Bij het simuleren van een aandrijving komen veel testdisciplines kijken: elektromagnetisch testen, thermisch gedrag, structurele integriteit, de regeling die bepaalt hoe een motor zich bij transiënten gedraagt. Simulatie is dan ook vaak niet een kwestie van één model gebruiken, maar eerder van een serie van simulaties met verschillende resoluties en aannames. Dat ModSim (Modeling & Simulation) dan kan helpen door ontwerp en simulatie dichter bij elkaar te brengen, is niet nieuw. Nieuw is wel hoe AI hierbij kan helpen, zo bleek tijdens 3Dexperience World.
Tijdens 3Dexperience World kondigde Dassault Systèmes de introductie aan van AI Industry Worlds, een nieuw concept waarmee Dassault Systèmes kunstmatige intelligentie nadrukkelijk wil verankeren in sectorspecifieke engineeringkennis. In plaats van te vertrouwen op generieke AI-modellen, kiest het bedrijf voor AI-systemen die zijn opgebouwd rond fysica, industriële processen en domeinspecifieke knowhow. Volgens Dassault-CEO Pascal Daloz is dat noodzakelijk omdat kunstmatige intelligentie in industriële omgevingen alleen waarde kan toevoegen als het werkt binnen de grenzen van materiaalgedrag, veiligheid en wetenschappelijke wetmatigheden. AI Industry Worlds moet die combinatie van wetenschap en praktijk structureel vastleggen in virtual twins.
Met AI Industry Worlds positioneert Dassault Systèmes AI nadrukkelijk als versneller van industriële kennis, niet als vervanger van engineers. Elk ‘industry world model’ fungeert als een kennislaag waarin ontwerpregels, simulatiemodellen, productie-inzichten en gebruikscontext samenkomen. Die modellen vormen de basis voor nieuwe virtuele AI-companions die engineers, onderzoekers en managers ondersteunen bij ontwerpkeuzes, analyses en besluitvorming. Daloz benadrukte dat de verantwoordelijkheid daarbij altijd bij mensen blijft: AI helpt om meer scenario’s te verkennen en sneller te leren, maar beslissingen blijven herleidbaar en controleerbaar.
AI toevoegen aan ModSim
AI dringt sowieso steeds dieper door in het dagelijks werk in de industrie. Een mooi voorbeeld daarvan is het toevoegen van AI aan processen rond het simuleren van technische ontwerpen, zo legde Michelle Ash, CEO van Dassault’s Simulia-divisie tijdens de 3Dexperience World uit. Bij het ontwikkelen van een aandrijving is het proces traditioneel sequentieel: een ontwerper maakt een concept, een specialist rekent het door (EM, thermisch, mechanisch) en op basis van diens uitkomsten gaat het ontwerp terug naar de tekentafel voor aanpassingen. Die cyclus moet vervolgens een paar keer doorlopen worden.
Dat doorlopen van cycli kost tijd, zeker als disciplines elkaar beïnvloeden: een EM-optimalisatie kan extra verlies en warmte opleveren, een thermische maatregel kan luchtgap of pakketdichtheid beïnvloeden, een mechanische aanpassing kan het trillingsgedrag veranderen. “Modeling & Simulation kan helpen dit proces efficiënter te maken. ModSim is vooral een organisatiemodel en workflowkeuze”, vertelde Ash. “Ontwerp en simulatie worden dichter op elkaar gezet zodat feedback sneller komt en engineers eerder in het traject kunnen toetsen of ze binnen prestatie- en betrouwbaarheidseisen blijven. Die versnelling is nodig, omdat bedrijven hun time-to-market willen verbeteren en het aantal fysieke prototypes drastisch willen verminderen, trends die in de aandrijftechniek natuurlijk zeer herkenbaar zijn.”
Waarom AI pas werkt als de basis klopt
Tijdens de presentatie die Ash samen met Delphine Genouvrier (Senior Director Simulia R&D) verzorgde, vertelde ze dat we AI niet als een ‘magische snelweg’ moeten zien als het om simuleren en testen gaat. “Je voegt AI juist toe aan een solide simulatiebasis en dat kost tijd. De reden is vertrouwen en herleidbaarheid. AI kan versnellen, maar alleen als duidelijk is binnen welke aannames en grenzen de voorspellingen geldig zijn.” Vanuit die optiek wordt het fenomeen ‘simulation governance’ steeds belangrijker.
Governance wordt nog wel eens gezien als een wat wollig en abstract onderwerp. Tijdens het event van Dassault Systèmes werd echter duidelijk dat het consequent vastleggen van de keten van modellen en wijzigingen cruciaal is. Een ogenschijnlijk kleine wijziging kan namelijk grote gevolgen hebben. Bovendien moeten we een heel duidelijk beeld hebben van de situaties waarin een simulatiemodel gebruikt kan worden en correcte resultaten kan geven. Simulation governance helpt om die grenzen aan de toepasbaarheid van simulatiemodellen vast te leggen en ook daadwerkelijk in de praktijk te gebruiken. Met de toevoeging van AI aan ModSim wordt dat nog belangrijker.
Werken met synthetische data
Nu weten we natuurlijk ook dat het met succes toepassen van AI vooral afhankelijk is van de kwaliteit van de beschikbare data. Dat kunnen historische gegevens en ontwerpen zijn. Daar kunnen, zo vertelde Genouvrier, toch ook beperkingen aan zitten. Ontwerpen en bijvoorbeeld meetdata uit het verleden kunnen erg interessant zijn, maar een ‘oud’ ontwerp kan natuurlijk ook een ‘verouderd’ ontwerp blijken te zijn. De vraag is dan wat het nut van het gebruiken van dat soort gegevens bij AI is. Daarom wordt ook steeds meer gekeken naar het gebruik van zogeheten synthetische data.
Synthetic data bij AI is kunstmatig gegenereerde data die worden gebruikt om AI-modellen te trainen, testen of valideren wanneer echte data schaars, gevoelig of onvolledig is. In plaats van afkomstig te zijn uit metingen, sensoren of historische registraties, wordt synthetische data gegenereerd op basis van bestaande statistische patronen, fysische modellen, simulaties of regelsets. In industriële omgevingen kan het bijvoorbeeld gaan om gesimuleerde productiedata, virtuele sensormetingen of varianten van onderdelen en procesinstellingen die in de praktijk niet zijn geproduceerd. Het voordeel is dat AI-modellen zo ook kunnen leren van minder vaak voorkomende situaties, extreme randgevallen of toekomstige scenario’s zonder dat daarvoor dure tests, lange doorlooptijden of risico’s voor kwaliteit en veiligheid nodig zijn.
De rol van simulation governance
Ash en Genouvrier stipten tijdens het event wel een risico aan: als je op basis van synthetische data ontwerpaanbevelingen doet, hoe voorkom je dan dat je buiten de geldigheidsgrenzen van je simulatiemodel belandt? Simulation governance helpt om dit te voorkomen. Het omvat de elementen traceerbaarheid (welke data, modellen en condities zitten achter een uitkomst), geldigheidsgrenzen (binnen welke parameterbanden mag een ‘surrogate model’ of versnelde AI-voorspelling gebruikt worden) en escalatiepaden (wanneer moet je van snelle ‘surrogate checks’ terug naar EM- of thermo-mechanische simulaties).
Het voordeel van ModSim op basis van historische danwel synthetische data is dat engineers eerder feedback krijgen en dus meer opties kunnen onderzoeken voordat het ontwerp ‘vast’ komt te zitten. AI helpt hier om de ModSim-aanpak verder te verbeteren en te versnellen. De beperking blijft echter: het model is een benadering binnen een begrensde ‘design space’. Met andere woorden, je moet duidelijk vastleggen voor welke situaties het model gebruikt kan worden. Juist daarom is dus governance nodig. Het model moet weten wat het wel en niet kan.
AI-companions gebruiken
Dassault heeft drie AI-assistants oftewel ‘AI companions’ ontwikkeld die in dit simulatieproces kunnen helpen. De eerste is Aura, die ondersteunt vooral bij tekst en kennis: rapportage, samenvatten, brainstormen, en het ophalen van bedrijfs- en domeinkennis. In aandrijfprojecten kan dat helpen bij het consistent documenteren van EM/thermische analyses, het uniform maken van test- en simulatierapporten of het ontsluiten van interne richtlijnen. Assistent Leo zit direct op simulatie-workflows: helpen met opzetten, modelvoorbereiding (geometrie vereenvoudigen, meshing), interpretatie van resultaten en het vertalen van softwaremeldingen naar acties. Dit kan veel tijd besparen. Derde companion Mari richt zich vooral op de basis: fysica en wetenschap.
De drie AI-companions worden door Dassault neergezet als hulpmiddelen die zowel kunnen uitleggen als meedoen. Ze begeleiden het proces, maar vragen de gebruiker ook om keuzes te maken. Ze doen dat – net als algemene chatbots – in gewone taal. Hierna kiest de AI de juiste commando’s en stappen om de simulatie daadwerkelijk te doen.
Breed ingezet
Interessant is dat Dassault deze companions heel breed zal gaan inzetten. De uitrol zal stap-voor-stap verlopen, maar de eerste klantpilots rond SolidWorks lopen inmiddels al. Voor een engineer zal het verschil tussen de drie assistants overigens niet direct opvallen. Je gebruikt als engineer een chatbot en geeft daar een vraag in. Afhankelijk van die vraag of opdracht bepaalt de onderliggende AI de intentie van de gebruiker. Vervolgens kiest de AI zelf voor de juiste AI-functionaliteit. Belangrijk is verder dat Dassault in deze companions een fors aantal AI-modellen gebruikt die specifieke competenties en skills vertegenwoordigen. Al deze onderliggende AI-modellen zijn getraind op de technische kennis en vaardigheden die relevant zijn voor die rol of vaardigheid. Dassault noemt die kennis ook wel ‘content’.
ModSim als fundament, AI als versneller
Ash ziet veel mogelijkheden voor het versnellen en verbeteren van ModSim met de hulp van deze companions. Maar daar hoort wel een duidelijke implementatiestrategie bij, vindt zij: eerst ModSim goed op de rails zetten, dan AI toevoegen. En niet andersom. Met andere woorden: eerst de reeks van simulatiemodellen en de datahuishouding op orde brengen, inclusief versiebeheer, variantbeheer, geldigheidsgrenzen en reviewprocessen. Pas daarna kun je AI inzetten om sneller te itereren en kennis beter te hergebruiken. Zo wordt AI niet een extra tool naast simulatie, meent zij, maar een laag die het ontwikkel- en simulatieproces schaalbaar maakt zonder dat je de fysische onderbouwing en controle verliest.
