※本ブログは、SIMULIA Blog （英語版）で既に発表されたブログの日本語参考訳です。
イントロダクション
遠心ポンプは、水、油、多くの工業用化学薬品などの低粘度流体を圧送するために広く使用されています。遠心ポンプは、中央の入口と、流体を加速してポンプの外縁に沿って出口から押し出す回転インペラで構成されています。遠心ポンプには通常、ディフューザーも含まれています。ディフューザーは、流体を減速させて圧力を増加させると同時に流れの均一性を高めるポンプ内部の固定羽根です。これらのディフューザーの正確な形状は、ポンプの性能と効率に影響を与えます。
遠心ポンプ設計における課題
遠心ポンプは、油の圧送、上下水処理、工業用化学施設などの産業用途で広く使用されています。機械的にシンプルで、低粘度の流体を効率的に移送させることができます。ただし、負荷を一定に保つためには、流量を均一に保つ必要があります。不均一な流量はポンプを最適な動作範囲から外し、騒音やシャフトの疲労を増大させる可能性があります。
このため、ポンプ内部にはディフューザーが使用されることがよくあります。ディフューザーは、インペラの周囲に反対方向に配置された湾曲した羽根を備えたステータの形状をしています。ディフューザーは、ディフューザー羽根と流れの相互作用によって引き起こされる流れの剥離などの乱流の影響を最小限に抑えながら、流体の流れを規則化し、減速させることができなければなりません。ポンプの性能は、ディフューザー、インペラとボリュートの設計、およびインペラとディフューザー間の相互作用に大きく依存します。
European Research Community on Flow, Turbulence and Combustion (ERCOFTAC)は、ベスト プラクティスを作成し、方法論を改善するために、モデリングおよびシミュレーションコミュニティ向けにオープンソースのポンプモデルを開発しました。これは実験とシミュレーションの両方で検証されているため、機械学習の利点を実証するのに適したテストケースです。
遠心ポンプディフューザーの最適化
この最適化研究はディフューザーの形状に焦点を当てました。ここで変更するパラメーターは 4 つあります: ベーンの厚さ、翼弦の長さ、入口角度、出口角度です。これらの間には複雑な相互依存関係があるため、最適化ではすべてを同時に考慮する必要があります。シミュレーションは、3DEXPERIENCE プラットフォーム上の CFD ツールを使用して実行されました。
左下: 後縁の角度により、流れ方向の変化の範囲を定義できます。
右上: ベーンの厚さによって、流れの絞り込みまたは拡張を定義できます。
右下: 翼の弦または湾曲した長さは、流れの分離において重要な役割を果たす可能性があります。
これらのパラメーターのあらゆる組み合わせを完全な数値流体力学 (CFD) でシミュレーションするには、非常に時間がかかります。計算要件を軽減するために、代わりに 1 次元シミュレーションが使用されることもありますが、結果は不十分です。代わりに、機械学習 (ML) に目を向けました。完全な CFD シミュレーション結果のサンプルでサロゲート AI モデルをトレーニングし、さまざまなパラメーターを使用してポンプ内の流れの挙動を再現できます。結果として得られたモデルは、さらなるシミュレーションと物理テストに対して検証され、完全なシミュレーションデータと実測データの両方と優れた一致を示しました。
学習された AI モデルは、指定された範囲内のパラメーターの任意の組み合わせに対して、CFD データの 2% 以内の結果を数分で提供できました。これにより、エンジニアは設計変更の影響について迅速なフィードバックを得ることができ、多数のシナリオを検討して設計上の決定を迅速化できるようになります。この機械学習モデルを活用した設計の検討により、エンジニアは設計要件を最もよく満たすトレードオフを迅速に見つけることができます。
結論
遠心ポンプの性能を向上させることにより、騒音を低減し疲労寿命を延ばしながら効率を向上させることができます。CFDシミュレーションにより、設計のバリエーションがポンプの性能に与える影響が明らかになり、機械学習を用いて、これらの結果から生成AI経験モデルを学習することができます。このモデルは、様々なパラメーターの組み合わせに対する性能を迅速に予測し、エンジニアが要件に最適なポンプ設計を迅速に見つけることを可能にします。CFDシミュレーションと機械学習を組み合わせることにより、エンジニアは製品を迅速にかつ信頼性の高いフィードバックを得ることができます。
このアプリケーションの詳細については、論文「Improving Performance of a Centrifugal Pump Through a CFD DOE Study of Radial Diffuser Design」を参照してください。
機械学習と AI のシミュレーションへの応用について議論するためには、SIMULIA Communityの Machine Learning wiki に参加してください。
Ani Rajagopal は、2019 年から SIMULIA でインダストリープロセスコンサルタントを務めており、Exa Corporation の統合後は Worldwide Fluids チームの一員となりました。流体および熱科学における 8 年近くの専門知識を活かし、産業機器、輸送およびモビリティを含むあらゆる業界のお客様をサポートする専門家としての役割を果たしています。 Worldwide SIMULIA Fluids チーム内では物理テストを通じて流体ソリューションを強化し、これらのソリューションを展開して、特に自動化を通じて顧客のプロセスを最適化することに重点的に取り組んでいます。最近では、SIMULIA の AI/ML イニシアチブ、特に流体関連アプリケーションのコア検証グループの主要メンバーとして活躍しています。
John Higgins は、SIMULIA のインダストリープロセスコンサルタントです。 Exa Corporation の統合後、2019 年にダッソー・システムズに入社しました。 Higgins氏は流体と熱科学の分野で 10 年以上の経験があり、プリセールス、ポストセールスのサポート、およびサービス部門で経験を積みました。輸送とモビリティ、産業機器、航空宇宙と防衛を含むあらゆる業界のお客様をサポートした経験があります。 現在は、これまでにないプロセスの開発、物理検証テスト、お客様ごとのプロセスを最適化するための流体ソリューションの展開を通じて流体ソリューションを強化することに取り組んでいます。最近では、SIMULIA の AI/ML イニシアチブ、特に流体関連アプリケーションのコア検証グループの主要メンバーとして活躍しています。
最新のシミュレーショ ンソリューションにご興味がおありですか？アドバイスやベストプラクティスをお探しですか？他のSIMULIAユーザーやダッソー・システムズの専門家とシミュレーションについてお話しする必要がありますか？ SIMULIA Community では、SIMULIA ソフトウェアの最新リソースを検索し、他のユーザーとコミュニケーションを図るためのオンラインコミュニティーです。革新的な思考と知識構築の扉を開く鍵である SIMULIA Communityは、いつでもどこでも知識を広げるために必要なツールを提供します。
3Dソフトウェア市場におけるパイオニアであり、3DとPLMソリューションのワールド・リーダーであるDassault Systèmes（仏）の日本法人です。