارامتری مبتنی بر ابر را برای ارزیابی تاثیر نمرات مختلف مواد، ترتیبات کابل و فرضیات بار، با استفاده از ترکیبی از Azure Batch برای تجزیه و تحلیل ساختاری و Directus برای مدیریت پارامترهای طراحی، آنها فاز طراحی را از 12 هفته به 4 هفته کوتاه کردند. راه حل ابر همچنین همکاری زمان واقعی بین مهندسان ساختاری در اروپا و تیم ساخت آسیا را کاهش داد.

آینده: AI و Cloud-Native Parametric Engineering

همگرایی محاسبات ابری، AI /ML و طراحی پارامتریک در حال باز کردن مرزهای جدید است. ابزارهای طراحی Generative اکنون می توانند از مدل های آموزش دیده ابری برای پیشنهاد پارامترهای بهینه به طور خودکار استفاده کنند. عوامل یادگیری تقویت کننده فضاهای طراحی را با تعامل با محیط های شبیه سازی ابر کشف می کنند.همانطور که هزینه های ابر همچنان به کاهش و تاخیر ادامه می دهد، ما می توانیم انتظار داشته باشیم که به طور کامل بهینه سازی های طراحی خودکار طراحی که در آن مدل های پارامتر های پارامتر های پارامتر های پارامتری بدون دخالت انسان تکامل می یابند.

علاوه بر این، معماری های بدون سرور و محاسبات لبه ممکن است به زودی اجازه دهد شبیه سازی پارامتری به جایی که داده ها تولید می شوند نزدیک تر شود - به عنوان مثال، گرفتن داده های سنسور زمان واقعی از یک نمونه اولیه و تغذیه آن به مدل پارامتریک برای سازمان های بازیافت پرواز در حال حاضر بهترین مکان برای بهره برداری از این قابلیت ها خواهد بود.

نتیجه گیری

محاسبات ابری صرفا یک ابزار صرفه جویی در هزینه برای مهندسی پارامتریک نیست - یک فعال استراتژیک نوآوری طراحی است.با ارائه محاسبات الاستیک، همکاری یکپارچه و ادغام ابزار انعطاف پذیر، ابر اجازه می دهد تا تیم های مهندسی برای مقابله با مشکلات که قبلاً غیرقابل ردیابی بودند، نیاز به یک رویکرد متفکرانه به معماری، امنیت، مهارت ها و مدیریت هزینه، اما سازمان هایی که مایل به سرمایه گذاری در انتقال، سرعت در طراحی پیچیده، کیفیت قابل توجه و کیفیت قابل توجه است: