שינוי לקראת זרימות עבודה פרדוקסליות של Cloud-Native Parametric

צוותי הנדסה הפועלים על פרויקטים בקנה מידה גדול של מטרימטרי עומדים בפני קבוצה ייחודית של אתגרים: עומס חישובי מסיבי, תכופים עיצוביים תכופים, ושיתוף פעולה הדוק על פני קבוצות מבוזרות.הגישה המסורתית של סימולציות ריצה על יצירות מקומיות או קבועות קבועות, HPC מקבץת יותר ויותר לא מסוגל לעמוד בקצב ובמורכבות של משימות הנדסיות מודרניות.ענן מציעה אלטרנטיבה מעשית על ידי מתן גישה גמישה, על הגישה לגישה ל-ידי שימוש כדי ל-זמנית, כדי ל-פעולה אסטרטגית, ו-מחדשנית, כיצד ניתן לבצע פעולות אחסון, וכן הלאה, וכן הלאה, כדי ל-מחדשניות, כיצד ניתן לשנות את אמצעי אחסון אסטרטגי, כדי לזרז, כדי לייעלות, כיצד ארגונים מתקדמים, כדי לזרז, כדי לזרז, כדי לייעלות, ולעצב, כדי לזרז את תהליכי אחסון, ולעצב, כיצד מערכות שיתוף פעולה אסטרטגית, כדי לפתח מערכות הפעלה מחדש של מערכות הפעלה, ולהגדיל את תהליכי אחסון, כדי לפתח מערכות הפעלה, ולהגדיל את תהליכי אחסון, ולהגדיל את תהליכי אחסון, ולהגדיל את תהליכי אחסון, ולהגדיל את תהליכי אחסון, ומורכבות של מערכות ההפעלה שלהם.

Defining Parametric Engineering at Scale

הנדסה Parametric היא מתודולוגיה שבה משתנים עיצוב מובעים כפרמטרים.שינוי פרמטר אחד באופן אוטומטי מעדכן את המודל כולו, המאפשר למהנדסים לחקור אלפי חלופות עיצוב במהירות.בתעשיות כמו אווירל, רכב, אדריכלות ואנרגיה מתחדשת, מודלים parametric יכולים להכיל מיליוני תלות הדדית.לדוגמה, הצורה האופטימלית של להב טורבינות תלויה בתכונות חומר, דינמיקה אוויר, עומסים מבניים - הכל בזכות דרישות מורכבות על פני מודלים חישוביים מרובים.

היכולת להפעיל גורים parametric, ניתוחי רגישות, ואופטימיזציה רב-אובייקטיביים במקביל הוא נהג מפתח לאימוץ ענן.על פי דוח FLT:0Deloitte על אימוץ ענן הנדסי אימוץ ענן אטומיFLT:1, ארגונים אשר מעבירים סימולציה עבודה עומסי עבודה לענן יכולים להפחית את זמני מחזור העיצוב עד 30% תוך הרחבת היקף המחקר.

יתרונות הליבה של מחשוב ענן לפרויקטים פארמטריים

אלסטיאל סקביליה לסימולציות

מחקרים פארמטריים דורשים לעתים קרובות לרוץ מאות או אלפי מקרים של סימולציה בו זמנית.ספקי ענן כמו AWS, Azure ו-Google Cloud מאפשרים לצוותים לספין מאות מכונות וירטואליות על הביקוש, כל טיפול במערך אחר של שילובים פרמטרים.גמישות זו מבטלת את הצורך לשמור על חומרה יקרה של idle.לדוגמה, יצרנית רכב המפעילה סימולציות ל-1,000 פרמטרים יכול להשלים את מלוא הסחף בשעות ולא שבועות על ידי קיבולת התפוצצות ענן.

עלויות יעילות באמצעות Pay-As-Go Models

תשתיות HPC מסורתיות כרוכות בהוצאות הון גבוהות יותר ובעלויות תחזוקה מתמשכים.ענן מסיט זאת על חשבון תפעולי.צוותים משלמים רק על זמן האחסון והאחסון שהם משתמשים בהם, עם היכולת לסגור משאבים כאשר לא נדרש.לשמור מקרים או מקרים של מקומות יכולים להפחית עוד עלויות עבור עומסי עבודה צפויים.

שיתוף פעולה משופר וגרסה

פלטפורמות המבוססות על ענן מספקות מקור אחד של אמת עבור מודלים parametric, תוצאות סימולציה והיסטוריית עיצוב.צוותים על אזורי זמן שונים יכולים לגשת לאותו נתונים, הדמיה תוצאות בזמן אמת, ולנהל ביקורות מבלי להעביר קבצים גדולים. כלים כמו Directus, כאשר הם פרוסים בענן, לאפשר למהנדסים לנהל metadata, לשתף פרמטרים, ולעקוב אחר שינויים בעיצוב באמצעות שכבת נתונים מאוחדת.

גמישות בבחירת כלי

סביבות ענן לתמוך מגוון רחב של תוכנות הנדסיות - מ ANSYS וסימנס מרכז ועד כלי קוד פתוח כמו OpenFOAM ו- CalculiX. Teams יכולים לסובב את AMIs מותאם אישית (תמונות מכונה אמזון) או תמונות מכולה מראש עם ערימה התוכנה המדויקת הנדרשת. גמישות זו מאפשרת למחלקות הנדסה להתנסות עם כלים חדשים או להתאים סימולציות ללא מחזורי רכש ארוכים.

יישום פתרונות ענן בהנדסת סוללות עבודה

העברת זרמי עבודה מטבוליים לענן אינה תהליך של לחץ אחד.הוא דורש תכנון זהיר של ארכיטקטורת נתונים, אבטחה ואימון צוות. להלן הם מרכזי הצעדים שארגונים צריכים לעקוב אחריהם כדי להבטיח מעבר מוצלח.

דרישות פרוייקט אספירין ומיפוי עבודה

התחל על ידי זיהוי אילו משימות parametric להפיק תועלת ביותר מדירוג ענן. מועמדים אופייניים כוללים גורפים גדולים, מונטה קרלו סימולציות, לולאות אופטימיזציה, ואנליזה רגישות. להעריך את נפח הנתונים, זמן מקביל נדרש, ותדירות של ריצות. השתמש בהערכה זו כדי לבחור בין מקרים כלליים compute compute, GPU-acerated מקרים עבור CFD או FEA, או גבוה ניתוח מבני עבור ניתוח גדול.

בחירת שירותי ענן ואדריכלות

ספקי ענן עיקריים מציעים שירותי HPC מיוחדים:

  • (ב) [ה]: [ה]] [ה]] [ה]]: מקבילה, באץ' ו-EC2 Spot Instances for Cost-efficients.
  • (ב) ,0אזור (ה-HPCIRFLT:1: CycleCloud, HBv4-series VMs for Memory-intensive Worksloads.
  • (ב) ,0) Google Cloud HPCirFLT:1: Cloud Batch, Google Compute Engine with Fitd VM Families.

ארגונים הנדסיים רבים מאמצים ארכיטקטורה היברידית: אחסון מודלים parametric ותוצאות באחסון אובייקט בענן (למשל, S3, Blob Storage) עם שכבת metadata (למשל, Directus) לתייג ולחזר סימולציות פועל.משאבים Compute מסופקים על פי דרישה באמצעות תסריטי תזמורת או / צינורות CICD.

אבטחת מידע וביטוח

הנדסה קניין רוחני - מודלים parametric, תוצאות סימולציה, מתודולוגיות עיצוב - הוא רגיש מאוד. ליישם את ההגנות הבאות:

  • (ב) ,0) ,התקדשות במנוחה ובמעבר ל-II) באמצעות פתרונות KMS מבוססי ענן.
  • (ב) ניהול גישה וגישה (IAM)IAM)IAM,IRLT 1:1 עם מדיניות לפחות פריוויאלית.
  • (ב) ,0) ,Birpherph1 (בשיתוף פעולה) באמצעות VPCs, רשתות רשת פרטיות וחיבורי VPN.
  • (ב) ,0) ,Audit igitalingFLT 1:1 כדי לעקוב אחר כל הגישה למידע סיממטרי.

עבור תעשיות מוסדרות כמו אווירוקל ומכשירים רפואיים, בחר אזורי ענן התואמים סטנדרטים כגון ITAR, HIPAA או פדRAMP.

פיתוח של זרימת עבודה סקאלה ואוטומציה

מתן ידני של משאבי ענן אינו בר קיימא עבור מחקרים סיממטריים תכופים. השתמש בכלים כמו Apache Airflow (Terraform, AWS CDK) כדי להגדיר סביבות compute.הטמעת עבודה עם כלים כמו Apache Airflow או AWS Functions to parametrics, איסוף נתונים, ולאחר עיבוד.לדוגמה, זרימת עבודה יכולה: (1) לקרוא קבוצה של פרמטרים כגון Apache Airflow או AWS Functions כדי לאסוף נתונים ישירות (D) דוגמאות של פרוטוקולים של פרוטוקולים של תאים של תאים (D) ו-D) כדי לאסוף נתונים (D) ו-D) ו-D.

אתגרים משותפים

העברת בקבוקי וידאו

העברת מודלים סימולציה גדולים (ג'יגה-בייט לטרבייט) בין אחסון על-ידי מעלה לבין הענן יכול לגרום לעיכובים. Solutions כוללים באמצעות שערי אחסון בענן, קישורים ישירים לחיבור, או דחף קשיח פיזית להעברה ראשונית.

ניהול עלויות ענן

ללא ממשל תקין, הוצאות ענן יכולות ל ספירלה.קביעת אזהרות תקציב, להשתמש במקרים שבהם ניתן, וליישם מדיניות של הסלמה אוטומטית אשר מבטלת משאבים של idle.T. Tag את כל המשאבים על ידי פרויקט או משתמש כדי לאפשר מעקב בעלויות קבוע עוזר לזהות מקרים לא חוקיים שניתן לנפח או לעצור.

סקיל גפרז בהנדסת צוותים

מהנדסים עשויים להיות מיומנים בתוכנות סימולציה, אך לא מוכרים עם פעולות ענן. להשקיע בתוכניות הכשרה, לשכור ארכיטקטוני ענן, או לעסוק בשירותי מקצוע.ספקי ענן רבים מציעים מסלולים ספציפיים HPC. החל מפרויקט טייס קטן יכול לבנות אמון ולהפגין את ROI לפני הסקאלה.

מחקרים אמיתיים בעולם

המונחים: Parametric Airfoilation

יצרנית מטוסים גדולה השתמשה ב-HPC כדי להפעיל אופטימיזציה רב-אובייקטיבית של צורות אוויריות כנף.הם הגדירו 50 פרמטרים (הונאה, עובי, טוויסט וכו ') ויצרו למעלה מ-10,000 נקודות עיצוב.כל נקודה דרשה סימולציה של CFD. על ידי שימוש ב-AWS ParallelCluster עם אלפי דלקות ליבה, הצוות השלים את הטאטא המלא בשלושה ימים - משימה שארכה שישה חודשים על גבי המקבץ הפנימי שלהם.

הנדסה אזרחית: Parametric Bridge design

חברת הנדסה המתמחה בגשרים ארוכי טווח אימצה מודל מטאמטרי מבוסס ענן כדי להעריך את ההשפעה של ציונים חומריים שונים, סידורי כבל, והנחה עומס.שימוש בשילוב של Azure Batch לניתוח מבני ו-Directus לניהול פרמטרים עיצוב, הם קוצרו את שלב העיצוב מ 12 שבועות עד 4 שבועות.פתרון הענן גם אפשר שיתוף פעולה בזמן אמתי בין מהנדסים מבניים באירופה וצוות הייצור באסיה, תוך צמצום של 30% עד 4 שבועות.

מגמות עתידיות: AI ו- Cloud-Native Parametric Engineering

ההתכנסות של מחשוב ענן, בינה מלאכותית / ML, ועיצוב parametric פותח גבולות חדשים.כלים עיצוביים יצרניים יכולים כעת להשתמש במודלים מאומנים בענן כדי להציע פרמטרים אופטימליים באופן אוטומטי. סוכני למידה כוח אדם לחקור חללי עיצוב על ידי אינטראקציה עם סביבות סימולציה מעוגנות ענן. כמו עלויות ענן להמשיך לרדת ולאטנסית לשפר, אנו יכולים לצפות לולאו אופטימיזציה עיצוב אוטומטיים לחלוטין שבו מודלים parametric מתפתחים ללא התערבות אנושית.

יתר על כן, אדריכלות ללא שרת ומחשוב קצה עשויים בקרוב לאפשר סימולציות parametric לפעול קרוב יותר למקום שבו הנתונים נוצרים - למשל, לכידת נתוני חיישן בזמן אמת מטיפוס ולאכול אותו בחזרה למודל המטרי של תגמול על פני השטח.ארגונים אשר בונים זרמי עבודה פרמטריים ענן היום יהיו ממוקמים הכי טוב לנצל את היכולות האלה מחר.

מסקנה

מחשוב ענן אינו רק כלי חיסכון בעלויות להנדסת פרמטרי - הוא מאפשר אסטרטגי של חדשנות עיצוב. על ידי מתן גישה גמישה, חלקה שיתוף פעולה, ואינטגרציה כלי גמיש, הענן מאפשר לצוותים הנדסיים להתמודד עם בעיות שהיו בעבר בלתי-פתור.אימוץ מוצלח דורש גישה מתחשבת לאדריכלות, אבטחה, הנדסה וממשלה.אבל עבור ארגונים מוכנים להשקיע במעבר, התשלום הוא מהיר יותר: זמן תחרותי, עיצוב מורכב יותר ויותר מורכב, איכות תחרותית, איכות.