Κέρδη:
- Να είστε σε θέση να εξηγήσετε πώς χρησιμοποιείται η τεχνητή νοημοσύνη στη ρύθμιση, στην ερμηνεία των αποτελεσμάτων και στη δημιουργία υποκατάστατων μοντέλων στη διαδικασία υπολογιστικής δυναμικής ρευστών (CFD).
- Δυνατότητα γρήγορης σάρωσης ενός μεγάλου σχεδιαστικού χώρου και κατάταξης υποψήφιων γεωμετριών με υποκατάστατα μοντέλα που βασίζονται σε μηχανική μάθηση
- Δυνατότητα επικύρωσης αεροδυναμικών εξόδων με τεχνητή νοημοσύνη με κριτήρια σύγκλισης, ανεξαρτησίας δικτύου και φυσικής αληθοφάνειας
Πώς μια πτέρυγα παράγει ανύψωση, πώς μια άτρακτος διασπά τον αέρα, πώς μια επιφάνεια ελέγχου εκτρέπει τη ροή. Η αεροδυναμική είναι η επιστήμη αυτών των αόρατων δυνάμεων. Ο μηχανικός μαθαίνει αυτές τις δυνάμεις με δύο τρόπους: με πείραμα σε μια αεροδυναμική σήραγγα ή με υπολογιστική δυναμική ρευστών (CFD; Computational Fluid Dynamics, μια μέθοδος που λύνει τις εξισώσεις ροής αριθμητικά σε ένα υπολογιστικό δίκτυο). Το CFD είναι ισχυρό αλλά ακριβό: μια πολύπλοκη εκτέλεση μπορεί να διαρκέσει ώρες, ακόμη και μέρες, αποδίδοντας ένα μόνο σημείο σχεδίασης. Ο μηχανικός που θέλει να δοκιμάσει εκατοντάδες σχέδια συναντά μια συμφόρηση εδώ.
Η τεχνητή νοημοσύνη (AI) ανοίγει αυτό το σημείο συμφόρησης σε δύο σημεία. Πρώτον, στην ίδια τη διαδικασία CFD: έλεγχος εγκατάστασης, ερμηνεία αποτελεσμάτων και αναφορά. Δεύτερον, και πιο μετασχηματιστικά, είναι τα υποκατάστατα μοντέλα (μοντέλο μηχανικής μάθησης που μαθαίνει τη σχέση εισόδου-εξόδου μιας δαπανηρής προσομοίωσης και δίνει μια κατά προσέγγιση πρόβλεψη σε δευτερόλεπτα). Χάρη στο υποκατάστατο μοντέλο, ένας μεγάλος χώρος σχεδίασης σαρώνεται σε δευτερόλεπτα αντί για ώρες, επιλέγονται μερικοί πολλά υποσχόμενοι υποψήφιοι και μόνο αυτοί υπολογίζονται με πλήρες CFD με υψηλή ακρίβεια. Σε αυτήν την ενότητα, διατηρούμε τον αμετάβλητο κανόνα κατά την ενσωμάτωση της τεχνητής νοημοσύνης σε αυτήν τη ροή εργασίας: κανένα βελτιωμένο αποτέλεσμα δεν γίνεται αποδεκτό χωρίς να αποδεικνύεται η σύγκλιση και η ανεξαρτησία του δικτύου και να περνούν από το φίλτρο της φυσικής αληθοφάνειας.
Έννοιες: Σύγκλιση: Η λύση καθιζάνει σε σταθερή τιμή καθώς προχωρούν οι επαναλήψεις. Εάν δεν ταιριάζει, το αποτέλεσμα είναι αναξιόπιστο. Ανεξαρτησία πλέγματος: Το αποτέλεσμα δεν αλλάζει σημαντικά όταν σφίγγετε το δίκτυο του λογαριασμού. CL/CD: Συντελεστής ανύψωσης / συντελεστής οπισθέλκουσας. βασικό μέτρο αεροδυναμικής απόδοσης. Υποκατάστατο μοντέλο: Γρήγορη κατά προσέγγιση μίμηση προσομοίωσης.
Η θέση του AI στη ροή εργασίας CFD
Μια εκτέλεση CFD αποτελείται από περίπου πέντε βήματα: προετοιμασία γεωμετρίας, δημιουργία πλέγματος, εγκατάσταση λύτη, εκτέλεση και μετα-επεξεργασία. Η τεχνητή νοημοσύνη βοηθά διαφορετικά σε κάθε βήμα, αλλά δεν έχει τον τελευταίο λόγο για κανένα από αυτά.
Στη δημιουργία πλέγματος, η τεχνητή νοημοσύνη μπορεί να υπολογίσει χονδρικά το αρχικό ύψος κελιού σε σχέση με τον στόχο y+ για την ανάλυση του οριακού επιπέδου. Για την επιλογή μοντέλου αναταράξεων (π.χ. k-omega SST) στη ρύθμιση του επιλύτη, μπορεί να προτείνει επιλογές κατάλληλες για το καθεστώς ροής, με αιτιολόγηση. Στη μετα-επεξεργασία, μπορεί κανείς να γράψει ένα σενάριο Python για να εξαγάγει τους συντελεστές ανύψωσης, έλξης και ροπής από τις χιλιάδες γραμμές του αρχείου αποτελεσμάτων και να δημιουργήσει μια γωνία σάρωσης επίθεσης. Αλλά εάν η τιμή y+ είναι πραγματικά στόχος, εάν το μοντέλο αναταράξεων ταιριάζει σε αυτή τη ροή και εάν το αποτέλεσμα συγκλίνει ή όχι ελέγχεται από το μάτι του μηχανικού.
Το μέρος που χρησιμοποιείται πιο συχνά είναι το σχόλιο αποτελέσματος. Όταν ρωτάτε το AI "γιατί αυτή η καμπύλη CL-alpha σπάει στις 14 μοίρες", σας υπενθυμίζει την πιθανότητα ακινητοποίησης (η ροή διαχωρίζεται από το φτερό καθώς αυξάνεται η γωνία επίθεσης και μειώνεται η ανύψωση) και παραθέτει τους δείκτες διαχωρισμού ροής που πρέπει να ελέγξετε. Αυτή είναι μια γεννήτρια υποθέσεων. Η επιβεβαίωση είναι και πάλι στα δεδομένα.
Προσοχή: Η τεχνητή νοημοσύνη μπορεί να ερμηνεύσει με ευχέρεια ένα αποτέλεσμα CFD, αλλά εάν το ίδιο το αποτέλεσμα είναι λάθος, η ερμηνεία θα είναι επίσης λανθασμένη. Η πρόταση "Αυτή η τιμή έλξης είναι λογική" δεν σημαίνει τίποτα εάν η λύση δεν συγκλίνει. Πρώτα ελέγξτε την εγκυρότητα του αριθμού και μετά το σχόλιο.
Υποκατάστατα μοντέλα: Σάρωση χώρου σχεδίασης σε δευτερόλεπτα
Η λογική της καθιέρωσης ενός υποκατάστατου μοντέλου είναι απλή. Αρχικά, υπολογίζεται ένα προσεκτικά επιλεγμένο δείγμα (π.χ. 40-80 σημεία σχεδίασης· ο πειραματικός σχεδιασμός κατανέμεται από το DoE) με το πλήρες CFD. Στη συνέχεια, ένα μοντέλο μηχανικής μάθησης (Gaussian process regression/kriging, ακτινική συνάρτηση βάσης ή νευρωνικό δίκτυο) εκπαιδεύεται με αυτά τα ζεύγη εισόδου-εξόδου. Το μοντέλο προβλέπει τώρα το CL/CD για μια νέα γεωμετρία σε δευτερόλεπτα. Χιλιάδες υποψήφιοι εξετάζονται με αυτό το φθηνό μοντέλο και οι 3-5 καλύτεροι υποψήφιοι υπολογίζονται εκ νέου και επαληθεύονται με ένα πλήρες CFD.
Το κρίσιμο σημείο εδώ είναι το διάστημα εμπιστοσύνης. Μοντέλα όπως το Kriging παρέχουν όχι μόνο μια πρόβλεψη, αλλά και πόσο σίγουροι είναι σε αυτήν την πρόβλεψη (αβεβαιότητα). Η αβεβαιότητα αυξάνεται σε περιοχές μακριά από σημεία εκπαίδευσης. Εκεί, προστίθεται ένα νέο σημείο CFD αντί να εμπιστευόμαστε τυφλά το μοντέλο. Αυτός ο βρόχος "προσθήκη νέου δείγματος όπου η αβεβαιότητα είναι υψηλή" είναι γνωστός ως ενεργή μάθηση και σαρώνει αποτελεσματικά μεγάλο χώρο με μικρό αριθμό ακριβών εκτελέσεων.
Μέθοδος
Κόστος ενός σημείου σχεδιασμού
ακρίβεια
όταν
Πλήρες CFD (RANS)
ρολόγια
ψηλά
Τελική επαλήθευση, μικρός αριθμός υποψηφίων
Υποκατάστατο μοντέλο (kriging)
δευτερόλεπτα
Μεσαίου-υψηλού (στον τομέα της εκπαίδευσης)
Σάρωση μεγάλου χώρου, βελτιστοποίηση
Μέθοδος πίνακα/χαμηλής παραγγελίας
δευτερόλεπτα-λεπτό
χαμηλός-μεσαίος
Η εξάλειψη είναι πολύ νωρίς, πρόχειρη ιδέα
αεροσήραγγα
ημέρες-εβδομάδες
υψηλότερο (πραγματικό)
Κρίσιμη επαλήθευση, πιστοποίηση
Συμβουλή: Μη χρησιμοποιείτε ποτέ το υποκατάστατο μοντέλο εκτός του εύρους που καλύπτουν τα δεδομένα εκπαίδευσης (παρέκταση). Αν το μοντέλο εκπαιδεύτηκε με γωνία προσβολής 5-15 μοιρών, η τιμή που δίνει στις 25 μοίρες δεν είναι πρόβλεψη, αλλά κατασκευή. Ζητώντας από το AI να «γράψει το εύρος εκπαίδευσης και να απορρίψει ερωτήματα εκτός ορίων» κατά την κατασκευή του μοντέλου κλείνει αυτή την παγίδα.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Είναι καλή αυτή η αεροτομή; Ερμηνεύστε το αποτέλεσμα CFD μου: CD=0,009.
Ισχυρή προτροπή:
Ρόλος: Είστε σύμβουλος αεροδυναμικής ανάλυσης. εφαρμόζετε επαλήθευση κρίσιμης σημασίας για την ασφάλεια. Πλαίσιο: 2D αεροτομή RANS CFD ανάλυση (οι τιμές είναι αντιπροσωπευτικές): Re=1,5e6, Mach=0,2, γωνία προσβολής 4°, μοντέλο αναταράξεων k-omega SST. Αποτέλεσμα: CL=0,62, CD=0,0091. Δίκτυο: 180k κελιά, y+ ~1.Εργασία:1) Καταχωρίστε τα βήματα επαλήθευσης που πρέπει να ελέγξω πριν θεωρήσω το αποτέλεσμα έγκυρο (σύγκλιση, ανεξαρτησία δικτύου, y+).2) Υπολογίστε την αναλογία CL/CD και συγκρίνετε με το τυπικό εύρος για αυτήν την κατηγορία προφίλ.3) Εμφάνιση πιθανών πηγών σφάλματος εάν η τιμή φαίνεται ύποπτη: Writestraint;int. Σημειώστε εκεί που δεν είστε σίγουροι. Μην κάνετε μια οριστική "καλή/κακή" κρίση, δώστε ένα σχέδιο επαλήθευσης.
Αντιγράψιμα πρότυπα προτροπής
Πρότυπο 1 — Συλλογισμός ρύθμισης CFD:
Δώστε σύσταση ρύθμισης CFD για την ακόλουθη συνθήκη ροής (αντιπροσωπευτικές τιμές): Re=[...], Mach=[...], geometry=[...]. Προτείνετε μου τους ακόλουθους λόγους: κατάλληλες επιλογές μοντέλου αναταράξεων, στόχος y+ για το οριακό επίπεδο και αρχικός υπολογισμός ύψους κελιών, οριακές συνθήκες. Για κάθε επιλογή, προσθέστε μια σημείωση «γιατί» και «σε ποια περίπτωση θα ήταν λάθος». Γράψτε τη μονάδα των αριθμών.
Πρότυπο 2 — Σχεδιασμός πειραμάτων (DoE) και σχέδιο υποκατάστατου μοντέλου:
Έχω [N] μεταβλητές σχεδίασης: [λίστα, με εύρη]. Για να εκπαιδεύσετε ένα υποκατάστατο μοντέλο: (α) πόσα σημεία δείγματος και ποια μέθοδο δειγματοληψίας (π.χ. Latin Hypercube) προτείνετε. (β) ποιος τύπος υποκατάστατου μοντέλου είναι κατάλληλος και γιατί· (γ) πώς μπορώ να επικυρώσω το μοντέλο (cross-validation, split test set). Ποιος κανόνας πρέπει να επιβάλω έναντι του κινδύνου παρέκτασης;
Πρότυπο 3 — Σενάριο για εξαγωγή συντελεστών από το αρχείο αποτελεσμάτων CFD:
Από μια αναφορά δύναμης CFD CSV (στήλες: επανάληψη, Fx, Fy, Fz) Με Python: (α) υπολογίστε το convergedCL και το CD υπολογίζοντας τον μέσο όρο των τελευταίων 500 επαναλήψεων. (β) γράψτε την τυπική απόκλιση των τελευταίων 500 επαναλήψεων και συγκρίνετε τη με ένα όριο για να ελέγξετε τη σύγκλιση. (γ) Σχεδιάστε το CL-alpha για τη γωνία σάρωσης επίθεσης. Ορίστε την περιοχή αναφοράς και τη δυναμική πίεση ως παραμέτρους. Εξηγήστε τον λογαριασμό με γραμμές σχολίων.
Πρότυπο 4 — Ερώτημα εμπιστοσύνης πρόβλεψης υποκατάστατου μοντέλου:
Το μοντέλο μεσολάβησης kriging που εκπαίδευσα έδωσε CL=0,71, αβεβαιότητα(std) 0,02 για την ακόλουθη πρόβλεψη. Το σημείο ερωτήματος είναι [εντός/εκτός] του εύρους εκπαίδευσης. (α) Είναι αυτό το επίπεδο αβεβαιότητας επαρκές για τη λήψη της απόφασης, πώς αποφασίζω; (β) Εάν η αβεβαιότητα είναι υψηλή, σε ποιο σημείο πρέπει να προσθέσω μια νέα παρουσία CFD (ενεργητική λογική εκμάθησης); (γ) Πότε πρέπει να επιβεβαιώσω αυτήν την πρόβλεψη με πλήρες CFD;
Μίνι Θήκες
Περίπτωση 1 — Εντοπίζεται το μη σύγκλινο αποτέλεσμα. Ένας μαθητής παίρνει το αποτέλεσμα CD=0,0065 για την αεροτομή και είναι ευχαριστημένος. Το τυπικό CD για την κατηγορία προφίλ είναι στην περιοχή 0,008-0,012, το αποτέλεσμα φαίνεται πολύ καλό. Η εφαρμογή του ελέγχου σύγκλισης που προτείνεται από το AI δείχνει ότι ο συντελεστής δύναμης εξακολουθεί να ταλαντώνεται (τυπική απόκλιση 8% του μέσου όρου) στις τελευταίες επαναλήψεις. Όταν η λύση συγκλίνει με περισσότερες επαναλήψεις, καθιζάνει στο CD = 0,0094. Μάθημα: ένα "πολύ καλό" αποτέλεσμα είναι συχνά ένα μη σύγκλινο αποτέλεσμα.
Περίπτωση 2 — Το υποκατάστατο μοντέλο επιταχύνει κατά 200 φορές. Μια ομάδα εκτελεί 60 πλήρεις διαδρομές CFD (~2 ώρες το καθένα) για ένα φτερό με 6 γεωμετρικές παραμέτρους και εκπαιδεύει ένα υποκατάστατο μοντέλο kriging. Στη συνέχεια, σαρώνει 5000 υποψήφιες διαμορφώσεις με το μοντέλο μεσολάβησης σε 40 δευτερόλεπτα, επικυρώνοντας τους 4 καλύτερους υποψηφίους με πλήρες CFD. Με συνολικά 64 εκτελέσεις CFD, μια χονδρική εκτίμηση ισοδυναμεί με 5000 εκτελέσεις. Η διάρκεια μειώνεται από εβδομάδες σε δύο ημέρες. Μάθημα: εκτελέστε την ακριβή προσομοίωση μόνο σε σημεία επικύρωσης, όχι σε κάθε σημείο.
Περίπτωση 3 — Παγίδα παρεκβολής. Ένας μηχανικός κάνει μια ερώτηση ανύψωσης στις 18 μοίρες σε ένα υποκατάστατο μοντέλο εκπαιδευμένο με γωνία επίθεσης 3-12 μοιρών. Το μοντέλο δίνει μια ομαλά αυξανόμενη τιμή όπως CL=1,6. Στην πραγματικότητα, το φτερό χάνει την πρόσφυση γύρω στις 15 μοίρες και η ανύψωση μειώνεται, αλλά το υποκατάστατο μοντέλο το επεκτείνει ευθεία επειδή δεν «βλέπει» αυτή τη φυσική. Ο μηχανικός απορρίπτει το αποτέλεσμα με έναν φυσικό έλεγχο αληθοφάνειας (πρόβλεψη απώλειας πρόσφυσης) και εκτελεί ένα πλήρες CFD σε αυτήν την περιοχή. Μάθημα: το υποκατάστατο μοντέλο δεν γνωρίζει φυσική πέρα από το εύρος εκπαίδευσής του.
Συνήθη λάθη
- Δεν γίνεται έλεγχος για σύγκλιση. Οι συντελεστές μιας μη σύγκλισης λύσης δεν έχουν νόημα. Η ομορφιά του γραφήματος δεν αποτελεί εγγύηση σύγκλισης.
- Παράκαμψη της ανεξαρτησίας του δικτύου. Εάν το αποτέλεσμα εξαρτάται από το δίκτυο, βγαίνουν διαφορετικές απαντήσεις με διαφορετικά δίκτυα. Δεν μπορεί να γίνει γνωστό ποιο είναι το σωστό.
- Παρέκταση σε υποκατάστατο μοντέλο. Η πρόβλεψη εκτός του εύρους προπόνησης δίνει μαθηματική επέκταση, όχι φυσική αλήθεια.
- Αγνοώντας την αβεβαιότητα. Εάν δεν χρησιμοποιηθούν οι πληροφορίες εμπιστοσύνης της πρόβλεψης Kriging, η περιοχή όπου το μοντέλο είναι πιο σίγουρο και η περιοχή όπου είναι λιγότερο σίγουρο αντιμετωπίζονται με τον ίδιο τρόπο.
- Αυθαίρετη επιλογή του μοντέλου αναταράξεων. Το λανθασμένο μοντέλο αναταράξεων καθιστά ακόμη και μια συγκλίνουσα και ανεξάρτητη από το δίκτυο λύση φυσικά εσφαλμένη.
Συνοπτικά
Το CFD είναι ένα ισχυρό αλλά ακριβό εργαλείο. Η τεχνητή νοημοσύνη το επιταχύνει από δύο σημεία: διαχείριση διεργασιών (εγκατάσταση, σχόλιο, σενάριο) και σάρωση μεγάλου χώρου σχεδιασμού σε δευτερόλεπτα με υποκατάστατα μοντέλα. Το υποκατάστατο μοντέλο εκπαιδεύεται με έναν μικρό αριθμό πλήρους εκτέλεσης CFD, χρησιμοποιείται με ένα διάστημα εμπιστοσύνης και οι καλύτεροι υποψήφιοι επικυρώνονται απαραίτητα με το πλήρες CFD. Κανένα βελτιωμένο αποτέλεσμα δεν γίνεται αποδεκτό χωρίς έλεγχο σύγκλισης, ανεξαρτησίας δικτύου και φυσικής αληθοφάνειας. Το AI δίνει υπόθεση και ταχύτητα. Ο τελικός κριτής της φυσικής είναι τα δεδομένα.
Εργασία εφαρμογής
Καθορίστε ένα σενάριο εκτέλεσης CFD για αεροτομή ή απλή γεωμετρία (αντιπροσωπευτικά, όχι πραγματικά δεδομένα έργου). Χρησιμοποιώντας AI, (α) απαριθμήστε τα βήματα επικύρωσης πριν θεωρήσετε το αποτέλεσμα έγκυρο, (β) εκτυπώστε ένα σενάριο Python που εξάγει συντελεστές από το αρχείο αποτελεσμάτων και ελέγξτε τη λογική του γραμμή προς γραμμή, (γ) ετοιμάστε ένα σχέδιο για τη δημιουργία ενός υποκατάστατου μοντέλου (πόσα δείγματα, ποια μέθοδος, πώς να επικυρώσετε). Συγκρίνετε ένα αποτέλεσμα με το τυπικό εύρος και αξιολογήστε την αληθοφάνειά του.
λίστα ελέγχου
- [ ] Έκανα έναν έλεγχο σύγκλισης για κάθε αποτέλεσμα CFD.
- [ ] Αναρωτήθηκα εάν αποδείχθηκε ανεξαρτησία δικτύου.
- [ ] Σύγκρισα συντελεστές όπως CL/CD με το τυπικό εύρος κλάσεων.
- [ ] Χρησιμοποίησα το υποκατάστατο μοντέλο μόνο εντός του εύρους εκπαίδευσης.
- [ ] Συνεκτίμησα στην απόφαση την αβεβαιότητα των προβλέψεων του υποκατάστατου μοντέλου.
- [ ] Ελέγξα τους καλύτερους υποψηφίους με πλήρες CFD.