Betere materiaalmodellen dankzij kunstmatige intelligentie
Van gebouwen tot vliegtuigen of windturbines - computermodellen zijn onmisbaar bij het berekenen of grote constructies wel tegen een stootje kunnen. Voordat ze daadwerkelijk gebouwd worden, worden ze tot in detail gesimuleerd. “Nou ja, niet echt tot in microscopisch detail, dat zou te veel rekentijd kosten en daarmee te duur zijn, maar op basis van gemiddelden,” vertelt Ir. Joep Storm, promovendus bij de faculteit Civiele Techniek en Geowetenschappen van de TU Delft. Dat er weinig mis is met windturbines, doet vermoeden dat de modellen prima werken. Toch wil Storm ze verbeteren, met behulp van kunstmatige intelligentie. Zo werd hij de ‘top user’ van supercomputer DelftBlue.
Grote veiligheidsmarge
Berekeningen aan constructies en bouwwerken zijn een belangrijk onderzoeksonderwerp binnen de disciplines Civiele Techniek en Werktuigbouwkunde. Storm promoveert aan eerstgenoemde faculteit. “Er wordt tegenwoordig veel gebouwd met vezelversterkte materialen. Die ontlenen hun kracht aan de combinatie van bijvoorbeeld beton en kleine vezels van staal of kunststof. Simuleren hoe iedere vierkante micrometer materiaal in een windturbine zich gedraagt in windkracht 10 kost jarenlange en dus dure berekeningen. Daarom worden simulaties van lokaal gedrag gemiddeld, en worden er op basis van deze gemiddelden conclusies getrokken over het ‘macrogedrag’.” Zijn deze modellen voldoende? Storm: “De modellen zijn niet zo nauwkeurig. Daarom wordt alles ontworpen met een grote veiligheidsmarge. Materialen maken we bijvoorbeeld 20% dikker dan de modellen aangeven om absoluut zeker te weten dat ze veilig zijn. Maar als we nauwkeurigere modellen zouden hebben, zou dat minder materiaal kosten, en kosten besparen.”
Duizend scenario’s
“We beginnen met bewezen fysische modellen. Die zijn betrouwbaar maar kosten veel rekenkracht, te veel om daarmee tijdens iedere stap in het ontwerpproces het materiaalgedrag tot op micrometerniveau te berekenen. Daarmee rekenen we eerst duizend scenario’s door, en die uitkomsten voeren we aan een op kunstmatige intelligentie gebaseerd model. Dit leert daarvan, en kan vervolgens vergelijkbare eigenschappen voorspellen met een fractie van de rekenkracht die voor de fysische modellen nodig was. Tot slot combineren we de uitkomst van het kunstmatige intelligentiemodel weer met fysische modellen om tot een goede voorspelling te komen.”
Het trainen van een op kunstmatige intelligentie gebaseerd model kost veel tijd en rekenkracht, en daar is DelftBlue onmisbaar voor.
Joep Storm, promovendus bij de faculteit Civiele Techniek en Geowetenschappen van de TU Delft
Fractie van de rekenkracht
Het trainen van een op kunstmatige intelligentie gebaseerd model kost veel tijd en rekenkracht, en daar is DelftBlue onmisbaar voor. Storm is dan ook een van de grootste gebruikers van DelftBlue. “DelftBlue is superfijn om te gebruiken. Simpel, ook. Iedere berekening kost zo’n 5 dagen, dat is het maximum dat DelftBlue toelaat. Zodra DelftBlue aan de slag gaat met een berekening, heb ik er alweer drie nieuwe aanvragen in de wachtrij gezet. Idealiter levert deze rekentijd een model op dat heel nauwkeurig materiaalgedrag kan voorspellen tegen een fractie van de rekenkracht. Een goed getraind model zou je zelfs op je laptop in de trein kunnen draaien.” Storm werkt met de nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie. “Zo gebruiken we complexe neurale netwerken – zogenaamde grafen – waarmee elke stukje gesimuleerd materiaal gekoppeld kan worden aan de omliggende stukjes. Om deze gekoppelde berekeningen te kunnen doen, werken we met enorme matrices vol getallen." Voor het rekenen met zulke matrices zijn grafische processoren (GPUs) nodig. DelftBlue heeft deze in overvloed. “Er gebeurt ontzettend veel op het gebied van machinaal leren. Elke paar maanden zijn er nieuwe dingen die ik kan proberen. Lastig om je onderzoek dan af te bakenen.”
Volledige microschaal
Het gebruik van kunstmatige intelligentie voor materiaalberekeningen is niet nieuw. Duizenden wetenschappers over de hele wereld zijn ermee bezig. “Wat mijn onderzoek uniek maakt, maar ook complex, is dat we meer willen weten dan alleen het macroscopische, gemiddelde gedrag van het materiaal. We willen weten wat er binnenin gebeurt, op microschaal. Want als we dat weten, kunnen we het ontwerp verfijnen, en kunnen we aanvoelen of de voorspellingen door de kunstmatige intelligentie wel realistisch zijn, en daarmee betrouwbaar. Dat is waarom we ook fysische modellen gebruiken in combinatie met kunstmatige intelligentie. Doordat we de volledige microschaal berekenen, is het ook op elk moment mogelijk om terug te gaan naar het volledige fysische model. Dit betekent dat wanneer het kunstmatige model erg onzeker is over een berekening, ik kan teruggevallen op het fysische model, wat niet mogelijk is met modellen die alleen gemiddelden berekenen.”
DelftBlue is superfijn om te gebruiken. Simpel, ook. Iedere berekening kost zo’n 5 dagen, dat is het maximum dat DelftBlue toelaat.
Joep Storm, promovendus bij de faculteit Civiele Techniek en Geowetenschappen van de TU Delft
Alwetend en betrouwbaar?
Ingenieursbureaus die de windturbines van morgen ontwerpen, doen nu nog weinig met kunstmatige intelligentie, vertelt Storm. “We zijn nog niet ver genoeg, we moeten eerst zeker weten dat de modellen betrouwbaar zijn. Er is angst voor de ‘zwarte doos’: de gebruiker stopt iets in het model, en er rolt een voorspelling uit, zonder dat de gebruiker precies weet wat het model heeft gedaan om tot die voorspelling te komen.” Daarnaast kan een model dat getraind is op één materiaal niet zomaar toegepast worden voor andere materialen. “Ik verwacht wel dat het hertrainen van het model voor een ander materiaal minder tijd kost dan voor het eerste materiaal,” aldus Storm. Een alwetend en betrouwbaar model is dus nog ver weg? “Ik zie het niet binnen tien jaar gebeuren, maar wie weet?”
