建筑/工程/施工
Arup 利用 NVIDIA DGX Spark 将结构仿真从数小时缩短至数分钟
目标
Arup 是全球领先的建筑环境咨询公司，在 130 多个国家/地区提供工程、设计和咨询服务。随着行业越来越重视在保持结构性能的同时减少隐含碳排放，Arup 的工程师必须在不延长项目时间的情况下，加速设计到仿真的周期。传统的有限元法 (FEM) 仿真需要大量计算，限制了识别最佳低碳设计所需的早期迭代。
通过在 NVIDIA DGX Spark™ 上训练和部署基于图神经网络 (GNN) 的代理模型，Arup 将结构仿真评估时间从数小时缩短至数分钟，同时实现高达 95% 的模型精度，从而实现更快、数据驱动的大规模设计决策。
要点
从数小时到数分钟
- GNN 代理模型将结构性能所需的时间从数小时缩短至数分钟，实现了早期工作流中近乎实时设计迭代。
~90% 到 95% 的模型精度
- 与传统 FEM 仿真相比，GNN 代理模型可实现高达 95% 的模型精度，并保持了工程级的保真度。
速度提升高达 50%
- DGX Spark 与其它平台相比，GNN 模型执行和训练速度提升高达 50%，加速了开发周期。
扩展结构设计探索
Arup 致力于将工程理想与环境责任相结合。Arup 作为一家值得信赖的全球咨询公司，交付了全球一些最复杂的结构 —— 从超高层摩天大楼到海上风电场 —— 业务遍及 130 多个国家/地区和所有主要市场。可持续发展并非 Arup 的约束，而是项目任务书。这意味着每一项结构设计决策都面临着双重任务：性能符合规范，并尽可能减少材料使用和隐含碳排放。寻找满足这两种需求的设计需要探索数千种配置。探索数千种配置需要仿真。
在结构工程中，有限元方法 (FEM) 是用于模拟结构行为和确保安全的行业标准。然而，这些仿真属于计算密集型 —— 每个模型通常需要数分钟到数小时，且需要 HPC 基础设施和相关队列，限制了项目时间表中可评估的从设计到仿真周期数量。这在早期工作流中影响力尤其大，快速迭代对于这些工作流至关重要。随着越来越多的项目需要在性能、材料成本和隐含碳之间取得平衡，这种约束已成为一个重大的瓶颈。
工程师通常被迫依赖简化的假设，或仅评估有限的选项，从而降低了其识别最佳性能、最可持续的解决方案的能力。对于像 Arup 这样在 130 多个国家/地区交付复杂项目的全球咨询公司来说，这一局限性既影响了效率，也影响了创新，使其难以在竞争激烈的项目时间表内扩大设计探索规模，并实现低碳、优化的成果。Arup 需要的是在不牺牲工程严谨性和延长项目工期的情况下，实时探索数千种结构方案。
利用定量 AI 洞察改造早期设计
通过在 NVIDIA DGX Spark 上部署基于 GNN 的代理模型，Arup 改变了其早期阶段的结构设计工作流。结构性能评估时间从数百小时缩短至仅需几分钟，可在设计研究过程中实现近乎即时的预测。这些模型在关键结构指标中均达到了 90–95% 的模型精度，确保工程师能够自信地利用 AI 驱动的洞察，做出关键设计决策。
在早期设计中，大量参数生成众多潜在方案，由于分析所需时间，工程师通常只能进行定性评估。在最近的一项研究中，Arup 通过参数化建模生成了多个建筑体量选项，每种选项都需要进行快速结构评估，为早期设计决策提供依据。借助在 DGX Spark 上运行基于 GNN 的预测，现在可以高效评估数千种结构方案，从而在结构性能、成本和碳排放等方面实现更明智的权衡。
DGX Spark 在本地运行，可保持数据处理的安全，同时支持更快的项目交付和更可持续的设计成果。之前只能在早期设计阶段执行定性评估的工程师，现在可以利用定量、数据驱动的洞察，更快地识别低碳的最佳解决方案。
“Arup 与清华大学合作开发的先进 AI，结合 NVIDIA DGX Spark 和 AI 优化专业知识，使我们能够更快地设计复杂结构，在降低成本和碳排放的同时，确保项目数据的本地化和安全性。”
Arup 全球数字服务领导者
Will Cavendish
展望未来
物理仿真是 Arup 最高价值工作的核心，涵盖了固体、流体和气体，并应用于风力建模、污染与火灾蔓延、水文研究以及空气传播感染分析等领域。目前有两项方法上的进步正在推动这一领域向前发展：代理式 AI，可更高效地编排复杂工程工作流；以及替代模型，可利用神经网络取代经典方程，在不牺牲模型精度的情况下大幅提升计算速度。
了解 NVIDIA DGX Spark 如何加速 AI 赋能的工程仿真和可持续设计。
