ANSYS Advantage SPOTLIGHT ON ACADEMICS. Volume VIII, Issue 1, 2014
ANSYS Advantage SPOTLIGHT ON ACADEMICS. Volume VIII, Issue 1, 2014
ANSYS Advantage SPOTLIGHT ON ACADEMICS. Volume VIII, Issue 1, 2014
SIMULATE OR PERISH
We’re all familiar with the academic adage “publish or perish.” While the need to carry out groundbreaking research worthy of publication remains unchanged, today’s professors face new challenges. Engineering is becoming more multidisciplinary, as research teams collaborate across schools and departments — sometimes partnering with industry — to develop innovations such as artificial hearts and hybrid vehicles. This requires new simulation tools that capture the full range of physics.
Because they recognize the multiphysics breadth, capability, accuracy and scalability of ANSYS software, faculty today incorporate ANSYS tools in their research to a greater degree than ever. Each year, more than 8,000 academic papers are published based on studies conducted using ANSYS software. This special issue of ANSYS Advantage is filled with examples of exciting, leadingedge research enabled by ANSYS.
According to Dean of Engineering Gerald Holder at the University of Pittsburgh (see article on page 14), dramatic improvements in high-tech tools have supported enormous advancements in engineering research and education.
Ver mas...
Los fabricantes de productos de hoy en día se encuentran bajo una presión considerable para acelerar los ciclos de desarrollo y lanzar sus productos al mercado más rápidamente. Al mismo tiempo, los productos se están volviendo más complejos. La funcionalidad inteligente y conectada y el software avanzado se han convertido en elementos básicos de productos que abarcan desde automóviles y maquinaria industrial hasta electrodomésticos de cocina.
Las soluciones de simulación han permitido a las empresas desarrollar estos productos de forma más eficiente. Entre los numerosos beneficios de la simulación se incluyen la reducción de la dependencia de costosos prototipos y pruebas físicas, la mejora de la calidad del producto y la reducción de los plazos de desarrollo del producto. Pero la simulación también produce grandes cantidades de datos. Recopilar, almacenar, acceder y compartir estos datos de forma eficiente a lo largo del ciclo de vida del producto sigue siendo un desafío. Muchas organizaciones utilizan soluciones de gestión del ciclo de vida del producto (PLM) o de gestión de datos del producto (PDM) para gestionar los datos de simulación. Sin embargo, estas herramientas carecen de la funcionalidad que estas empresas necesitan para optimizar la gestión y los procesos de datos de simulación. Cada vez más, los fabricantes de productos recurren a soluciones de gestión de datos y procesos de simulación (SPDM) para acelerar y mejorar aún más el enfoque del desarrollo de productos.
Para comprender mejor los desafíos de gestión de datos de simulación que enfrentan actualmente las organizaciones de ingeniería y fabricación y cómo las soluciones SPDM abordan sus inquietudes, la firma de investigación Lifecycle Insights realizó el “ Estudio de gestión de datos de simulación 2024 ”. Este análisis de mercado de SPDM encuestó a 200 empresas e incluyó entrevistas. Los hallazgos indican que las herramientas y los procesos que utilizan muchas empresas para gestionar los datos de simulación son insuficientes para sus necesidades. El informe también sugiere que las soluciones SPDM brindan capacidades que mejoran el desarrollo de productos al permitir que las empresas extraigan el máximo valor de sus inversiones en simulación.
Los participantes del estudio afirman que el proceso de simulación y la gestión de datos (SPDM) proporcionan varias capacidades valiosas para los desarrolladores de productos relacionadas con la búsqueda y el intercambio de datos de simulación precisos y actualizados.
Los procesos de simulación convencionales son ineficientes
Las soluciones de simulación son fundamentales para el proceso de desarrollo de productos en todas las industrias. De hecho, el 100 % de los encuestados afirman utilizar la simulación en el desarrollo de productos. Pero utilizar la simulación y maximizar su impacto son cosas diferentes. Debido a que los productos son cada vez más complejos, los costos de los materiales están aumentando y la presión para llevar los productos al mercado más rápidamente está aumentando, es más importante que nunca maximizar la eficiencia del proceso de simulación. Sin embargo, con demasiada frecuencia, los datos de simulación se gestionan de forma ineficiente. Como resultado, las empresas tienen dificultades para encontrar, acceder y compartir información vital con las partes interesadas clave. Los desarrolladores de productos de hoy requieren una solución más integral que permita una mejor gestión de los datos de simulación.
Las soluciones SPDM maximizan el valor de la simulación
En lugar de depender de soluciones PDM o PLM, que no son adecuadas para gestionar datos de simulación, las organizaciones de ingeniería deben utilizar soluciones SPDM que se adapten a sus necesidades. Las soluciones SPDM abordan las limitaciones de las herramientas PDM y PLM, lo que permite a las empresas acelerar el desarrollo de productos y maximizar el retorno de la inversión en simulación. En muchos casos, esa inversión es significativa: el 77 % de los encuestados afirma que sus empresas gastan anualmente al menos 10 millones de dólares en simulación, mientras que el 37 % gasta anualmente al menos 50 millones de dólares.
Incorporando SPDM
La simulación desempeña un papel importante y permanente en la mejora del desarrollo de productos en todas las industrias. Los tipos de mejoras que permite la simulación (reducción de los costos de creación de prototipos y pruebas, acortamiento de los plazos de diseño y aumento de la calidad del producto) son cruciales para las empresas que trabajan para seguir el ritmo de sus competidores en mercados complejos. Lamentablemente, demasiadas empresas socavan sus propios esfuerzos al gestionar los datos de simulación sin una forma óptima de hacerlo.
Pero cuando las organizaciones integran una solución SPDM dedicada con su software PLM existente, pueden acelerar aún más el proceso de desarrollo del producto, utilizar la simulación de manera más efectiva durante todo el ciclo de vida del producto, reducir los errores de comunicación y maximizar el retorno de su inversión sustancial en simulación.
Las empresas que buscan lograr este tipo de mejoras en el desarrollo de productos deben hacer lo siguiente:
Examine el proceso actual de desarrollo de productos de la empresa y la eficacia con la que gestiona los datos y procesos relacionados con la simulación.
Identifique los vínculos rotos en los procesos de simulación y los datos en el hilo digital existente para determinar si esos procesos y datos están conectados a lo largo del ciclo de vida del producto.
Implementar SPDM e integrarlo con la solución PLM actual de la empresa para garantizar que la simulación esté disponible durante todo el ciclo de vida del producto.
El software de ingeniería de misiones digitales Ansys Systems Tool Kit (STK) es conocido por su aptitud para el modelado de misiones. Disponer de buenos modelos para representar el entorno de una misión es un paso fundamental que se debe dar para evaluar el rendimiento del sistema y el éxito de la misión. En cualquier misión que involucre sistemas terrestres (que son todos) u observadores terrestres (que son muchos), el terreno juega un papel importante en la configuración precisa del entorno de la misión. El software STK ya podía ingerir muchos tipos de datos de terreno e imágenes para visualización y análisis, pero la utilidad Terrain2Tiles amplía el ámbito de posibilidades.
Convertir a mosaicos 3D
A partir de la versión 2024 R2, se incluye una nueva utilidad de conversión de terreno con el software STK. Esta utilidad de línea de comandos es fácil de usar y convierte el terreno de casi cualquier tipo de archivo de terreno reconocido por la industria (modelos de elevación digital, formatos de archivo de imagen de etiqueta geográfica, JP2, etc.) en mosaicos 3D. El formato de mosaicos 3D es un estándar abierto diseñado para describir y organizar conjuntos de datos geoespaciales masivos de una manera que sea eficiente para la representación 3D y la consulta analítica. Cuando se carga un conjunto de mosaicos 3D en un escenario de software STK, las vistas de gráficos 3D se representan con datos que escalan la resolución en función de la distancia de visualización. Esto permite una representación más rápida porque el software no visualiza un terreno innecesariamente de alta resolución para una distancia determinada. Además, el software de ingeniería de misión digital Ansys RF Channel Modeler requiere que el entorno operativo se represente utilizando el formato de terreno de mosaicos 3D.
En el software STK, se puede aplicar un conjunto de mosaicos 3D a cualquier cuerpo central y usarlo para análisis y visualización. La utilidad Terrain2Tiles puede convertir terrenos para la Tierra, la Luna y Marte. La herramienta permite a los usuarios especificar el datum vertical (también llamado referencia de altura) que se usará al convertir datos de terreno. Tener en cuenta el datum adecuado es especialmente importante para una representación precisa de cualquier modelo digital de terreno (DTM). La utilidad Terrain2Tiles admite referencias de altura comunes, como “elipsoide”, NAVD88, EGM96, EGM2008 y Mars GMM3. Saber qué referencia de altura especificar se puede descubrir normalmente a través del archivo “léame” y la documentación que acompaña a los datos del DTM. Además de crear una representación 3D de la geometría del terreno, la utilidad puede incorporar imágenes al conjunto de mosaicos 3D.
El instrumento CTX del Mars Reconnaissance Orbiter ha recopilado datos de alta calidad sobre el terreno y las imágenes de la superficie marciana. Antes de que estuviera disponible la utilidad Terrain2Tiles, no había ninguna manera viable de incorporar al software STK datos de terreno e imágenes disponibles públicamente, como este conjunto de datos del Centro de Ciencias Astrogeológicas del USGS . Ahora, la utilidad permite tomar conjuntos de datos como este y crear un conjunto de mosaicos en 3D que combina imágenes y terreno.
Marte se muestra con el elipsoide predeterminado y con mosaicos 3D superpuestos.
Modelar el terreno con precisión
El terreno que se muestra arriba está cerca del Polo Norte marciano. En latitudes altas, el uso del datum vertical correcto (Marte GMM3) es fundamental para obtener un modelo preciso. En este escenario específico, el error de altitud asociado con no tener en cuenta el terreno supera los 600 metros.
Un gráfico que muestra la diferencia de altitud entre el elipsoide de Marte y el conjunto de mosaicos 3D
En los próximos años, enviaremos astronautas a la Luna para caminar por su superficie por primera vez desde 1972. Una región candidata para el aterrizaje de la nave espacial Artemis 3 es el Macizo de Malapert, una enorme montaña lunar con un punto más alto de 5.000 metros. En regiones con mucho terreno como esta, es importante saber cuándo un astronauta que camina por la Luna tendrá una línea de visión sin obstáculos hacia el módulo de aterrizaje y varios puntos de interés. Utilizando la utilidad Terrain2Tiles, un archivo de mapa de pendiente digital del altímetro láser del orbitador lunar del Laboratorio de geología, geofísica y geoquímica planetaria de la NASA se convirtió en un conjunto de datos de mosaicos 3D y se insertó en el software STK.
Un astronauta camina sobre la luna y se muestra una versión ampliada del terreno.
El modelado preciso del terreno es fundamental para comprender el entorno operativo. El terreno tiene implicaciones para la visibilidad, la movilidad del sistema y la planificación de rutas, así como para las interacciones entre sistemas, como las comunicaciones. La utilidad Terrain2Tiles facilita más que nunca la aplicación del terreno en el modelo de software STK. Para probar la nueva utilidad, puede encontrar esta herramienta de línea de comandos en el directorio bin de instalación del software STK. Obtenga más información sobre la ingeniería de misiones digitales .
El radar, o los sensores que se utilizan para localizar, reconocer y rastrear objetos mediante la transmisión de energía electromagnética hacia ellos, existe desde hace décadas. Esta tecnología es útil de muchas maneras: por ejemplo, para mantener un avión en la ruta de vuelo correcta, para ayudar a un vehículo autónomo a “ver” la carretera que tiene por delante y para predecir el tiempo.
Los nuevos avances en la tecnología de radar, como el radar de apertura sintética (SAR), permiten ver los detalles más minúsculos desde el espacio para detectar cambios en una escena debido a factores ambientales, como tormentas, terremotos e incluso nuevas depresiones de huellas de neumáticos en suelo blando. El SAR permite a los satélites en el espacio hacer rebotar señales de radar en la superficie de la Tierra e interpretar esos ecos, incluso a través de nubes y humo o en completa oscuridad, para exponer esos detalles.
Las imágenes SAR se utilizan en la industria de seguros para la evaluación de daños tras desastres naturales y en la industria de la construcción, así como para la investigación medioambiental y muchas otras aplicaciones. Aunque el SAR puede ser la manifestación más visible de esta tecnología, la obtención de imágenes por radar de apertura sintética inversa (ISAR), en su capacidad de utilizar imágenes de radar para generar una imagen bidimensional de alta resolución de un objetivo, también desempeña un papel fundamental en la seguridad nacional.
En la realización de una vigilancia persistente, el nuevo éxito de SAR ha aumentado significativamente el volumen de datos que deben usarse para beneficiar al cliente comercial y de seguridad nacional. El software de modelado de datos de radar de alta fidelidad 2024 R2 Ansys RF Channel Modeler permite la generación de datos realistas que respaldan conceptos de análisis avanzados, planificación de recopilación y desarrollo de algoritmos de inteligencia artificial (IA) para encontrar y etiquetar objetos y actividades.
La simulación detallada y la generación de datos sintéticos mediante el software RF Channel Modeler son fundamentales para comprender cómo funcionan los sistemas avanzados basados en radar, como el SAR, en estos y otros escenarios complejos. Recrearlos en un entorno de simulación ayuda a los estudiantes y analistas novatos a comenzar a establecer conexiones entre lo que está sucediendo, cómo se dispersan los objetos y cómo explotar los datos resultantes para desarrollar nuevas aplicaciones.
Apoyo al análisis avanzado de firmas de radar mediante datos
Un área en la que el software RF Channel Modeler es particularmente útil es el análisis de la firma de radar, o la comprensión de cómo las señales de radar interactúan con objetivos complejos para exponer las diversas características dispersas por radar de un objeto o una escena. En este contexto, las imágenes de radar no son imágenes literales generadas por sensores electroópticos e infrarrojos. Más bien, son un mapeo de los retornos de dispersión de radar en el espacio de alcance y Doppler.
Este año, Ansys está mejorando el software RF Channel Modeler para crear datos de radar sintéticos para cualquier geometría de recopilación y para cualquier dominio geoespacial, a fin de respaldar la generación de datos SAR e ISAR. Ahora, el software fusiona las capacidades del software de análisis de sistemas e ingeniería de misiones digitales Ansys Systems Tool Kit (STK) y el software de simulación EM Ansys Perceive , lo que permite a los clientes orquestar escenarios de recopilación realistas y luego generar datos de radar sintéticos (datos de señales I/Q sin procesar).
Diagrama de flujo del software de modelado de datos de radar de alta fidelidad Ansys RF Channel Modeler 2024 R2
Los datos resultantes se pueden procesar para crear todos los datos asociados con el escenario de recopilación de datos para la respuesta de frecuencia, los perfiles de alcance, los perfiles Doppler y las imágenes de radar de banda ancha. Lo más importante es que el software RF Channel Modeler utiliza la aceleración de la unidad de procesamiento de gráficos para crear datos casi en tiempo real.
¿Quién se beneficia del software de modelado de canales de RF?
Estas capacidades de generación de datos de radar sintéticos totalmente agnósticos permiten que el software RF Channel Modeler admita una amplia gama de clientes de Ansys.
Los analistas de datos se benefician de una solución multidominio completamente independiente. Ya sea que un usuario recree un evento pasado o desee explorar una oportunidad o concepto de recolección futuro, el software RF Channel Modeler puede manejar escenarios de recolección complejos y realistas definidos por el sistema de recolección, el objetivo, la escena o el entorno y los contribuyentes adicionales de la escena.
El software RF Channel Modeler admite la generación de datos tanto monoestáticos como biestáticos.
Los planificadores de recopilación de datos pueden crear entornos de prueba virtuales de los sistemas operativos existentes y de los sistemas propuestos para el futuro. El software RF Channel Modeler permite la generación de datos de radar realistas para ensayos de pruebas en vivo, independientemente del alcance de acceso, los costos, las geometrías de recopilación de datos, la precisión de las mediciones y el conocimiento de la posición, y la seguridad, para aumentar el éxito de las pruebas y acortar el ciclo de desarrollo.
Software RF Channel Modeler para la planificación de la recopilación de datos de rango de prueba virtual
Para la comunidad de desarrollo de algoritmos de inteligencia artificial/aprendizaje automático (IA/ML), el software RF Channel Modeler aborda varios desafíos, entre ellos:
Gestión de datos: la IA y el aprendizaje automático permiten a los analistas de datos aprovechar al máximo un volumen de datos SAR comerciales que aumenta exponencialmente. Se utilizan muchos algoritmos diferentes para identificar los objetos deseados en imágenes SAR complejas, pero requieren una enorme cantidad de datos de entrenamiento. Sin embargo, estos datos no se pueden utilizar como fuente principal de datos de entrenamiento. En su lugar, se deben utilizar datos de rango de prueba bien documentados.
El software RF Channel Modeler aborda esta deficiencia de datos de entrenamiento al crear una cantidad ilimitada de datos de radar sintéticos realistas en cualquier ángulo, frecuencia, ancho de banda o polarización, por ejemplo. Con esta infusión de nuevos datos, el aprendizaje automático puede comenzar a definir características de radiofrecuencia únicas para los objetos y posibles diferencias entre los objetos.
Datos de destino generados por software RF Channel Modeler para entrenamiento de algoritmos de inteligencia artificial/aprendizaje automático (IA/ML)
Validación del algoritmo: una vez que se entrena el algoritmo, el software RF Channel Modeler crea escenarios representativos de escenas grandes con los objetos integrados necesarios para validar el rendimiento de identificación de objetos del algoritmo de IA.
Luego, se pueden agregar características únicas del sensor a los datos de la señal I/Q sin procesar para probar la sensibilidad o la resiliencia del algoritmo y mitigar las características no deseadas del sensor. Al final, el acceso a datos ilimitados del software RF Channel Modeler garantiza el éxito y la confianza en las soluciones de IA/ML.
Realización de análisis de vibraciones y choques de una matriz de puertas programables en campo con el software de predicción de confiabilidad electrónica Ansys Sherlock
Como aprendimos en la película de 1995 “Apolo 13”, en el espacio “el fracaso no es una opción”. Esto se aplica a la posible pérdida de vidas de astronautas (que afortunadamente se evitó durante la misión Apolo 13), así como a algo tan simple como la rotura de un cable eléctrico en un chip semiconductor debido a tensiones térmicas o mecánicas. Un fallo de este tipo en una placa de circuito impreso (PCB) podría provocar la pérdida prematura de un satélite no tripulado extremadamente caro, lo que echaría por tierra años de investigación y desarrollo, junto con la misión para la que fue diseñado el satélite. Por lo tanto, es imperativo probar por completo cada diseño de chip antes del lanzamiento.
NewSpace Systems, un fabricante multinacional de componentes y subsistemas para naves espaciales de confianza con sede en Sudáfrica, se topó recientemente con un problema de este tipo en el diseño de un conjunto de puertas programables en campo (FPGA). Los FPGA son circuitos integrados que son el cerebro de los circuitos de control modernos. Para los fines de NewSpace, deben sobrevivir al lanzamiento del cohete al espacio, incluidas las intensas vibraciones y cargas de impacto causadas por la explosión del cohete. También deben funcionar con una fiabilidad del 100% durante la vida útil del satélite, normalmente varias décadas, durante las cuales la carga cíclica repetida puede provocar una falla por fatiga.
Las pruebas físicas iniciales de vibración de este nuevo FPGA revelaron grietas en dos cables eléctricos (mostrados en las áreas delineadas en rojo en la Figura 1). Esto requirió un rediseño de la placa. Pero construir y probar prototipos físicos es un proceso lento y costoso. Por eso, con la ayuda de Qfinsoft , un socio de canal de Ansys Select, NewSpace utilizó el software de predicción de confiabilidad electrónica Sherlock de Ansys para simular la causa de las fallas y probar diferentes estrategias de mitigación. Una vez que se configuró el modelo Sherlock, probar los diseños tomó horas en lugar de semanas.
Figura 1. Después de la prueba de vibración, NewSpace Systems notó que algunos de los cables de las matrices de puertas programables en campo (FPGAs) estaban agrietados.
Simulación de la solución
El software Sherlock es una solución de simulación de ingeniería basada en la física que proporciona predicciones rápidas de la vida útil del hardware electrónico a nivel de componentes, placas y sistemas en las primeras etapas de diseño. Si bien el software Sherlock puede realizar algunos análisis básicos por sí mismo (por ejemplo, fatiga de soldadura), las simulaciones de carga mecánica completas requieren un solucionador de análisis de elementos finitos (FEA) externo. Para este propósito, el software Sherlock interactúa sin problemas con el software de análisis estructural Ansys Mechanical , ejecutando el FEA en segundo plano. Luego, el software Sherlock interpreta los resultados.
Realización de modelos FEA
Como la vibración era la principal preocupación en las fallas de los cables, NewSpace comenzó por ejecutar un análisis modal para identificar las frecuencias de vibración naturales de la PCB en la que se montó el FPGA. Las frecuencias de vibración naturales están influenciadas por las capas de la placa, las ubicaciones de los componentes, los tipos de cables, los puntos de montaje de la placa y las regiones adhesivas de encapsulado y fijación.
Tomemos los puntos de montaje como un ejemplo de cómo los componentes pueden afectar la vibración de una PCB. Los puntos de montaje suelen tener espacio libre en el diseño de la placa, donde se perforan agujeros a través de ella (consulte los círculos negros grandes en la Figura 2a). Pero faltan detalles exactos sobre cómo se monta la PCB. En el software Sherlock, NewSpace podría definir el tipo de montaje que planeaba utilizar en cada ubicación (Figura 2b). El tipo de montaje afecta la forma en que la carga (por ejemplo, impacto o vibración) se transfiere al material de la placa.
Figura 2a. Los puntos de montaje suelen tener espacio libre en el diseño donde se perforan los orificios en la placa (los círculos negros grandes).
Figura 2b. En el software de predicción de confiabilidad de componentes electrónicos Ansys Sherlock, puede definir el tipo de montaje que planea utilizar en esa ubicación.
Para el RV, NewSpace consideró la vibración en los tres ejes (x, y, z). Los gráficos de contorno de desplazamiento mostraron cómo el desplazamiento del RV estaba dominado por la primera frecuencia natural. (Compare las formas en la Figura 4, donde el rojo indica un desplazamiento mayor). Si bien el rendimiento general de la placa fue bueno, el software Sherlock calculó la falla total de un componente en la vibración del eje z. Ese componente era, como se esperaba, el FPGA.
El software Sherlock predijo que el FPGA tenía un 100 % de posibilidades de fallar, con múltiples conductores que superaban el límite de tensión. NewSpace identificó una correlación casi idéntica entre la alta tensión de los conductores y los conductores agrietados identificados tanto en las pruebas experimentales (ver fotos insertadas en la Figura 5) como en los resultados de la simulación.
Figura 3a. El evento de carga de vibración aleatoria (RV) relacionado con el lanzamiento del cohete
Figura 3b. Perfil estadístico de densidad espectral de potencia de vibración (PSD) asociado
Figura 4. Los gráficos de contorno de desplazamiento muestran cómo el desplazamiento del RV estuvo dominado por la primera frecuencia natural. (Compare las formas en la figura, donde el rojo indica un desplazamiento mayor).
Figura 5. Existe una correlación casi idéntica entre la alta tensión del plomo y los cables agrietados identificados en las pruebas experimentales.
Combinando soluciones para reducir los fallos
Para evitar que los cables del FPGA fallaran, NewSpace probó una combinación de dos soluciones. La primera fue agregar puntos de montaje adicionales a la PCB de los componentes para aumentar la frecuencia de su modo resonante de modo que quedara fuera del espectro de vibración perjudicial. En segundo lugar, se endureció el chasis mediante un proceso llamado "enclavamiento" para aumentar su modo resonante y reducir la deflexión del chasis bajo vibración. (Vea las elipses amarillas en la Figura 6b). El enclavamiento se refiere al uso de resina o adhesivo para pegar los componentes entre sí o a la placa. El adhesivo ancla el chip a la superficie de la placa y quita parte de la carga de los cables.
Figuras 6a y 6b. Para intentar evitar la falla de los cables del FPGA, NewSpace pensó en agregar soportes a las esquinas del FPGA
La combinación de soluciones de montaje y estacado se optimizó realizando el análisis de RV del software Mechanical en el chasis y la PCB y evaluando tanto la deflexión total del chasis como la vida útil por fatiga de los cables. Como se esperaba, NewSpace observó una mejora en el rendimiento de los cables bajo vibración. La predicción de vida útil del software Sherlock indicó que, lamentablemente, algunos cables seguirían fallando, pero estas fallas serían menos numerosas que antes y ocurrirían solo después de 2,3 años, significativamente más tiempo de lo que indicaba la simulación anterior. Después de ejecutar algunas simulaciones más, NewSpace pudo producir un FPGA con una confiabilidad del 100 % durante la vida útil del satélite, que era el objetivo original.
En el competitivo mundo del diseño de electrodomésticos, en particular de refrigeración, cocina, lavandería, lavavajillas o campanas extractoras, ampliar los límites de rendimiento significa comprender mejor cómo funcionan estos productos. Las regulaciones ambientales más estrictas, junto con los requisitos de experiencia del usuario más sofisticados, empujan los diseños hacia territorios donde el comportamiento físico sutil comienza a desempeñar un papel más destacado. Esto puede significar fases de desarrollo y prueba largas y costosas.
Por ejemplo, la gestión de la humedad dentro de los compartimentos de refrigeración es un área en la que comprender la condensación, la transferencia de calor y el flujo de aire es crucial para desarrollar un producto de mejor rendimiento.
La empresa de diseño de electrodomésticos Fisher & Paykel, con sede en Nueva Zelanda, utiliza el software Ansys para realizar simulaciones en las primeras etapas del desarrollo de productos con el fin de identificar y corregir posibles problemas, así como optimizar los diseños para cumplir con diversos criterios de rendimiento. Tuvieron especial éxito utilizando Ansys Fluent y la dinámica de fluidos computacional (CFD) para realizar mejoras en la fabricación de hielo en sus productos de refrigeración.
Simulación de refrigerador Fisher & Paykel
Las simulaciones también se utilizan ampliamente durante todo el proceso de desarrollo, especialmente cuando surgen diversos cambios de diseño a medida que maduran los diseños de los sistemas relacionados. Estos análisis tienden a ser un caso de evaluación de múltiples soluciones para priorizar aquellas que son más prometedoras. Debido a las diferencias sutiles entre algunas de estas soluciones y a la incertidumbre experimental, la CFD se ha convertido en el medio más confiable para su evaluación.
Comprender los desafíos de la fabricación de hielo
El objetivo de Fisher & Paykel era desarrollar una máquina para fabricar hielo de mayor rendimiento, lo que requiere aumentar el flujo de aire sobre la bandeja de hielo para mejorar la velocidad de fabricación de hielo. Esto implicaba crear un sistema de distribución de aire capaz de canalizar un flujo uniforme sobre la bandeja de hielo.
No fue una tarea fácil, ya que la empresa tuvo que redirigir parte del aire primario que ingresa al compartimiento del congelador hacia la máquina de hielo. Los desafíos: lidiar con los cambios abruptos en la dirección del flujo y desarrollar un diseño que pudiera funcionar con una variedad de modelos de refrigeradores diferentes.
En las conversaciones iniciales, la empresa se dio cuenta de que los deflectores múltiples no funcionarían debido al flujo de aire caótico y en remolino en la fuente. La solución es una zona que permite que el flujo se almacene lo suficiente de manera controlada antes de liberarlo en la máquina de hielo.
Diseño inicial de la máquina de hielo (izquierda) y diseño final (derecha) que muestran una distribución de velocidad mejorada sobre la bandeja de la máquina de hielo.
Mejorar el rendimiento de la fabricación de hielo
Los ingenieros de Fisher & Paykel crearon diseños iniciales utilizando perfiles de barrido simples de extremo a extremo y trayectorias de flujo relativamente complicadas debido a la necesidad de que el aire realice cambios direccionales drásticos en dos direcciones transversales ortogonales en una longitud corta.
La solución fue un rediseño del perfil del conducto utilizando un único deflector para controlar mejor la difusión a través de los dos planos ortogonales de forma independiente. Esto dio como resultado una reducción del 67 % en la pérdida de presión en comparación con el diseño inicial.
Inspirada por el movimiento giratorio del agua de la superficie del suelo al sortear un obstáculo (y con la ayuda del solucionador Adjoint de Fluent), la empresa optimizó el diseño para producir un flujo con una dirección principal alineada con la bandeja de hielo. Esto dio como resultado un aumento de velocidad promedio de más del 50 % y produjo un perfil de flujo más simétrico sobre la bandeja de la máquina de hielo, lo que ayuda a mejorar significativamente el rendimiento de la máquina de hielo.
Un diseño optimizado produjo un flujo que se alineaba con la bandeja de hielo, lo que resultó en un aumento de velocidad promedio de más del 50% y un perfil de flujo más simétrico sobre la bandeja de la fábrica de hielo.
Cómo se diseñó el campo de flujo
El flujo que ingresa al conducto se dirige hacia una cámara cilíndrica, lo que fomenta un movimiento de remolino con un eje en dirección transversal al flujo primario en la entrada del conducto. Esto permite la traslación lateral del flujo primario, al tiempo que minimiza las pérdidas. Luego, el flujo se libera detrás de la máquina de hielo a través de un segmento corto de conducto recto. Aquí, la característica abultada/cilíndrica aguas arriba de la salida del conducto fomenta y facilita el movimiento de remolino transversal, que es clave cuando se intenta producir un flujo unidireccional sobre la bandeja de hielo.
Durante todo este proceso, se utilizaron ampliamente simulaciones de CFD de Fluent. Este uso de la simulación resultó mucho más rentable y rentable en comparación con la producción y prueba de diseños impresos en 3D, que requerían tres días por iteración de diseño. La empresa podía realizar simulaciones de CFD en un solo día. Además, al buscar una forma orgánica para lograr los criterios de rendimiento dados, la capacidad de transformación de formas del solucionador Fluent Adjoint fue un enfoque superior en comparación con la creación manual de iteraciones de diseño discretas.
Las simulaciones de CFD también revelaron una descripción detallada del campo de flujo, lo que mejoró la comprensión de los ingenieros sobre el comportamiento del flujo. En comparación con las pruebas físicas, la capacidad de tener un mayor control del entorno de prueba en un modelo virtual también ayudó a Fisher & Paykel a refinar el diseño del producto. Además de observar los comportamientos del flujo de aire, era fundamental que los ruidos generados aerodinámicamente también se mantuvieran al mínimo para producir un refrigerador silencioso. Para esto, la empresa utilizó simulaciones aeroacústicas de Fluent para garantizar que se cumplieran los requisitos de nivel de ruido dentro del análisis de CFD y las pruebas físicas para evaluar el diseño final.
