ፈጣን የንድፍ አሰሳ ከኤሮዳይናሚክስ፣ CFD እና ተተኪ ሞዴሎች ጋር

ትርፍ፡

• በስሌት ፈሳሽ ተለዋዋጭ (ሲኤፍዲ) ሂደት ውስጥ AI በማዋቀር፣ በውጤት አተረጓጎም እና በተተኪ ሞዴል ማመንጨት እንዴት ጥቅም ላይ እንደሚውል ማብራራት መቻል።
• ትልቅ የንድፍ ቦታን በፍጥነት የመቃኘት ችሎታ እና የእጩ ጂኦሜትሪዎችን በማሽን መማር ላይ በተመሰረቱ ተተኪ ሞዴሎች
• በ AI የተጎላበተው የኤሮዳይናሚክስ ውጤቶችን ከመገጣጠም ፣ ከአውታረ መረብ ነፃነት እና ከአካላዊ ተጨባጭነት መስፈርቶች ጋር የማረጋገጥ ችሎታ።

ክንፍ እንዴት ሊፍት እንደሚያመነጭ፣ ፊውሌጅ አየርን እንዴት እንደሚከፍል፣ የመቆጣጠሪያው ገጽ ፍሰትን እንዴት እንደሚቀይር; ኤሮዳይናሚክስ የእነዚህ የማይታዩ ኃይሎች ሳይንስ ነው። መሐንዲሱ እነዚህን ሃይሎች በሁለት መንገድ ይማራሉ፡ በንፋስ ዋሻ ውስጥ በመሞከር ወይም በኮምፒውተር ስሌት ፈሳሽ ዳይናሚክስ (CFD; Compututional Fluid Dynamics፣ የፍሰት እኩልታዎችን በስሌት አውታረመረብ ላይ በቁጥር የሚፈታ ዘዴ)። CFD ኃይለኛ ነገር ግን ውድ ነው፡ ውስብስብ ሩጫ ሰዓታትን አልፎ ተርፎም ቀናትን ሊወስድ ይችላል፣ ይህም አንድ ነጠላ የንድፍ ነጥብ ይሰጣል። በመቶዎች የሚቆጠሩ ንድፎችን መሞከር የሚፈልግ መሐንዲስ እዚህ ማነቆ ውስጥ ገብቷል።

አርቴፊሻል ኢንተለጀንስ (AI) ይህንን ማነቆ በሁለት ቦታዎች ይከፍታል። በመጀመሪያ ፣ በ CFD ሂደት ራሱ-ማዋቀር ቁጥጥር ፣ የውጤት ትርጓሜ እና ሪፖርት ማድረግ። ሁለተኛ፣ እና የበለጠ ተለዋዋጭ፣ ተተኪ ሞዴሎች ናቸው (የማሽን መማሪያ ሞዴል ውድ የሆነ የማስመሰል የግብአት-ውፅዓት ግንኙነትን የሚማር እና በሰከንዶች ውስጥ ግምታዊ ትንበያ ይሰጣል)። ለተተኪው ሞዴል ምስጋና ይግባውና አንድ ትልቅ የንድፍ ቦታ በሰከንዶች ውስጥ በሰከንዶች ውስጥ ይቃኛል, ጥቂት ተስፋ ሰጪ እጩዎች ተመርጠዋል, እና በከፍተኛ ትክክለኛነት ከሙሉ CFD ጋር ብቻ ይሰላሉ. በዚህ ክፍል ውስጥ AIን በዚህ የስራ ሂደት ውስጥ ስንከተት የማይለዋወጥ ህግን እናስከብራለን፡ ምንም አይነት የተሳለጠ ውጤት ከውህደት እና ከአውታረ መረብ ነጻ መውጣትን ሳያሳዩ እና በአካላዊ አሳማኝነት ማጣሪያ ውስጥ ሳያልፍ ይቀበላሉ።

ፅንሰ-ሀሳቦች፡- ውህደቱ፡- ድግግሞሾቹ እየገፉ ሲሄዱ መፍትሄው በቋሚ እሴት ሲቀመጥ። የማይመጥን ከሆነ ውጤቱ አስተማማኝ አይደለም. የሜሽ ነፃነት፡ የመለያውን አውታረመረብ ሲያጥብ ውጤቱ በከፍተኛ ሁኔታ አይለወጥም። CL/ሲዲ፡ የሊፍት ኮፊሸን / ድራግ ኮፊሸን; የአየር ቅልጥፍና መሰረታዊ መለኪያ. ተተኪ ሞዴል፡ ፈጣን ግምታዊ የማስመሰል።

በ CFD የስራ ፍሰት ውስጥ የ AI ቦታ

የ CFD ሩጫ በግምት አምስት ደረጃዎችን ያቀፈ ነው፡ የጂኦሜትሪ ዝግጅት፣ ጥልፍልፍ ማመንጨት፣ ፈቺ ማዋቀር፣ መሮጥ እና ድህረ-ሂደት። AI በእያንዳንዱ እርምጃ በተለየ መንገድ ይረዳል, ነገር ግን በእነሱ ላይ የመጨረሻ አስተያየት የለውም.

ጥልፍልፍ በሚፈጠርበት ጊዜ፣ AI የድንበር ንብርብሩን አፈታት ከy+ ዒላማው አንጻር የመጀመሪያውን የሕዋስ ቁመት በግምት ያሰላል። ለትርጓሜ ሞዴል ምርጫ (ለምሳሌ k-omega SST) በፈታሽ ማቀናበሪያ ውስጥ፣ ለወራጅ ስርዓቱ ተስማሚ የሆኑ አማራጮችን ሊጠቁም ይችላል። በድህረ-ሂደት ውስጥ፣ አንድ ሰው ማንሳትን፣ መጎተትን እና ቅጽበት ኮፊሸንስን ከብዙ ሺህ የውጤት መዝገብ ለማውጣት እና የጥቃት ጠራርጎ ሴራ ለመፍጠር የ Python ስክሪፕት መፃፍ ይችላል። ነገር ግን የy+ እሴቱ በእውነቱ ዒላማው ላይ ይሁን፣ የተዘበራረቀ ሞዴሉ ከዚህ ፍሰት ጋር የሚስማማ መሆን አለመሆኑ እና ውጤቱ መገጣጠም ወይም አለመሆኑ በመሐንዲሱ አይን ይጣራል።

በጣም በተደጋጋሚ ጥቅም ላይ የዋለው ቦታ የውጤት አስተያየት ነው. AI “ለምን ያ የCL-alpha ጥምዝ በ14 ዲግሪ ይሰበራል” ብለው ሲጠይቁ የመቆም እድልን ያስታውሰዎታል (የጥቃቱ አንግል ሲጨምር እና ማንሳት ሲቀንስ ፍሰት ከክንፉ ይለያል) እና ማረጋገጥ ያለብዎትን ፍሰት መለያየት አመልካቾችን ይዘረዝራል። ይህ መላምት ጄኔሬተር ነው; ማረጋገጫው በመረጃው ውስጥ እንደገና አለ።

ጥንቃቄ፡ AI የ CFDን ውጤት አቀላጥፎ ሊተረጉም ይችላል፣ ነገር ግን ውጤቱ ራሱ የተሳሳተ ከሆነ፣ ትርጉሙም የተሳሳተ ይሆናል። "ይህ የመጎተት ዋጋ ምክንያታዊ ነው" የሚለው አረፍተ ነገር መፍትሔው ካልተጣመረ ምንም ማለት አይደለም. በመጀመሪያ የቁጥሩን ትክክለኛነት ያረጋግጡ ፣ ከዚያ አስተያየቱን ያረጋግጡ።

ተተኪ ሞዴሎች፡ የንድፍ ቦታን በሰከንዶች ውስጥ መቃኘት

ተተኪ ሞዴል የማቋቋም አመክንዮ ቀላል ነው። በመጀመሪያ፣ በጥንቃቄ የተመረጠው ናሙና (ለምሳሌ 40-80 የንድፍ ነጥቦች፣ የሙከራ ንድፍ በ DoE ይሰራጫል) ከሙሉ CFD ጋር ይሰላል። ከዚያም የማሽን መማሪያ ሞዴል (Gaussian process regression/kriging፣ radial base function or neural network) በእነዚህ የግብአት-ውፅዓት ጥንዶች የሰለጠናል። ሞዴሉ አሁን በሰከንዶች ውስጥ CL/ሲዲ ለአዲስ ጂኦሜትሪ ይተነብያል። በሺዎች የሚቆጠሩ እጩዎች በዚህ ርካሽ ሞዴል ተጣርተዋል፣ እና ከ3-5 ምርጥ የሚመስሉ እጩዎች እንደገና ተሰብስበው በተሟላ CFD ተረጋግጠዋል።

እዚህ ያለው ወሳኝ ነጥብ የመተማመን ክፍተት ነው. እንደ Kriging ያሉ ሞዴሎች ትንበያን ብቻ ሳይሆን በዚያ ትንበያ (እርግጠኝነት) ላይ ምን ያህል እርግጠኞች እንደሆኑም ጭምር ይሰጣሉ። ከስልጠና ነጥቦች ርቀው በሚገኙ አካባቢዎች እርግጠኛ አለመሆን ያድጋል; እዚያ, ሞዴሉን በጭፍን ከማመን ይልቅ አዲስ የ CFD ነጥብ ተጨምሯል. ይህ "እርግጠኝነት ከፍተኛ በሆነበት ቦታ አዲስ ናሙና ጨምር" loop ንቁ ትምህርት በመባል ይታወቃል እና አነስተኛ ቁጥር ባላቸው ውድ ሩጫዎች ሰፊ ቦታን በብቃት ይቃኛል።

ዘዴ

አንድ የንድፍ ነጥብ ዋጋ

ትክክለኛነት

መቼ ነው።

ሙሉ CFD (RANS)

ሰዓቶች

ከፍተኛ

የመጨረሻ ማረጋገጫ፣ አነስተኛ ቁጥር ያላቸው እጩዎች

ምትክ ሞዴል (ክሪጂንግ)

ሰከንዶች

መካከለኛ-ከፍተኛ (በትምህርት አካባቢ)

ትልቅ የቦታ ቅኝት፣ ማመቻቸት

ፓነል / ዝቅተኛ ትዕዛዝ ዘዴ

ሰከንዶች-ደቂቃ

ዝቅተኛ-መካከለኛ

መወገድ በጣም ቀደም ብሎ ፣ ረቂቅ ሀሳብ

የንፋስ ዋሻ

ቀናት-ሳምንታት

ከፍተኛ (እውነተኛ)

ወሳኝ ማረጋገጫ, የምስክር ወረቀት

ጠቃሚ ምክር፡ በስልጠናው መረጃ (extrapolation) ከተሸፈነው ክልል ውጭ የሱሮጌት ሞዴልን በጭራሽ አይጠቀሙ። አምሳያው ከ5-15 ዲግሪ የጥቃት አንግል የሰለጠነው ከሆነ በ25 ዲግሪ የሚሰጠው ዋጋ ትንበያ ሳይሆን ፈጠራ ነው። ሞዴሉን በሚገነቡበት ጊዜ AIን “የሥልጠና ክልልን እንዲጽፍ እና ከክልል ውጭ ያሉ ጥያቄዎችን ውድቅ እንዲያደርግ መጠየቅ” ይህንን ወጥመድ ይዘጋል።

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ ጥያቄ፡

ይህ የአየር ፎይል ጥሩ ነው? የ CFD ውጤቴን ተርጉም፡ CD=0.009

ኃይለኛ ጥያቄ፡-

ሚና፡ እርስዎ የአየር ላይ ትንተና አማካሪ ነዎት። አንተ ደህንነት-ወሳኝ ማረጋገጫ ተግባራዊ.አውድ: 2D airfoil RANS CFD ትንተና (እሴቶች ተወካዮች ናቸው): Re=1.5e6, Mach=0.2, ጥቃት አንግል 4 °, ትርምስ ሞዴል k-omega SST. ውጤት: CL=0.62, CD=0.0091. አውታረ መረብ: 180k ሕዋሳት, y+ ~ 1. ተግባር: 1) ውጤቱን ትክክለኛ ከማጤን በፊት ማረጋገጥ ያለብኝን የማረጋገጫ ደረጃዎች ይዘርዝሩ (መገናኘት, የአውታረ መረብ ነጻነት, y+) .2) የ CL / ሲዲ ሬሾን አስሉ እና ለዚህ የመገለጫ ክፍል ከተለመደው ክልል ጋር ያወዳድሩ. እርግጠኛ ባልሆኑበት ቦታ ላይ ምልክት ያድርጉ; ትክክለኛ "ጥሩ/መጥፎ" ፍርድ አታድርጉ፣ የማረጋገጫ እቅድ ስጡ።

ሊገለበጡ የሚችሉ ፈጣን አብነቶች

አብነት 1 — CFD ማዋቀር ምክንያት፡

ለሚከተለው የፍሰት ሁኔታ (ውክልና እሴቶች) ለ CFD ማዋቀር ምክር ይስጡ፡ Re=[...]፣ Mach=[...]፣ ጂኦሜትሪ=[...]። የሚከተሉትን ምክንያቶች ጠቁሙኝ፡- ተገቢው የብጥብጥ ሞዴል አማራጮች፣ ለድንበር ሽፋን ኢላማ y+ እና የመነሻ ሕዋስ ቁመት ስሌት፣ የድንበር ሁኔታዎች። ለእያንዳንዱ ምርጫ "ለምን" እና "በዚህ ሁኔታ ስህተት ይሆናል" የሚለውን ማስታወሻ ያክሉ. የቁጥሮችን አሃድ ይፃፉ.

አብነት 2 — የሙከራዎች ንድፍ (DoE) እና ተተኪ ሞዴል ዕቅድ፡-

እኔ [N] ንድፍ ተለዋዋጮች አሉኝ: [ዝርዝር, ክልሎች ጋር]. ተተኪ ሞዴልን ለማሰልጠን፡ (ሀ) ምን ያህል የናሙና ነጥቦች እና የናሙና ዘዴ (ለምሳሌ የላቲን ሃይፐርኩብ) ይመክራሉ፤ (ለ) የትኛው ዓይነት ምትክ ሞዴል ተስማሚ ነው እና ለምን; (ሐ) ሞዴሉን እንዴት አረጋግጣለሁ (የመስቀል ማረጋገጫ፣ የተከፈለ የሙከራ ስብስብ)። ከመጠን በላይ የመውለድ አደጋን ለመከላከል ምን ህግ መጣል አለብኝ?

አብነት 3 — ከሲኤፍዲ የውጤት ፋይል ውህደቶችን ለማውጣት ስክሪፕት፡

ከ CFD የግዳጅ ሪፖርት CSV (አምዶች፡ ተደጋጋሚነት፣ Fx፣ Fy፣ Fz) በፓይዘን፡ (a) የመጨረሻዎቹን 500 ድግግሞሾች በአማካይ በማስላት convergedCL እና ሲዲ ያሰሉ፤ (ለ) ያለፉትን 500 ድግግሞሾችን መደበኛ ልዩነት ይፃፉ እና መጋጠሚያዎችን ለመፈተሽ ከመነሻ ጋር ያወዳድሩ። (ሐ) ለጥቃት ቅኝት አንግል CL-alpha ያሴሩ። የማጣቀሻ ቦታን እና ተለዋዋጭ ግፊትን እንደ መለኪያዎች ያዘጋጁ; መለያውን በአስተያየት መስመሮች ያብራሩ.

አብነት 4 — ተተኪ ሞዴል ትንበያ በራስ መተማመን ጥያቄ፡-

እኔ የሰለጠነው የክሪጂንግ ፕሮክሲ ሞዴል ለሚከተለው ትንበያ CL=0.71፣ እርግጠኛ አለመሆን(std) 0.02 ሰጥቷል። የመጠይቁ ነጥብ [ውስጥ/ውጭ] የሥልጠና ክልል ነው። (ለ) እርግጠኛ አለመሆን ከፍተኛ ከሆነ፣ በምን ደረጃ ላይ ነው አዲስ CFD ምሳሌ (ንቁ የመማር አመክንዮ) ማከል ያለብኝ? (ሐ) ይህንን ትንበያ ከሙሉ CFD ጋር ማረጋገጥ ያለብኝ መቼ ነው?

ሚኒ ጉዳዮች

ጉዳይ 1 - ያልተጣመረ ውጤት ተይዟል. ተማሪ ለአየር ፎይል ውጤቱን ሲዲ=0.0065 ያገኛል እና ይደሰታል። ለመገለጫው ክፍል የተለመደው ሲዲ በ 0.008-0.012 ውስጥ ነው, ውጤቱ በጣም ጥሩ ይመስላል. በ AI የተጠቆመውን የመሰብሰቢያ ቼክ መተግበሩ በመጨረሻዎቹ ድግግሞሾች ውስጥ የኃይል ቅንጅት አሁንም እየተወዛወዘ መሆኑን ያሳያል። መፍትሄው ከብዙ ድግግሞሾች ጋር ሲጣመር በሲዲ = 0.0094 ላይ ይቀመጣል. ትምህርት፡- “በጣም ጥሩ” ውጤት ብዙውን ጊዜ ያልተጣመረ ውጤት ነው።

ጉዳይ 2 - የሱሮጌት ሞዴል በ 200 ጊዜ ያፋጥናል. አንድ ቡድን 60 ሙሉ CFD ሩጫዎችን (~ እያንዳንዳቸው 2 ሰአታት) ለአንድ ክንፍ በ6 ጂኦሜትሪክ መለኪያዎች ያካሂዳል እና የክሪጊን ምትክ ሞዴል ያሠለጥናሉ። ከዚያም በ 40 ሰከንድ ውስጥ የ 5000 እጩ አወቃቀሮችን በፕሮክሲ ሞዴሉ ውስጥ ይቃኛል, ምርጥ 4 እጩዎችን ሙሉ CFD ያረጋግጣሉ. በጠቅላላው 64 CFD ሩጫዎች፣ ግምታዊ ግምት ከ5000 ሩጫዎች ጋር እኩል ነው። የቆይታ ጊዜ ከሳምንታት ወደ ሁለት ቀናት ይቀንሳል. ትምህርት፡- ውድ የሆነውን ሲሙሌሽን በየቦታው ሳይሆን በማረጋገጫ ነጥቦች ላይ ብቻ ያሂዱ።

ጉዳይ 3 - Extrapolation ወጥመድ. አንድ መሐንዲስ ከ3-12 ዲግሪ ጥቃት አንግል ለሰለጠነ ተተኪ ሞዴል በ18 ዲግሪ የማንሳት ጥያቄን ይጠይቃል። ሞዴሉ እንደ CL=1.6 ያለ ያለችግር እየጨመረ ያለ ዋጋ ይሰጣል። እንደ እውነቱ ከሆነ ክንፉ ወደ 15 ዲግሪ አካባቢ የሚይዘውን ያጣል እና ማንሳቱ ይቀንሳል, ነገር ግን ተተኪው ሞዴል ይህን ፊዚክስ "ስለማይመለከት" ቀጥ አድርጎ ያሰፋዋል. መሐንዲሱ ውጤቱን በአካላዊ የአሳማኝነት ማረጋገጫ (የማጣበቂያ መጥፋትን በመጠባበቅ) ውድቅ ያደርጋል እና ሙሉ CFD ወደዚያ አካባቢ ያካሂዳል። ትምህርት፡ ተተኪው ሞዴል ፊዚክስን ከስልጠናው ክልል በላይ አያውቅም።

የተለመዱ ስህተቶች

• መገናኘቱን አለመፈተሽ። ያልተጣመረ የመፍትሄው ቅንጅቶች ትርጉም የለሽ ናቸው; የግራፉ ውበት የመገጣጠም ዋስትና አይሆንም.
• የአውታረ መረብ ነፃነትን ማለፍ። ውጤቱ በኔትወርኩ ላይ የሚመረኮዝ ከሆነ, ከተለያዩ አውታረ መረቦች ጋር የተለያዩ መልሶች ይወጣሉ; የትኛው ትክክል እንደሆነ ሊታወቅ አይችልም.
• ተተኪ ሞዴል ውስጥ Extrapolation. ከስልጠናው ክልል ውጭ ያለው ትንበያ ሒሳባዊ ማራዘሚያ እንጂ አካላዊ እውነትን አይሰጥም።
• እርግጠኛ አለመሆንን ችላ ማለት። የ Kriging ትንበያ የመተማመን መረጃ ጥቅም ላይ ካልዋለ, ሞዴሉ በጣም የሚተማመንበት ክልል እና ብዙም በራስ መተማመን የሌለበት ክልል ተመሳሳይ ነው.
• የብጥብጥ ሞዴልን በዘፈቀደ መምረጥ. የተሳሳተው የብጥብጥ ሞዴል የተሰባሰበ እና ከአውታረ መረብ ነጻ የሆነ መፍትሄ በአካል የተሳሳተ ያደርገዋል።

በማጠቃለያው

CFD ኃይለኛ ነገር ግን ውድ መሳሪያ ነው; AI ከሁለት ቦታዎች ያፋጥነዋል-የሂደት አስተዳደር (መጫን ፣ አስተያየት ፣ ስክሪፕት) እና በሰከንዶች ውስጥ ትልቅ የንድፍ ቦታን ከተተኪ ሞዴሎች ጋር መቃኘት። ተተኪው ሞዴል በትንሽ ቁጥር ሙሉ CFD ሩጫዎች የሰለጠነ፣ በራስ የመተማመን ጊዜ ጥቅም ላይ የሚውል ነው፣ እና ምርጥ እጩዎች የግድ በሙሉ CFD የተረጋገጡ ናቸው። ውህደቱን፣ የአውታረ መረብ ነጻነትን እና አካላዊ አሳማኝነትን ሳያረጋግጡ ምንም የተሳለጠ ውጤቶች አይቀበሉም። AI መላምት እና ፍጥነት ይሰጣል; የመጨረሻው የፊዚክስ ዳኛ ዳታ ነው።

የመተግበሪያ ተግባር

ለአየር ፎይል ወይም ለቀላል ጂኦሜትሪ የ CFD አሂድ ሁኔታን ይግለጹ (ተወካይ እንጂ ትክክለኛ የፕሮጀክት ውሂብ አይደለም)። AI ን በመጠቀም፣ (ሀ) ውጤቱን ትክክለኛ እንደሆነ ከማሰብዎ በፊት የማረጋገጫ ደረጃዎችን ይዘርዝሩ፣ (ለ) የውጤት ፋይሉን ኮፊሸንስ የሚያወጣ የፓይዘን ስክሪፕት ያትሙ እና አመክንዮ መስመሩን በመስመር ያረጋግጡ፣ (ሐ) ምትክ ሞዴል ለመገንባት እቅድ ያዘጋጁ (ምን ያህል ናሙናዎች ፣ የትኛው ዘዴ ፣ እንዴት ማረጋገጥ እንደሚቻል)። ውጤቱን ከተለመደው ክልል ጋር ያወዳድሩ እና ምክንያታዊነቱን ይገምግሙ።

የማረጋገጫ ዝርዝር

• [ ] ለእያንዳንዱ የ CFD ውጤት የመገናኘት ፍተሻ አደረግሁ።
• [ ] የኔትወርክ ነፃነት ታይቷል ወይ ብዬ ጠየቅኩ።
• [] እንደ ሲኤል/ሲዲ ያሉትን ጥምርታዎች ከተለመደው የክፍል ክልል ጋር አነጻጽሬአለሁ።
• [] ምትክ ሞዴሉን የተጠቀምኩት በስልጠናው ክልል ውስጥ ብቻ ነው።
• [ ] ስለ ተተኪ ሞዴል ትንበያዎች እርግጠኛ አለመሆን በውሳኔው ላይ ገለጽኩ።
• [] ምርጥ እጩዎችን በሙሉ CFD አረጋግጫለሁ።