Kasu:
- Oskab selgitada, kuidas AI-d kasutatakse seadistamisel, tulemuste tõlgendamisel ja asendusmudeli genereerimisel arvutusvedeliku dünaamika (CFD) protsessis.
- Võimalus kiiresti skannida suurt disainiruumi ja järjestada kandidaatide geomeetriaid masinõppepõhiste asendusmudelitega
- Võimalus valideerida tehisintellektiga töötavaid aerodünaamilisi väljundeid lähenemise, võrgu sõltumatuse ja füüsilise usutavuse kriteeriumidega
Kuidas tiib tekitab tõstejõudu, kuidas kere õhku poolitab, kuidas juhtpind voolu kõrvale suunab; Aerodünaamika on nende nähtamatute jõudude teadus. Insener õpib neid jõude kahel viisil: katsega tuuletunnelis või arvuti arvutusliku vedeliku dünaamika abil (CFD; Computational Fluid Dynamics, meetod, mis lahendab arvutusvõrgus vooluvõrrandid arvuliselt). CFD on võimas, kuid kallis: keerukaks jooksmiseks võib kuluda tunde, isegi päevi, mis annab ühe disainipunkti. Insener, kes soovib proovida sadu kujundusi, satub siin kitsaskohta.
Tehisintellekt (AI) avab selle kitsaskoha kahes kohas. Esiteks CFD protsessis endas: häälestuse juhtimine, tulemuste tõlgendamine ja aruandlus. Teiseks ja transformatiivsemad on asendusmudelid (masinõppemudel, mis õpib ära kalli simulatsiooni sisend-väljund suhte ja annab sekundites ligikaudse ennustuse). Tänu asendusmudelile skaneeritakse suur disainiruum tundide asemel sekunditega, valitakse välja paar lootustandvat kandidaati ja ainult neid arvutatakse täis-CFD-ga suure täpsusega. Selles üksuses säilitame tehisintellekti sellesse töövoogu manustamisel muutumatu reegli: ühtki sujuvat tulemust ei aktsepteerita ilma lähenemise ja võrgu sõltumatuse demonstreerimiseta ning füüsilise usutavuse filtri läbimiseta.
Mõisted: Konvergents: lahendus, mis settib iteratsioonide edenedes konstantsele väärtusele; Kui see ei sobi, on tulemus ebausaldusväärne. Võrgu sõltumatus: tulemus ei muutu oluliselt, kui pingutate kontovõrku. CL/CD: Tõstekoefitsient / takistustegur; aerodünaamilise efektiivsuse põhinäitaja. Asendusmudel: Simulatsiooni kiire ligikaudne imitatsioon.
AI koht CFD töövoos
CFD käitamine koosneb ligikaudu viiest etapist: geomeetria ettevalmistamine, võrgu loomine, lahendaja seadistamine, käitamine ja järeltöötlus. Tehisintellekt aitab igal sammul erinevalt, kuid sellel ei ole ühegi neist lõplikku sõna.
Võrgusilma genereerimisel saab tehisintellekt umbkaudselt arvutada lahtri esialgse kõrguse y+ sihtmärgi suhtes piirkihi eraldusvõime jaoks. Turbulentsimudeli (nt k-omega SST) valimiseks lahendaja seadistuses võib see soovitada voolurežiimile sobivaid valikuid koos põhjendusega. Järeltöötluses saab kirjutada Pythoni skripti, et ekstraheerida tuhandete ridade tulemusfailist tõste-, tõmbe- ja momendikoefitsiendid ning luua rünnakunurga pühkimisgraafik. Kuid seda, kas y+ väärtus on tõesti sihtmärgil, kas turbulentsimudel sobib selle vooluga ja kas tulemus ühtlustub või mitte, kontrollib inseneri silm.
Kõige sagedamini kasutatav koht on tulemuse kommentaar. Kui küsite tehisintellektilt "miks see CL-alfa kõver 14 kraadi juures katkeb", tuletab see teile meelde seiskumise võimalust (voolu eraldub tiivast, kui lööginurk suureneb ja tõste langeb) ja loetleb voolueraldusnäidikud, mida peaksite kontrollima. See on hüpoteesi generaator; Kinnitus on taas andmetes.
Ettevaatust: AI saab CFD tulemust ladusalt tõlgendada, kuid kui tulemus ise on vale, on ka tõlgendus vale. Lause "See tõmbeväärtus on mõistlik" ei tähenda midagi, kui lahendus ei ühti. Kõigepealt kontrolli numbri kehtivust, seejärel kommentaari.
Asendusmudelid: disainiruumi skannimine sekunditega
Asendusmudeli loomise loogika on lihtne. Esiteks arvutatakse hoolikalt valitud valim (nt 40–80 disainipunkti; eksperimentaalset disaini jaotab DoE) täieliku CFD-ga. Seejärel treenitakse nende sisend-väljund paaridega masinõppe mudelit (Gaussi protsessi regressioon/kriging, radiaalne baasfunktsioon või närvivõrk). Mudel ennustab nüüd sekunditega CL/CD uue geomeetria jaoks. Selle odava mudeliga sõelutakse läbi tuhandeid kandidaate ning 3–5 parima välimusega kandidaati arvutatakse ümber ja kontrollitakse täieliku CFD-ga.
Kriitiline punkt on siin usaldusvahemik. Sellised mudelid nagu Kriging ei anna mitte ainult ennustust, vaid ka seda, kui kindlad nad selles ennustuses on (ebakindlus). Ebakindlus kasvab treeningpunktidest kaugel asuvates piirkondades; Seal lisatakse mudeli pimesi usaldamise asemel uus CFD punkt. Seda "lisa uus näidis, kus ebakindlus on suur" silmus on tuntud kui aktiivõpe ja skannib tõhusalt suurt ruumi väikese arvu kulukate käitustega.
meetod
Ühe disainipunkti maksumus
täpsust
millal
Täielik CFD (RANS)
kellad
kõrge
Lõplik kontroll, väike kandidaatide arv
Surrogaatmudel (kriging)
sekundit
Keskmise tasemega (haridusvaldkonnas)
Suure ruumi skaneerimine, optimeerimine
Paneel/madala järjekorra meetod
sekundid-minutid
madal-keskmine
Liiga varane kõrvaldamine, umbkaudne idee
tuuletunnel
päevad-nädalad
kõrgeim (tõeline)
Kriitiline kontrollimine, sertifitseerimine
Näpunäide: ärge kunagi kasutage asendusmudelit väljaspool treeningandmetega hõlmatud vahemikku (ekstrapoleerimine). Kui mudelit treeniti 5–15-kraadise lööginurgaga, ei ole selle 25 kraadi juures antud väärtus ennustus, vaid väljamõeldis. Kui palute AI-l mudeli loomisel „kirjutada treeningulatust ja keelduda piiridest väljuvatest päringutest“, suletakse see lõks.
Nõrk viip / Tugev viip
Nõrk viip:
Kas see aerodroom on hea? Tõlgenda minu CFD tulemust: CD=0,009.
Võimas viip:
Roll: oled aerodünaamilise analüüsi konsultant; rakendate ohutuskriitilist kontrolli.Kontekst: 2D aerodroomi RANS CFD analüüs (väärtused on representatiivsed): Re=1,5e6, Mach=0,2, lööginurk 4°, turbulentsimudel k-omega SST.Tulemus: CL=0,62, CD=0,0091. Võrk: 180 000 rakku, y+ ~1.Ülesanne:1) Loetlege kontrollietapid, mida pean kontrollima enne, kui pean tulemuse kehtivaks (konvergents, võrgu sõltumatus, y+).2) Arvutage CL/CD suhe ja võrrelge selle profiiliklassi tüüpilise vahemikuga.3) Kuvage võimalikud veaallikad, kui väärtus tundub kahtlane.Piirang: kirjutamisühik; Märkige koht, kus te pole kindel; Ärge langetage lõplikku "head/halba" otsust, vaid koostage kontrolliplaan.
Kopeeritavad viipade mallid
Mall 1 – CFD seadistamise põhjendus:
Andke CFD seadistamise soovitus järgmiste voolutingimuste jaoks (tüüpväärtused): Re=[...], Mach=[...], geomeetria=[...]. Soovitage mulle järgmisi põhjuseid: sobivad turbulentsimudeli valikud, piirkihi sihtmärk y+ ja algse raku kõrguse arvutamine, piirtingimused. Lisage iga valiku juurde märge "miks" ja "sel juhul oleks see vale". Kirjutage numbrite ühik.
Mall 2 – katsete kavandamine (DoE) ja asendusmudeli plaan:
Mul on [N] kujundusmuutujat: [loend, vahemikega]. Asendusmudeli koolitamiseks: (a) mitu valimipunkti ja millist valimimeetodit (nt ladina hüperkuubik) soovitate; b) millist tüüpi asendusmudel on sobiv ja miks; (c) kuidas mudelit valideerida (ristvalideerimine, jagatud testikomplekt). Millise reegli peaksin kohaldama ekstrapoleerimise ohu vältimiseks?
Mall 3 – skript koefitsientide eraldamiseks CFD tulemuse failist:
CFD jõuaruandest CSV (veerud: iteratsioon, Fx, Fy, Fz) Pythoniga: (a) arvutage konvergeeritud CL ja CD, võttes keskmise 500 viimase iteratsiooni; (b) kirjutada viimase 500 iteratsiooni standardhälve ja võrrelda seda konvergentsi kontrollimiseks lävega; (c) Joonistage CL-alfa rünnaku skaneerimise nurga jaoks. Määrake parameetriteks võrdlusala ja dünaamiline rõhk; Selgitage kontot kommentaaride ridadega.
Mall 4 – asendusmudeli prognoosimise usalduspäring:
Minu treenitud krigingu puhverserveri mudel andis järgmise ennustuse jaoks CL=0,71, määramatuse(std) 0,02; päringupunkt on treeningulatusest [sees/väljas].(a) Kas see määramatuse tase on otsuse tegemiseks piisav, kuidas ma otsustan? (b) Kui määramatus on suur, siis millisel hetkel peaksin lisama uue CFD eksemplari (aktiivõppe loogika)? (c) Millal peaksin seda ennustust täieliku CFD-ga kinnitama?
Mini korpused
Juhtum 1 – mittekonvergeeritud tulemus tabatakse. Õpilane saab aerodroomi kohta tulemuseks CD=0,0065 ja on rahul; Profiiliklassi tüüpiline CD jääb vahemikku 0,008-0,012, tulemus tundub liiga hea. AI pakutud konvergentsikontrolli rakendamine näitab, et viimastel iteratsioonidel jõukoefitsient võngub (standardhälve 8% keskmisest). Kui lahendus on koondunud rohkemate iteratsioonidega, seatakse see väärtusele CD = 0,0094. Õppetund: "liiga hea" tulemus on sageli mittekonvergeeritud tulemus.
Juhtum 2 – asendusmudel kiirendab 200 korda. Meeskond teeb 60 täielikku CFD-sõitu (igaüks ~2 tundi) 6 geomeetrilise parameetriga tiiva jaoks ja treenib krigingi asendusmudelit. Seejärel skannib see puhverserveri mudeliga 40 sekundiga 5000 kandidaadi konfiguratsiooni, kinnitades 4 parimat kandidaati täieliku CFD-ga. Kokku 64 CFD jooksu korral võrdub ligikaudne hinnang 5000 jooksuga. Kestus väheneb nädalatelt kahe päevani. Õppetund: käivitage kallis simulatsioon ainult valideerimispunktides, mitte igas punktis.
Juhtum 3 – ekstrapoleerimislõks. Insener esitab 3–12-kraadise lööginurgaga treenitud asendusmudelile tõsteküsimuse 18 kraadi juures; Mudel annab sujuvalt kasvava väärtuse, näiteks CL=1,6. Tegelikkuses kaotab tiib haarduvuse umbes 15 kraadi ja tõstejõud väheneb, kuid asendusmudel pikendab seda otse, kuna ta ei "näe" seda füüsikat. Insener lükkab tulemuse tagasi füüsilise usutavuse kontrolliga (haardumise kaotuse ootus) ja käivitab sellele alale täieliku CFD. Õppetund: asendusmudel ei tunne füüsikat väljaspool oma treeningulatust.
Levinud vead
- Ei kontrolli konvergentsi. Mittekonvergeeritud lahendi koefitsiendid on mõttetud; Graafiku ilu ei garanteeri lähenemist.
- Võrgu sõltumatuse vältimine. Kui tulemus sõltub võrgust, tulevad erinevate võrkudega välja erinevad vastused; Ei saa teada, kumb on õige.
- Ekstrapoleerimine asendusmudelis. Ennustus väljaspool treeningulatust annab matemaatilise laienduse, mitte füüsilise tõe.
- Ebakindluse ignoreerimine. Kui Krigingi ennustuse usaldusinfot ei kasutata, koheldakse piirkonda, kus mudel on kõige kindlam, ja piirkonda, kus see on kõige vähem kindel.
- Turbulentsimudeli meelevaldne valimine. Vale turbulentsimudel muudab isegi konvergeeritud ja võrgust sõltumatu lahenduse füüsiliselt ebakorrektseks.
Kokkuvõttes
CFD on võimas, kuid kallis tööriist; AI kiirendab seda kahest kohast: protsessihaldus (installimine, kommentaar, skript) ja suure kujundusruumi skannimine asendusmudelitega sekunditega. Asendusmudelit treenitakse väikese arvu täielike CFD-käibetega, seda kasutatakse usaldusvahemikuga ja parimad kandidaadid kinnitatakse tingimata täieliku CFD-ga. Ühtegi sujuvat tulemust ei aktsepteerita, kui pole kontrollitud konvergentsi, võrgu sõltumatust ja füüsilist usutavust. AI annab hüpoteesi ja kiiruse; Füüsika lõplik kohtunik on andmed.
Rakenduse ülesanne
Määrake CFD käitamise stsenaarium aerodroomile või lihtsale geomeetriale (esinduslikud, mitte tegelikud projektiandmed). Tehisintellekti kasutades (a) loetlege valideerimise etapid enne, kui tulemuse kehtivaks loete, (b) printige Pythoni skript, mis eraldab tulemusfailist koefitsiendid ja kontrollib selle loogikat rida-realt, (c) koostage asendusmudeli ehitamise plaan (mitu valimit, milline meetod, kuidas valideerida). Võrrelge tulemust tüüpilise vahemikuga ja hinnake selle usutavust.
kontrollnimekiri
- [ ] Tegin iga CFD tulemuse jaoks konvergentsikontrolli.
- [ ] Küsisin, kas võrgu sõltumatust demonstreeriti.
- [ ] Võrdlesin selliseid koefitsiente nagu CL/CD tüüpilise klassivahemikuga.
- [ ] Kasutasin asendusmudelit ainult treeningulatuse piires.
- [ ] Võtsin otsuse tegemisel arvesse asendusmudeli ennustuste ebakindlust.
- [ ] Kontrollisin parimad kandidaadid täieliku CFD-ga.