Schnelle Designexploration mit Aerodynamik-, CFD- und Ersatzmodellen

Gewinne:

• Sie können erklären, wie KI bei der Einrichtung, Ergebnisinterpretation und Ersatzmodellgenerierung im Computational Fluid Dynamics (CFD)-Prozess eingesetzt wird.
• Möglichkeit, schnell einen großen Designraum zu scannen und Kandidatengeometrien mit auf maschinellem Lernen basierenden Ersatzmodellen einzustufen
• Möglichkeit zur Validierung KI-gestützter aerodynamischer Ergebnisse mit Konvergenz-, Netzwerkunabhängigkeits- und physikalischen Plausibilitätskriterien

Wie ein Flügel Auftrieb erzeugt, wie ein Rumpf Luft spaltet, wie ein Steuerwerk die Strömung ablenkt; Aerodynamik ist die Wissenschaft dieser unsichtbaren Kräfte. Der Ingenieur lernt diese Kräfte auf zwei Arten: durch Experimente in einem Windkanal oder durch computergestützte Strömungsdynamik (CFD; Computational Fluid Dynamics, eine Methode, die Strömungsgleichungen numerisch in einem Rechennetzwerk löst). CFD ist leistungsstark, aber teuer: Ein komplexer Durchlauf kann Stunden oder sogar Tage dauern und einen einzigen Entwurfspunkt ergeben. Der Ingenieur, der Hunderte von Designs ausprobieren möchte, stößt hier auf einen Engpass.

Künstliche Intelligenz (KI) öffnet diesen Engpass an zwei Stellen. Erstens im CFD-Prozess selbst: Setup-Steuerung, Ergebnisinterpretation und Berichterstellung. Zweitens und transformativer sind Ersatzmodelle (Modelle für maschinelles Lernen, die die Input-Output-Beziehung einer teuren Simulation lernen und in Sekundenschnelle eine ungefähre Vorhersage liefern). Dank des Ersatzmodells wird ein großer Designraum in Sekunden statt in Stunden gescannt, einige vielversprechende Kandidaten ausgewählt und nur diese mit vollständiger CFD und hoher Genauigkeit berechnet. In dieser Einheit halten wir die unveränderliche Regel ein, wenn wir KI in diesen Arbeitsablauf einbetten: Es werden keine optimierten Ergebnisse akzeptiert, ohne Konvergenz und Netzwerkunabhängigkeit nachzuweisen und den Filter der physischen Plausibilität zu durchlaufen.

Konzepte: Konvergenz: Die Lösung stabilisiert sich im Verlauf der Iterationen auf einem konstanten Wert; Passt es nicht, ist das Ergebnis unzuverlässig. Mesh-Unabhängigkeit: Das Ergebnis ändert sich nicht wesentlich, wenn man das Account-Netzwerk strafft. CL/CD: Auftriebsbeiwert / Luftwiderstandsbeiwert; Grundmaß der aerodynamischen Effizienz. Ersatzmodell: Schnelle ungefähre Nachahmung der Simulation.

Der Platz der KI im CFD-Workflow

Ein CFD-Lauf besteht aus ungefähr fünf Schritten: Geometrievorbereitung, Netzgenerierung, Solver-Einrichtung, Ausführung und Nachbearbeitung. KI hilft bei jedem Schritt anders, hat aber bei keinem davon das letzte Wort.

Bei der Netzgenerierung kann die KI grob die anfängliche Zellenhöhe relativ zum y+-Ziel für die Grenzschichtauflösung berechnen. Für die Auswahl des Turbulenzmodells (z. B. k-Omega-SST) im Solver-Setup werden möglicherweise für das Strömungsregime geeignete Optionen mit Begründung vorgeschlagen. Bei der Nachbearbeitung kann man ein Python-Skript schreiben, um die Auftriebs-, Widerstands- und Momentkoeffizienten aus den Tausenden von Zeilen der Ergebnisdatei zu extrahieren und ein Anstellwinkel-Sweep-Diagramm zu erstellen. Doch ob der y+-Wert wirklich im Soll liegt, ob das Turbulenzmodell zu dieser Strömung passt und ob das Ergebnis konvergiert oder nicht, prüft das Auge des Ingenieurs.

Der am häufigsten verwendete Ort ist der Ergebniskommentar. Wenn Sie die KI fragen „Warum bricht diese CL-Alpha-Kurve bei 14 Grad ab“, erinnert sie Sie an die Möglichkeit eines Strömungsabrisses (Strömung löst sich vom Flügel, wenn der Anstellwinkel zunimmt und der Auftrieb abnimmt) und listet die Strömungsablösungsindikatoren auf, die Sie überprüfen sollten. Dies ist ein Hypothesengenerator; Die Bestätigung liegt wieder in den Daten.

Achtung: KI kann ein CFD-Ergebnis fließend interpretieren, aber wenn das Ergebnis selbst falsch ist, ist auch die Interpretation falsch. Der Satz „Dieser Widerstandswert ist angemessen“ bedeutet nichts, wenn die Lösung nicht konvergiert. Überprüfen Sie zunächst die Gültigkeit der Nummer, dann den Kommentar.

Ersatzmodelle: Designraum in Sekunden scannen

Die Logik zur Erstellung eines Ersatzmodells ist einfach. Zunächst wird eine sorgfältig ausgewählte Stichprobe (z. B. 40-80 Designpunkte; experimentelles Design wird vom DoE verteilt) mit der vollständigen CFD berechnet. Anschließend wird mit diesen Input-Output-Paaren ein maschinelles Lernmodell (Gaußsche Prozessregression/Kriging, radiale Basisfunktion oder neuronales Netzwerk) trainiert. Das Modell sagt nun CL/CD für eine neue Geometrie in Sekunden voraus. Tausende von Kandidaten werden mit diesem kostengünstigen Modell überprüft und die drei bis fünf am besten aussehenden Kandidaten werden mit einem vollständigen CFD neu berechnet und verifiziert.

Der entscheidende Punkt hierbei ist das Konfidenzintervall. Modelle wie Kriging liefern nicht nur eine Vorhersage, sondern auch, wie sicher sie sich dieser Vorhersage sind (Unsicherheit). Die Unsicherheit wächst in Bereichen, die weit von Trainingspunkten entfernt sind. Dort wird ein neuer CFD-Punkt hinzugefügt, anstatt dem Modell blind zu vertrauen. Diese „Neue Probe hinzufügen, wenn die Unsicherheit hoch ist“-Schleife wird als aktives Lernen bezeichnet und scannt effizient große Räume mit einer kleinen Anzahl teurer Durchläufe.

Methode

Kosten für einen Designpunkt

Genauigkeit

wann

Vollständiger CFD (RANS)

Uhren

hoch

Endgültige Überprüfung, geringe Anzahl an Kandidaten

Ersatzmodell (Kriging)

Sekunden

Mittelhoch (im Bildungsbereich)

Scannen großer Räume, Optimierung

Panel-/Low-Order-Methode

Sekunden-Minute

niedrig-mittel

Eliminierung zu früh, grobe Idee

Windkanal

Tage-Wochen

am höchsten (real)

Kritische Überprüfung, Zertifizierung

Tipp: Verwenden Sie das Ersatzmodell niemals außerhalb des von den Trainingsdaten abgedeckten Bereichs (Extrapolation). Wenn das Modell mit einem Anstellwinkel von 5–15 Grad trainiert wurde, ist der Wert, den es bei 25 Grad angibt, keine Vorhersage, sondern eine Fälschung. Die Aufforderung an die KI, beim Erstellen des Modells „den Trainingsbereich zu schreiben und Abfragen außerhalb der Grenzen abzulehnen“, schließt diese Falle.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Ist dieses Profil gut? Interpretieren Sie mein CFD-Ergebnis: CD=0,009.

Kraftvolle Aufforderung:

Rolle: Sie sind ein Berater für aerodynamische Analysen; Sie wenden eine sicherheitskritische Verifizierung an.Kontext: 2D-Profil-RANS-CFD-Analyse (Werte sind repräsentativ):Re=1,5e6, Mach=0,2, Anstellwinkel 4°, Turbulenzmodell k-Omega SST.Ergebnis: CL=0,62, CD=0,0091. Netzwerk: 180.000 Zellen, y+ ~1. Aufgabe: 1) Listen Sie die Überprüfungsschritte auf, die ich überprüfen muss, bevor ich das Ergebnis als gültig betrachte (Konvergenz, Netzwerkunabhängigkeit, y+). 2) Berechnen Sie das CL/CD-Verhältnis und vergleichen Sie es mit dem typischen Bereich für diese Profilklasse. 3) Zeigen Sie mögliche Fehlerquellen an, wenn der Wert verdächtig erscheint. Einschränkung: Einheit schreiben; Markieren Sie, wo Sie sich nicht sicher sind; Treffen Sie kein endgültiges „gut/schlecht“-Urteil, sondern legen Sie einen Überprüfungsplan vor.

Kopierbare Eingabeaufforderungsvorlagen

Vorlage 1 – Begründung für die CFD-Einrichtung:

Geben Sie CFD-Setup-Empfehlungen für die folgende Strömungsbedingung (repräsentative Werte): Re=[...], Mach=[...], Geometrie=[...]. Schlagen Sie mir die folgenden Gründe vor: geeignete Turbulenzmodelloptionen, Ziel y+ für die Grenzschicht und anfängliche Berechnung der Zellhöhe, Randbedingungen. Fügen Sie für jede Auswahl eine Anmerkung hinzu, „warum“ und „in welchem ​​Fall es falsch wäre“. Schreiben Sie die Einheit der Zahlen.

Vorlage 2 – Versuchsplanung (DoE) und Ersatzmodellplan:

Ich habe [N] Designvariablen: [Liste, mit Bereichen]. So trainieren Sie ein Ersatzmodell: (a) Wie viele Abtastpunkte und welche Abtastmethode (z. B. Latin Hypercube) empfehlen Sie? (b) welche Art von Ersatzmodell geeignet ist und warum; (c) Wie validiere ich das Modell (Kreuzvalidierung, Split-Test-Set)? Welche Regel sollte ich gegen das Risiko einer Extrapolation aufstellen?

Vorlage 3 – Skript zum Extrahieren von Koeffizienten aus der CFD-Ergebnisdatei:

Aus einem CFD-Force-Bericht CSV (Spalten: Iteration, Fx, Fy, Fz) Mit Python: (a) Berechnen Sie convergedCL und CD durch Mittelung der letzten 500 Iterationen; (b) Schreiben Sie die Standardabweichung der letzten 500 Iterationen und vergleichen Sie sie mit einem Schwellenwert, um die Konvergenz zu überprüfen. (c) Zeichnen Sie CL-Alpha für den Anstellwinkel-Scan. Referenzfläche und Staudruck als Parameter einstellen; Erklären Sie den Account mit Kommentarzeilen.

Vorlage 4 – Abfrage zur Zuverlässigkeit der Ersatzmodellvorhersage:

Das von mir trainierte Kriging-Proxy-Modell ergab CL=0,71, Unsicherheit (Standard) 0,02 für die folgende Vorhersage; Der Abfragepunkt liegt [innerhalb/außerhalb] des Trainingsbereichs. (a) Reicht dieser Grad an Unsicherheit aus, um die Entscheidung zu treffen? Wie entscheide ich? (b) Wenn die Unsicherheit hoch ist, an welchem ​​Punkt sollte ich eine neue CFD-Instanz (aktive Lernlogik) hinzufügen? (c) Wann sollte ich diese Vorhersage mit vollständigem CFD bestätigen?

Mini-Hüllen

Fall 1 – Nicht konvergentes Ergebnis wird abgefangen. Ein Student erhält das Ergebnis CD=0,0065 für das Tragflächenprofil und ist begeistert; Der typische CD für die Profilklasse liegt im Bereich von 0,008–0,012, das Ergebnis scheint zu gut zu sein. Die Anwendung der von AI vorgeschlagenen Konvergenzprüfung zeigt, dass der Kraftkoeffizient in den letzten Iterationen immer noch schwankt (Standardabweichung 8 % des Mittelwerts). Wenn die Lösung mit mehreren Iterationen konvergiert, pendelt sie sich bei CD = 0,0094 ein. Lektion: Ein „zu gutes“ Ergebnis ist oft ein nicht konvergentes Ergebnis.

Fall 2 – Ersatzmodell beschleunigt um das 200-fache. Ein Team führt 60 vollständige CFD-Läufe (jeweils etwa 2 Stunden) für einen Flügel mit 6 geometrischen Parametern durch und trainiert ein Kriging-Ersatzmodell. Anschließend scannt es 5.000 Kandidatenkonfigurationen mit dem Proxy-Modell in 40 Sekunden und validiert die besten 4 Kandidaten mit vollständigem CFD. Bei insgesamt 64 CFD-Läufen entspricht eine grobe Schätzung 5000 Läufen. Die Dauer verkürzt sich von Wochen auf zwei Tage. Lektion: Führen Sie die teure Simulation nur an Validierungspunkten durch, nicht an jedem Punkt.

Fall 3 – Extrapolationsfalle. Ein Ingenieur stellt einem Ersatzmodell, das mit einem Anstellwinkel von 3–12 Grad trainiert wurde, eine Auftriebsfrage bei 18 Grad; Das Modell liefert einen gleichmäßig ansteigenden Wert wie CL=1,6. In Wirklichkeit verliert der Flügel bei etwa 15 Grad an Halt und der Auftrieb nimmt ab, aber das Ersatzmodell streckt ihn gerade aus, weil es diese Physik nicht „sieht“. Der Ingenieur verwirft das Ergebnis mit einer physikalischen Plausibilitätsprüfung (Erwartung eines Adhäsionsverlusts) und führt eine vollständige CFD für diesen Bereich durch. Lektion: Das Ersatzmodell kennt keine Physik außerhalb seines Trainingsbereichs.

Häufige Fehler

• Es wird keine Konvergenzprüfung durchgeführt. Die Koeffizienten einer nicht konvergenten Lösung sind bedeutungslos; Die Schönheit des Diagramms ist keine Garantie für Konvergenz.
• Umgehung der Netzwerkunabhängigkeit. Wenn das Ergebnis vom Netzwerk abhängt, kommen bei unterschiedlichen Netzwerken unterschiedliche Antworten heraus; Man kann nicht wissen, welches richtig ist.
• Extrapolation im Ersatzmodell. Vorhersagen außerhalb des Trainingsbereichs liefern eine mathematische Erweiterung, keine physikalische Wahrheit.
• Ungewissheit ignorieren. Wenn die Konfidenzinformationen der Kriging-Vorhersage nicht verwendet werden, werden der Bereich, in dem das Modell am sichersten ist, und der Bereich, in dem es am wenigsten sicher ist, gleich behandelt.
• Wahl des Turbulenzmodells willkürlich. Das falsche Turbulenzmodell macht selbst eine konvergente und netzwerkunabhängige Lösung physikalisch falsch.

Zusammenfassend

CFD ist ein leistungsstarkes, aber teures Werkzeug. KI beschleunigt es an zwei Stellen: Prozessmanagement (Installation, Kommentar, Skript) und sekundenschnelles Scannen großer Designflächen mit Ersatzmodellen. Das Ersatzmodell wird mit einer kleinen Anzahl vollständiger CFD-Läufe trainiert, mit einem Konfidenzintervall verwendet und die besten Kandidaten werden notwendigerweise mit der vollständigen CFD validiert. Ohne Prüfung der Konvergenz, Netzwerkunabhängigkeit und physikalischen Plausibilität werden keine optimierten Ergebnisse akzeptiert. KI gibt Hypothesen und Geschwindigkeit; Der letzte Schiedsrichter der Physik sind Daten.

Anwendungsaufgabe

Definieren Sie ein CFD-Laufszenario für ein Tragflächenprofil oder eine einfache Geometrie (repräsentative, keine tatsächlichen Projektdaten). Mithilfe von KI können Sie (a) die Validierungsschritte auflisten, bevor das Ergebnis als gültig betrachtet wird, (b) ein Python-Skript drucken, das Koeffizienten aus der Ergebnisdatei extrahiert und seine Logik Zeile für Zeile überprüft, (c) einen Plan zum Erstellen eines Ersatzmodells vorbereiten (wie viele Stichproben, welche Methode, wie zu validieren). Vergleichen Sie ein Ergebnis mit dem typischen Bereich und bewerten Sie seine Plausibilität.

Checkliste

• [ ] Ich habe für jedes CFD-Ergebnis eine Konvergenzprüfung durchgeführt.
• [ ] Ich fragte, ob die Netzwerkunabhängigkeit nachgewiesen wurde.
• [ ] Ich habe Koeffizienten wie CL/CD mit dem typischen Klassenbereich verglichen.
• [ ] Ich habe das Ersatzmodell nur im Trainingsbereich verwendet.
• [ ] Ich habe bei der Entscheidung die Unsicherheit der Ersatzmodellvorhersagen berücksichtigt.
• [ ] Ich habe die besten Kandidaten mit vollständigem CFD überprüft.