Печалби:
- Да може да обясни как AI се използва при настройката, интерпретацията на резултатите и генерирането на заместващ модел в процеса на изчислителна динамика на флуидите (CFD).
- Възможност за бързо сканиране на голямо дизайнерско пространство и класиране на кандидат геометрии с базирани на машинно обучение сурогатни модели
- Възможност за валидиране на задвижвани от AI аеродинамични изходи с критерии за конвергенция, независимост от мрежата и физическа правдоподобност
Как едно крило създава повдигане, как фюзелажът разделя въздуха, как контролната повърхност отклонява потока; Аеродинамиката е наука за тези невидими сили. Инженерът научава тези сили по два начина: чрез експеримент в аеродинамичен тунел или чрез компютърна изчислителна динамика на флуидите (CFD; Computational Fluid Dynamics, метод, който решава числено уравнения на потока в изчислителна мрежа). CFD е мощен, но скъп: едно сложно изпълнение може да отнеме часове, дори дни, като се получи една единствена проектна точка. Инженерът, който иска да изпробва стотици дизайни, се сблъсква с пречка тук.
Изкуственият интелект (AI) отваря това тясно място на две места. Първо, в самия процес на CFD: контрол на настройката, тълкуване на резултатите и докладване. Второ, и по-трансформативно, са сурогатните модели (модел на машинно обучение, който научава връзката вход-изход на скъпа симулация и дава приблизителна прогноза за секунди). Благодарение на заместващия модел, голямо дизайнерско пространство се сканира за секунди вместо за часове, избират се няколко обещаващи кандидати и само те се изчисляват с пълен CFD с висока точност. В този модул ние поддържаме неизменното правило при вграждане на AI в този работен процес: не се приемат рационализирани резултати без демонстриране на конвергенция и независимост на мрежата и преминаване през филтъра на физическата правдоподобност.
Концепции: Конвергенция: решението се установява на постоянна стойност, докато итерациите напредват; Ако не пасва, резултатът е ненадежден. Независимост на мрежата: Резултатът не се променя значително, когато затегнете мрежата на акаунта. CL/CD: Коефициент на повдигане / коефициент на съпротивление; основна мярка за аеродинамична ефективност. Сурогатен модел: Бърза приблизителна имитация на симулация.
Мястото на AI в работния процес на CFD
Изпълнението на CFD се състои от приблизително пет стъпки: подготовка на геометрията, генериране на мрежа, настройка на решаващия инструмент, изпълнение и последваща обработка. AI помага по различен начин на всяка стъпка, но няма последната дума за нито една от тях.
При генерирането на мрежа AI може грубо да изчисли първоначалната височина на клетката спрямо целта y+ за разделителна способност на граничния слой. За избор на модел на турбулентност (напр. k-omega SST) в настройката на решаващия инструмент може да предложи опции, подходящи за режима на потока, с обосновка. При последваща обработка може да се напише скрипт на Python, за да се извлекат коефициентите на повдигане, съпротивление и момент от хилядите редове на файла с резултати и да се създаде диаграма на ъгъла на атака. Но дали стойността на y+ е наистина на целта, дали моделът на турбулентността отговаря на този поток и дали резултатът се сближава или не, се проверява от окото на инженера.
Най-често използваното място е коментарът на резултата. Когато попитате AI "защо тази CL-алфа крива се счупва при 14 градуса", той ви напомня за възможността от срив (потокът се отделя от крилото, когато ъгълът на атака се увеличава и повдигането намалява) и изброява индикаторите за разделяне на потока, които трябва да проверите. Това е генератор на хипотези; Потвърждението отново е в данните.
Внимание: AI може да интерпретира гладко резултат от CFD, но ако самият резултат е грешен, тълкуването също ще бъде грешно. Изречението „Тази стойност на съпротивление е разумна“ не означава нищо, ако решението не се сближава. Първо проверете валидността на номера, а след това коментара.
Сурогатни модели: Сканиране на дизайнерско пространство за секунди
Логиката за установяване на сурогатен модел е проста. Първо, внимателно подбрана проба (напр. 40-80 проектни точки; експерименталният дизайн се разпространява от DoE) се изчислява с пълния CFD. След това модел на машинно обучение (регресия/кригинг на процес на Гаус, радиална базисна функция или невронна мрежа) се обучава с тези входно-изходни двойки. Сега моделът предвижда CL/CD за нова геометрия за секунди. Хиляди кандидати се проверяват с този евтин модел, а 3-5 най-добре изглеждащи кандидати се преизчисляват и проверяват с пълен CFD.
Критичната точка тук е доверителният интервал. Модели като Kriging предоставят не само прогноза, но и колко уверени са в тази прогноза (несигурност). Несигурността нараства в райони, далеч от местата за обучение; Там се добавя нова CFD точка вместо сляпо доверие на модела. Този цикъл „добавяне на нова проба, където несигурността е висока“ е известен като активно обучение и ефективно сканира голямо пространство с малък брой скъпи изпълнения.
Метод
Цена на една проектна точка
точност
когато
Пълен CFD (RANS)
часовници
високо
Окончателна проверка, малък брой кандидати
Сурогатен модел (кригинг)
секунди
Средно-високо (в областта на образованието)
Сканиране на голямо пространство, оптимизация
Метод на панел/нисък ред
секунди-минута
ниско-средно
Елиминирането е твърде рано, груба идея
аеродинамичен тунел
дни-седмици
най-висок (реален)
Критична проверка, сертификация
Съвет: Никога не използвайте заместващия модел извън диапазона, обхванат от данните за обучение (екстраполация). Ако моделът е трениран с ъгъл на атака 5-15 градуса, стойността, която дава при 25 градуса не е прогноза, а измислица. Искането на AI да „напише обхват на обучение и да отхвърли заявки извън границите“ при изграждането на модела затваря този капан.
Слаба подкана / Силна подкана
Слаба подкана:
Добър ли е този профил? Интерпретирайте моя CFD резултат: CD=0,009.
Мощна подкана:
Роля: Вие сте консултант по аеродинамичен анализ; прилагате критична за безопасността проверка. Контекст: 2D аеродинамически профил RANS CFD анализ (стойностите са представителни): Re=1.5e6, Mach=0.2, ъгъл на атака 4°, модел на турбулентност k-omega SST. Резултат: CL=0.62, CD=0.0091. Мрежа: 180 000 клетки, y+ ~1. Задача: 1) Избройте стъпките за проверка, които трябва да проверя, преди да считам резултата за валиден (конвергенция, независимост на мрежата, y+). 2) Изчислете съотношението CL/CD и сравнете с типичния диапазон за този клас профили. 3) Покажете възможните източници на грешка, ако стойността изглежда подозрителна. Ограничение: Напишете единица; Маркирайте там, където не сте сигурни; Не правете окончателна преценка „добро/лошо“, дайте план за проверка.
Копируеми шаблони за подкана
Шаблон 1 — Обосновка за настройка на CFD:
Дайте препоръка за настройка на CFD за следните условия на потока (представителни стойности): Re=[...], Mach=[...], geometry=[...]. Предложете ми следните причини: подходящи опции за модел на турбулентност, цел y+ за граничния слой и изчисление на началната височина на клетката, гранични условия. За всеки избор добавете бележка „защо“ и „в какъв случай би било грешно“. Напишете единицата за числа.
Шаблон 2 — Проектиране на експерименти (DoE) и план за заместващ модел:
Имам [N] дизайнерски променливи: [списък, с диапазони]. За да обучите сурогатен модел: (а) колко точки за вземане на проби и какъв метод за вземане на проби (напр. Latin Hypercube) препоръчвате; б) кой тип сурогатен модел е подходящ и защо; (c) как да валидирам модела (кръстосано валидиране, набор от разделени тестове). Какво правило трябва да наложа срещу риска от екстраполация?
Шаблон 3 — Скрипт за извличане на коефициенти от файл с резултати от CFD:
От CSV доклад за сила на CFD (колони: итерация, Fx, Fy, Fz) С Python: (a) изчислете convergedCL и CD чрез осредняване на последните 500 итерации; (b) записва стандартното отклонение на последните 500 итерации и го сравнява с праг за проверка на конвергенцията; (c) Начертайте CL-alpha за сканиране на ъгъла на атака. Задайте референтна площ и динамично налягане като параметри; Обяснете сметката с коментари.
Шаблон 4 — Заявка за увереност на предсказване на сурогатен модел:
Прокси моделът на кригинга, който обучих, даде CL=0,71, несигурност (стандартно) 0,02 за следната прогноза; точката на заявка е [вътре/извън] диапазона на обучение. (a) Това ниво на несигурност достатъчно ли е, за да взема решение, как да реша? (b) Ако несигурността е висока, в кой момент трябва да добавя нов екземпляр на CFD (логика на активното обучение)? (c) Кога трябва да потвърдя тази прогноза с пълен CFD?
Мини калъфи
Случай 1 — Уловен е неконвергентен резултат. Ученик получава резултата CD=0,0065 за аеродинамичния профил и е възхитен; Типичният CD за класа на профила е в диапазона 0.008-0.012, резултатът изглежда твърде добър. Прилагането на проверката за конвергенция, предложена от AI, показва, че коефициентът на сила все още осцилира (стандартно отклонение 8% от средната стойност) в последните итерации. Когато решението се сближи с повече итерации, то се установява при CD = 0,0094. Урок: "твърде добър" резултат често е резултат, който не е конвергиран.
Случай 2 — Сурогатният модел се ускорява с 200 пъти. Екип провежда 60 пълни CFD изпълнения (~2 часа всяко) за крило с 6 геометрични параметъра и обучава сурогатен кригин модел. След това сканира 5000 конфигурации на кандидати с прокси модела за 40 секунди, валидирайки най-добрите 4 кандидата с пълен CFD. С общо 64 изпълнения на CFD, грубата оценка е еквивалентна на 5000 изпълнения. Продължителността намалява от седмици до два дни. Урок: стартирайте скъпата симулация само в точки за валидиране, не във всяка точка.
Случай 3 — Екстраполационен капан. Инженер задава въпрос за повдигане при 18 градуса на сурогатен модел, обучен с 3-12 градуса ъгъл на атака; Моделът дава плавно нарастваща стойност като CL=1,6. В действителност крилото губи сцепление около 15 градуса и повдигането намалява, но сурогатният модел го удължава направо, защото не "вижда" тази физика. Инженерът отхвърля резултата с проверка на физическата правдоподобност (очакване на загуба на адхезия) и изпълнява пълен CFD в тази област. Урок: сурогатният модел не познава физиката извън обхвата си на обучение.
Често срещани грешки
- Не се проверява за конвергенция. Коефициентите на неконвергентно решение са безсмислени; Красотата на графиката не е гаранция за конвергенция.
- Заобикаляне на мрежовата независимост. Ако резултатът зависи от мрежата, излизат различни отговори с различни мрежи; Не може да се знае кой е правилният.
- Екстраполация в сурогатен модел. Прогнозата извън обхвата на обучение дава математическо разширение, а не физическа истина.
- Игнориране на несигурността. Ако информацията за достоверността на прогнозата на Кригинг не се използва, регионът, където моделът е най-сигурен, и регионът, където е най-малко сигурен, се третират еднакво.
- Произволен избор на модел на турбулентност. Грешният модел на турбулентност прави дори конвергирано и независимо от мрежата решение физически неправилно.
В обобщение
CFD е мощен, но скъп инструмент; AI го ускорява от две места: управление на процеса (инсталация, коментар, скрипт) и сканиране на голямо дизайнерско пространство за секунди със заместващи модели. Сурогатният модел се обучава с малък брой пълни изпълнения на CFD, използвани с доверителен интервал и най-добрите кандидати задължително се валидират с пълния CFD. Не се приемат рационализирани резултати без проверка на конвергенцията, независимостта на мрежата и физическата правдоподобност. AI дава хипотеза и скорост; Последният арбитър на физиката са данните.
Задача за приложение
Дефинирайте сценарий за изпълнение на CFD за профил или проста геометрия (представителни, а не действителни данни за проекта). Използвайки AI, (a) избройте стъпките за валидиране, преди да приемете резултата за валиден, (b) отпечатайте скрипт на Python, който извлича коефициенти от файла с резултати и проверете неговата логика ред по ред, (c) подгответе план за изграждане на сурогатен модел (колко проби, кой метод, как да валидирате). Сравнете даден резултат с типичния диапазон и оценете неговата правдоподобност.
контролен списък
- [ ] Направих проверка за конвергенция за всеки резултат от CFD.
- [ ] Попитах дали е демонстрирана мрежова независимост.
- [ ] Сравних коефициенти като CL/CD с типичния клас клас.
- [ ] Използвах сурогатния модел само в обхвата на обучение.
- [ ] Взех в решението несигурността на прогнозите на сурогатния модел.
- [ ] Проверих най-добрите кандидати с пълен CFD.