“ Leveraging GPU acceleration and PyTorch for mechanistic model optimization: expanding to predict cutting forces in micro ball end milling” è il titolo della tesi di Christian Mhanna
tegrazione di ulteriori KPI( es. costi e affidabilità), vincoli di sicurezza e modelli di simulazione a maggiore fedeltà”.
Leveraging GPU acceleration and PyTorch for mechanistic model optimization: expanding to predict cutting forces in micro ball end milling di Christian Mhanna“ I progressi più recenti nelle tecnologie di produzione hanno spostato l’ attenzione verso la miniaturizzazione dei processi attraverso le operazioni di microfresatura, che sono fondamentali per la produzione di alta precisione e per la realizzazione di geometrie complesse. Questi processi interessano diversi settori dell’ industria moderna, come quello aerospaziale, biomedico ed energetico. La complessità dei fenomeni fisici che governano i microprocessi ha portato i ricercatori a esplorare nuove tecniche di modellazione in grado di riprodurre accuratamente i sistemi reali. Ciò è anche legato all’ emergere della digitalizzazione nella produzione, che consente di spostare l’ intero ciclo produttivo su piattaforme digitali. In questo studio, dopo aver analizzato lo stato dell’ arte sulla modellazione delle forze di taglio in microfresatura, viene sviluppato in ambiente Python un modello meccanicistico di previsione delle forze con punta sferica. Il codice viene implementato in un framework di software altamente ottimizzato e accelerato da GPU, utilizzando ambienti di programmazione e librerie moderni, tra cui PyTorch. Lo scopo dello studio è quello di espandere un modello meccanicistico inizialmente basato su frese con geometri piatta ad una geometria sferica. In secondo luogo, si è presentata la necessità di ottimizzare l’ efficienza dei calcoli per poter prevedere le forze di taglio concernenti condizioni differenti per rendere lo strumento applicabile a situazioni reali legate al mondo della produzione e non solo accademico. In conclusione, i tempi di esecuzione sono stati confrontati con un’ implementazione ottimizzata basata solo su CPU. Lo studio ha mostrato una capacità di calcolo superiore, in cui la computazione di batch di grosse dimensioni su GPU ha accelerato i tempi di previsione fino al 73 % in confronto alla computazione su CPU. Sfruttare le capacità di calcolo matriciali delle schede grafiche consente un risparmio di tempo e colma una lacuna che fino ad oggi ha limitato l’ implementazione nelle realtà industriali dei modelli meccanicistici complessi, gettando le basi per sviluppi futuri”.
www. techmec. it 65