سود:
- قادر به توضیح نحوه استفاده از هوش مصنوعی در تنظیم، تفسیر نتایج و تولید مدل جایگزین در فرآیند دینامیک سیالات محاسباتی (CFD) باشید.
- امکان اسکن سریع فضای طراحی بزرگ و رتبه بندی هندسه های نامزد با مدل های جایگزین مبتنی بر یادگیری ماشین
- توانایی اعتبارسنجی خروجی های آیرودینامیکی مبتنی بر هوش مصنوعی با معیارهای همگرایی، استقلال شبکه، و معقول بودن فیزیکی
چگونه یک بال بالابر ایجاد می کند، چگونه یک بدنه هوا را می شکافد، چگونه یک سطح کنترل جریان را منحرف می کند. آیرودینامیک علم این نیروهای نامرئی است. مهندس این نیروها را به دو روش یاد می گیرد: با آزمایش در یک تونل باد یا با دینامیک سیالات محاسباتی کامپیوتری (CFD؛ Computational Fluid Dynamics، روشی که معادلات جریان را به صورت عددی در یک شبکه محاسباتی حل می کند). CFD قدرتمند اما گران است: یک اجرای پیچیده می تواند ساعت ها و حتی روزها طول بکشد و یک نقطه طراحی را به همراه داشته باشد. مهندسي كه مي خواهد صدها طرح را امتحان كند در اينجا با يك گلوگاه مواجه مي شود.
هوش مصنوعی (AI) این گلوگاه را در دو جا باز می کند. اول، در خود فرآیند CFD: کنترل راه اندازی، تفسیر نتایج و گزارش. دوم، و تحولپذیرتر، مدلهای جایگزین هستند (مدل یادگیری ماشینی که رابطه ورودی-خروجی یک شبیهسازی گران قیمت را یاد میگیرد و یک پیشبینی تقریبی در چند ثانیه ارائه میکند). به لطف مدل جایگزین، فضای طراحی بزرگ به جای ساعت ها در چند ثانیه اسکن می شود، چند نامزد امیدوار انتخاب می شوند و فقط آنها با CFD کامل با دقت بالا محاسبه می شوند. در این واحد، هنگام تعبیه هوش مصنوعی در این گردش کار، قانون تغییرناپذیر را حفظ میکنیم: هیچ نتیجه کارآمدی بدون نشان دادن همگرایی و استقلال شبکه و عبور از فیلتر قابل قبول بودن فیزیکی پذیرفته نمیشود.
مفاهیم: همگرایی: با پیشرفت تکرارها، راه حل در یک مقدار ثابت قرار می گیرد. اگر مناسب نباشد، نتیجه غیر قابل اعتماد است. استقلال مش: هنگامی که شبکه حساب را سفت می کنید، نتیجه به طور قابل توجهی تغییر نمی کند. CL/CD: ضریب بالابر / ضریب درگ. معیار اساسی بازده آیرودینامیکی مدل جایگزین: تقلید سریع و تقریبی شبیه سازی.
جایگاه هوش مصنوعی در گردش کار CFD
اجرای CFD تقریباً از پنج مرحله تشکیل شده است: آماده سازی هندسه، تولید مش، راه اندازی حل کننده، اجرا و پس پردازش. هوش مصنوعی در هر مرحله به طور متفاوتی کمک می کند، اما در مورد هیچ یک از آنها حرف آخر را نمی زند.
در تولید مش، هوش مصنوعی می تواند تقریباً ارتفاع سلول اولیه را نسبت به هدف y+ برای وضوح لایه مرزی محاسبه کند. برای انتخاب مدل آشفتگی (به عنوان مثال k-omega SST) در راهاندازی حلکننده، ممکن است گزینههای مناسب با رژیم جریان را با توجیه پیشنهاد کند. در پس پردازش، میتوان یک اسکریپت پایتون نوشت تا ضرایب برآمدگی، کشیدن و لحظهای را از هزاران خط فایل نتیجه استخراج کند و زاویهای از نمودار رفت و برگشت حمله ایجاد کند. اما اینکه آیا مقدار y+ واقعاً روی هدف است، آیا مدل آشفتگی با این جریان مطابقت دارد یا خیر، و اینکه آیا نتیجه همگرا می شود یا نه توسط چشم مهندس بررسی می شود.
بیشترین مکان مورد استفاده نظر نتیجه است. وقتی از هوش مصنوعی میپرسید «چرا آن منحنی CL-alpha در 14 درجه شکسته میشود»، احتمال توقف را به شما یادآوری میکند (با افزایش زاویه حمله و کاهش ارتفاع، جریان از بال جدا میشود) و شاخصهای جداسازی جریان را که باید بررسی کنید فهرست میکند. این یک مولد فرضیه است. تایید دوباره در داده ها است.
احتیاط: هوش مصنوعی می تواند یک نتیجه CFD را روان تفسیر کند، اما اگر خود نتیجه اشتباه باشد، تفسیر نیز اشتباه خواهد بود. جمله "این مقدار درگ معقول است" هیچ معنایی ندارد اگر راه حل همگرا نباشد. ابتدا صحت شماره و سپس نظر را بررسی کنید.
مدلهای جایگزین: اسکن فضای طراحی در چند ثانیه
منطق ایجاد یک مدل جایگزین ساده است. ابتدا، یک نمونه با دقت انتخاب شده (به عنوان مثال 40-80 امتیاز طراحی؛ طرح آزمایشی توسط DoE توزیع شده است) با CFD کامل محاسبه می شود. سپس یک مدل یادگیری ماشین (رگرسیون فرآیند گاوسی/کریجینگ، تابع پایه شعاعی یا شبکه عصبی) با این جفتهای ورودی-خروجی آموزش داده میشود. مدل اکنون CL/CD را برای یک هندسه جدید در چند ثانیه پیش بینی می کند. هزاران کاندیدا با این مدل ارزان قیمت غربالگری میشوند و 3 تا 5 کاندیدای با ظاهر زیبا مجدداً محاسبه و با یک CFD کامل تأیید میشوند.
نقطه بحرانی در اینجا فاصله اطمینان است. مدلهایی مانند کریجینگ نه تنها یک پیشبینی را ارائه میکنند، بلکه تا چه حد به آن پیشبینی (عدم قطعیت) اطمینان دارند. عدم قطعیت در مناطق دور از نقاط آموزشی افزایش می یابد. در آنجا، به جای اعتماد کورکورانه به مدل، یک نقطه CFD جدید اضافه می شود. این حلقه "افزودن نمونه جدید در جایی که عدم قطعیت زیاد است" به عنوان یادگیری فعال شناخته می شود و فضای بزرگ را با تعداد کمی اجراهای گران قیمت اسکن می کند.
روش
هزینه یک امتیاز طراحی
دقت
چه زمانی
CFD کامل (RANS)
ساعت
بالا
تأیید نهایی، تعداد کمی از نامزدها
مدل جایگزین (کریجینگ)
ثانیه
متوسط به بالا (در حوزه آموزش)
اسکن فضای بزرگ، بهینه سازی
روش پانل/سفارش پایین
ثانیه-دقیقه
کم متوسط
حذف خیلی زود، ایده خشن
تونل باد
روزها-هفته ها
بالاترین (واقعی)
تأیید بحرانی، گواهی
نکته: هرگز از مدل جایگزین خارج از محدوده تحت پوشش داده های آموزشی استفاده نکنید (برون یابی). اگر مدل با زاویه حمله 5-15 درجه آموزش داده شده باشد، مقداری که در 25 درجه می دهد یک پیش بینی نیست، بلکه ساختگی است. درخواست از هوش مصنوعی برای "نوشتن محدوده آموزشی و رد درخواست های خارج از محدوده" هنگام ساخت مدل، این تله را می بندد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این ایرفویل خوبه؟ نتیجه CFD من را تفسیر کنید: CD=0.009.
اعلان قدرتمند:
نقش: شما یک مشاور تجزیه و تحلیل آیرودینامیکی هستید. شما تأیید ایمنی حیاتی را اعمال می کنید. زمینه: تجزیه و تحلیل RANS CFD ایرفویل دو بعدی (مقادیر نماینده هستند): Re=1.5e6، ماخ=0.2، زاویه حمله 4 درجه، مدل آشفتگی k-omega SST. نتیجه: CL=0.62، CD=0.0091. شبکه: 180 هزار سلول، y+ ~ 1. وظیفه: 1) مراحل تأیید را که باید قبل از در نظر گرفتن نتیجه معتبر (همگرایی، استقلال شبکه، y+) بررسی کنم فهرست کنید. 2) نسبت CL/CD را محاسبه کرده و با محدوده معمولی برای این کلاس نمایه مقایسه کنید. جایی که مطمئن نیستید علامت بزنید؛ قضاوت قطعی «خوب/بد» نکنید، یک طرح تأیید ارائه دهید.
الگوهای اعلان قابل کپی
الگو 1 - استدلال راه اندازی CFD:
توصیه راه اندازی CFD را برای شرایط جریان زیر (مقادیر نماینده): Re=[...], Mach=[...], geometry=[...] ارائه دهید. دلایل زیر را به من پیشنهاد کنید: گزینه های مدل آشفتگی مناسب، هدف y+ برای لایه مرزی و محاسبه ارتفاع سلول اولیه، شرایط مرزی. برای هر انتخاب، یک یادداشت «چرا» و «در این صورت اشتباه است» اضافه کنید. واحد اعداد را بنویسید.
الگو 2 - طراحی آزمایشات (DoE) و طرح مدل جایگزین:
من متغیرهای طراحی [N] را دارم: [لیست، با محدوده]. برای آموزش یک مدل جایگزین: (الف) چند نقطه نمونه و چه روش نمونه گیری را توصیه می کنید (به عنوان مثال Hypercube لاتین)؛ (ب) کدام نوع مدل جایگزین مناسب است و چرا. (ج) چگونه می توانم مدل را اعتبار سنجی کنم (اعتبار متقابل، مجموعه تست تقسیم). چه قاعده ای را باید در برابر خطر برون یابی اعمال کنم؟
الگوی 3 - اسکریپت برای استخراج ضرایب از فایل نتیجه CFD:
از یک گزارش نیروی CFD CSV (ستونها: تکرار، Fx، Fy، Fz) با پایتون: (الف) با میانگینگیری 500 تکرار گذشته، همگرایان CL و CD را محاسبه کنید. (ب) انحراف استاندارد 500 تکرار آخر را بنویسید و آن را با یک آستانه برای بررسی همگرایی مقایسه کنید. (ج) CL-alpha را برای زاویه اسکن حمله ترسیم کنید. ناحیه مرجع و فشار دینامیکی را به عنوان پارامتر تنظیم کنید. حساب را با خطوط نظر توضیح دهید.
الگو 4 - پرس و جوی اطمینان پیش بینی مدل جایگزین:
مدل کریجینگ پروکسی که من آموزش دادم CL=0.71، عدم قطعیت (std) 0.02 برای پیشبینی زیر داد. نقطه پرس و جو [داخل/خارج] محدوده آموزشی است. (الف) آیا این سطح از عدم قطعیت برای تصمیم گیری کافی است، چگونه تصمیم بگیرم؟ (ب) اگر عدم قطعیت زیاد است، در چه نقطه ای باید یک نمونه CFD جدید (منطق یادگیری فعال) اضافه کنم؟ (ج) چه زمانی باید این پیش بینی را با CFD کامل تأیید کنم؟
موارد کوچک
مورد 1 - نتیجه غیر همگرا گرفته می شود. یک دانش آموز نتیجه CD=0.0065 را برای ایرفویل دریافت می کند و خوشحال می شود. سی دی معمولی برای کلاس پروفایل در محدوده 0.008-0.012 است، نتیجه خیلی خوب به نظر می رسد. اعمال بررسی همگرایی پیشنهادی توسط هوش مصنوعی نشان می دهد که ضریب نیرو همچنان در آخرین تکرارها نوسان می کند (انحراف استاندارد 8 درصد میانگین). هنگامی که راه حل با تکرارهای بیشتر همگرا می شود، در CD = 0.0094 قرار می گیرد. درس: یک نتیجه "خیلی خوب" اغلب یک نتیجه غیر همگرا است.
مورد 2 - سرعت مدل جایگزین 200 برابر افزایش می یابد. یک تیم 60 دور کامل CFD (هر کدام 2 ساعت) را برای یک بال با 6 پارامتر هندسی اجرا می کند و یک مدل جایگزین کریجینگ را آموزش می دهد. سپس 5000 پیکربندی نامزد را با مدل پراکسی در 40 ثانیه اسکن میکند، و 4 نامزد برتر را با CFD کامل تأیید میکند. با مجموع 64 اجرا CFD، یک برآورد تقریبی معادل 5000 اجرا است. مدت زمان از هفته به دو روز کاهش می یابد. درس: شبیه سازی گران قیمت را فقط در نقاط اعتبارسنجی اجرا کنید، نه در هر نقطه.
مورد 3 - تله برون یابی. یک مهندس یک سوال بالابر در 18 درجه از یک مدل جایگزین آموزش دیده با زاویه حمله 3-12 درجه می پرسد. این مدل یک مقدار افزایش هموار مانند CL=1.6 می دهد. در واقع، بال حدود 15 درجه چسبندگی را از دست میدهد و بالابر کاهش مییابد، اما مدل جایگزین آن را مستقیماً گسترش میدهد زیرا این فیزیک را «نمیبیند». مهندس نتیجه را با یک بررسی قابل قبول فیزیکی (پیش بینی از دست دادن چسبندگی) رد می کند و یک CFD کامل را در آن ناحیه اجرا می کند. درس: مدل جایگزین، فیزیک را فراتر از محدوده آموزشی خود نمی داند.
اشتباهات رایج
- بررسی نکردن همگرایی ضرایب یک راه حل غیر همگرا بی معنی است. زیبایی نمودار تضمینی برای همگرایی نیست.
- دور زدن استقلال شبکه اگر نتیجه به شبکه بستگی دارد، پاسخ های متفاوتی با شبکه های مختلف ارائه می شود. نمی توان فهمید که کدام یک درست است.
- برون یابی در مدل جایگزین. پیشبینی خارج از محدوده تمرین، گسترش ریاضی میدهد، نه حقیقت فیزیکی.
- نادیده گرفتن عدم قطعیت اگر از اطلاعات اطمینان پیشبینی کریجینگ استفاده نشود، منطقهای که مدل مطمئنتر است و منطقهای که کمترین اطمینان را دارد، یکسان رفتار میکنند.
- انتخاب مدل تلاطم خودسرانه مدل آشفتگی اشتباه حتی یک راه حل همگرا و مستقل از شبکه را از نظر فیزیکی نادرست می کند.
به طور خلاصه
CFD یک ابزار قدرتمند اما گران است. هوش مصنوعی از دو مکان به آن سرعت می بخشد: مدیریت فرآیند (نصب، نظر، اسکریپت) و اسکن فضای طراحی بزرگ در چند ثانیه با مدل های جایگزین. مدل جایگزین با تعداد کمی از اجراهای کامل CFD آموزش داده می شود، با فاصله اطمینان استفاده می شود و بهترین نامزدها لزوماً با CFD کامل تأیید می شوند. هیچ نتیجه ساده ای بدون بررسی همگرایی، استقلال شبکه، و قابل قبول بودن فیزیکی پذیرفته نمی شود. هوش مصنوعی فرضیه و سرعت می دهد. داور نهایی فیزیک داده است.
وظیفه کاربردی
یک سناریوی اجرای CFD برای یک ایرفویل یا یک هندسه ساده (نماینده، نه داده های واقعی پروژه) تعریف کنید. با استفاده از هوش مصنوعی، (الف) مراحل اعتبار سنجی را قبل از در نظر گرفتن نتیجه معتبر فهرست کنید، (ب) یک اسکریپت پایتون را چاپ کنید که ضرایب را از فایل نتیجه استخراج می کند و منطق آن را خط به خط بررسی می کند، (ج) برنامه ای برای ساخت یک مدل جایگزین (چند نمونه، کدام روش، چگونه اعتبار سنجی شود) آماده کنید. یک نتیجه را با محدوده معمولی مقایسه کنید و قابل قبول بودن آن را ارزیابی کنید.
چک لیست
- [ ] من برای هر نتیجه CFD یک بررسی همگرایی انجام دادم.
- [ ] من سوال کردم که آیا استقلال شبکه نشان داده شده است یا خیر.
- [ ] من ضرایبی مانند CL/CD را با محدوده کلاس معمولی مقایسه کردم.
- [ ] من از مدل جایگزین فقط در محدوده آموزشی استفاده کردم.
- [ ] من عدم قطعیت پیش بینی های مدل جایگزین را در تصمیم گیری لحاظ کردم.
- [ ] من بهترین نامزدها را با CFD کامل تأیید کردم.