Verbrennungsmotoren, Propeller und Hydraulikpumpen sind Beispiele für fluidische Geräte – Instrumente, die Flüssigkeiten verwenden, um bestimmte Funktionen auszuführen, wie z. B. Stromerzeugung oder Wassertransport.
Da fluidische Geräte so komplex sind, werden sie typischerweise von erfahrenen Ingenieuren entwickelt, die jedes Gerät manuell entwerfen, prototypisieren und durch einen iterativen Prozess testen, der teuer, zeitaufwändig und arbeitsintensiv ist. Aber mit einem neuen System müssen Benutzer nur die Orte und Geschwindigkeiten angeben, an denen Flüssigkeit in das Gerät eintritt und es verlässt. Die Berechnungspipeline generiert dann automatisch ein optimales Design, das diese Ziele erreicht.
Das System könnte es schneller und billiger machen, fluidische Geräte für alle Arten von Anwendungen zu entwickeln, wie z. B. mikrofluidische Labs-on-a-Chip, die Krankheiten anhand einiger Tropfen Blut diagnostizieren können, oder künstliche Herzen, die das Leben von Transplantationspatienten retten könnten.
In letzter Zeit wurden Computerwerkzeuge entwickelt, um den manuellen Entwurfsprozess zu vereinfachen, aber diese Techniken hatten Einschränkungen. Einige erforderten, dass ein Designer die Form des Geräts im Voraus festlegte, während andere Formen mithilfe von 3D-Würfeln, sogenannten Voxeln, darstellten, die zu kastenförmigen, ineffektiven Designs führten.
Eine neue Rechentechnik, die von Forschern des MIT und anderswo entwickelt wurde, überwindet diese Fallstricke. Ihr Design-Optimierungs-Framework erfordert nicht, dass ein Benutzer Annahmen darüber trifft, wie ein Gerät aussehen sollte. Und die Form des Geräts entwickelt sich während der Optimierung automatisch mit glatten Konturen anstelle von blockigen, ungenauen Grenzen. Dadurch kann das System komplexere Formen erstellen als andere Methoden.
„Jetzt können Sie all diese Schritte nahtlos in einer Rechenpipeline ausführen. Und mit unserem System könnten Sie möglicherweise bessere Geräte erstellen, da Sie neue Designs erkunden können, die noch nie mit manuellen Methoden untersucht wurden. Vielleicht gibt es einige Formen, die noch nicht untersucht wurden noch nicht von Experten erforscht“, sagt Yifei Li, ein Doktorand der Elektrotechnik und Informatik, der Hauptautor eines Artikels ist, in dem dieses System detailliert beschrieben wird.
Zu den Co-Autoren gehören Tao Du, ein ehemaliger Postdoc am Computer Science and Artificial Intelligence Laboratory (CSAIL), der jetzt Assistenzprofessor an der Tsinghua University ist; und leitender Autor Wojciech Matusik, Professor für Elektrotechnik und Informatik, der die Computational Design and Fabrication Group innerhalb von CSAIL leitet; sowie andere an der University of Wisconsin in Madison, den LightSpeed Studios und dem Dartmouth College. Die Forschung wird auf der ACM SIGGRAPH Asia 2022 präsentiert.
Formen eines fluidischen Geräts
Die Optimierungspipeline der Forscher beginnt mit einer leeren, dreidimensionalen Region, die in ein Raster aus winzigen Würfeln unterteilt wurde. Jeder dieser 3D-Würfel oder Voxel kann verwendet werden, um einen Teil der Form einer fluidischen Vorrichtung zu bilden.
Eine Sache, die dieses System von anderen Optimierungsmethoden unterscheidet, ist, wie es diese winzigen Voxel darstellt (oder „parametrisiert“). Die Voxel werden als anisotrope Materialien parametrisiert, d. h. Materialien, die abhängig von der Richtung, in der eine Kraft auf sie einwirkt, unterschiedliche Reaktionen zeigen. Zum Beispiel ist Holz viel schwächer gegen Kräfte, die senkrecht zur Maserung aufgebracht werden.
Die Forscher verwenden dieses anisotrope Materialmodell, um Voxel als vollständig fest (wie man es auf der Außenseite des Geräts finden würde), vollständig flüssig (die Flüssigkeit innerhalb des Geräts) und Voxel zu parametrisieren, die an der Fest-Flüssig-Grenzfläche existieren und Eigenschaften haben aus festen und flüssigen Stoffen.
„Wenn Sie in die Richtung der Feststoffe gehen, möchten Sie die Materialeigenschaften von Festkörpern modellieren. Aber wenn Sie in die Richtung der Flüssigkeiten gehen, möchten Sie das Verhalten von Flüssigkeiten modellieren. Dies hat uns dazu inspiriert, anisotrope Materialien zur Darstellung zu verwenden die Fest-Flüssig-Grenzfläche. Und es erlaubt uns, das Verhalten dieser Region sehr genau zu modellieren“, erklärt Li.
Ihre Rechenpipeline denkt auch anders über Voxel nach. Anstatt Voxel nur als 3D-Bausteine zu verwenden, kann das System die Oberfläche jedes Voxels anwinkeln und seine Form auf sehr präzise Weise ändern. Voxel können dann zu glatten Kurven geformt werden, die komplizierte Designs ermöglichen.
Sobald ihr System mithilfe von Voxeln eine Form gebildet hat, simuliert es, wie Flüssigkeit durch dieses Design fließt, und vergleicht es mit den benutzerdefinierten Zielen. Dann passt es das Design an, um die Ziele besser zu erreichen, und wiederholt dieses Muster, bis es die optimale Form gefunden hat.
Mit diesem Design in der Hand könnte der Benutzer die 3D-Drucktechnologie verwenden, um das Gerät herzustellen.
Entwürfe demonstrieren
Nachdem die Forscher diese Design-Pipeline erstellt hatten, testeten sie sie anhand modernster Methoden, die als parametrische Optimierungs-Frameworks bekannt sind. Bei diesen Frameworks müssen Designer im Voraus angeben, wie die Form des Geräts ihrer Meinung nach aussehen sollte.
„Sobald Sie diese Annahme treffen, erhalten Sie nur Variationen der Form innerhalb einer Formfamilie“, sagt Li. „Aber unser Framework braucht Sie nicht, um solche Annahmen zu treffen, weil wir einen so hohen Design-Freiheitsgrad haben, indem wir diese Domäne mit vielen winzigen Voxeln darstellen, von denen jedes seine Form variieren kann.“
In jedem Test übertraf ihr Framework die Basislinien, indem es glatte Formen mit komplizierten Strukturen erzeugte, die für einen Experten wahrscheinlich zu komplex gewesen wären, um sie im Voraus zu spezifizieren. So wurde beispielsweise automatisch ein baumförmiger fluidischer Diffusor erstellt, der Flüssigkeit von einem großen Einlass in 16 kleinere Auslässe transportiert und dabei ein Hindernis in der Mitte des Geräts umgeht.
Die Pipeline erzeugte auch ein propellerförmiges Gerät, um einen verdrehten Flüssigkeitsstrom zu erzeugen. Um diese komplexe Form zu erreichen, optimierte ihr System automatisch fast 4 Millionen Variablen.
„Ich war wirklich erfreut zu sehen, dass unsere Pipeline in der Lage war, automatisch ein propellerförmiges Gerät für diesen Fluid-Twister zu züchten. Diese Form würde ein Hochleistungsgerät antreiben. Wenn Sie dieses Ziel mit einem parametrischen Formrahmen modellieren, weil dies nicht möglich ist eine so komplizierte Form wachsen lassen, würde das endgültige Gerät nicht so gut funktionieren“, bemerkt Li.
Während sie von der Vielfalt der Formen beeindruckt war, die es automatisch erzeugen konnte, plant Li, das System durch die Verwendung eines komplexeren Strömungssimulationsmodells zu verbessern. Dies würde es der Pipeline ermöglichen, in komplexeren Strömungsumgebungen verwendet zu werden, wodurch sie in komplizierteren Anwendungen verwendet werden könnte.
Mehr Informationen:
Yifei Li et al., Optimierung der Fluidtopologie mit einem anisotropen Mischungsmodell (2022).