एरोडायनामिक्स, सीएफडी और सरोगेट मॉडल के साथ तीव्र डिजाइन अन्वेषण

लाभ:

• यह समझाने में सक्षम हो कि कम्प्यूटेशनल तरल गतिकी (सीएफडी) प्रक्रिया में सेटअप, परिणाम व्याख्या और सरोगेट मॉडल निर्माण में एआई का उपयोग कैसे किया जाता है।
• मशीन लर्निंग-आधारित सरोगेट मॉडल के साथ एक बड़े डिज़ाइन स्थान को तुरंत स्कैन करने और उम्मीदवार की ज्यामिति को रैंक करने की क्षमता
• अभिसरण, नेटवर्क स्वतंत्रता और भौतिक संभाव्यता मानदंडों के साथ एआई-संचालित वायुगतिकीय आउटपुट को मान्य करने की क्षमता

कैसे एक पंख लिफ्ट पैदा करता है, कैसे एक धड़ हवा को विभाजित करता है, कैसे एक नियंत्रण सतह प्रवाह को विक्षेपित करती है; वायुगतिकी इन अदृश्य शक्तियों का विज्ञान है। इंजीनियर इन बलों को दो तरीकों से सीखता है: पवन सुरंग में प्रयोग द्वारा या कंप्यूटर कम्प्यूटेशनल तरल गतिशीलता (सीएफडी; कम्प्यूटेशनल तरल गतिशीलता, एक विधि जो कम्प्यूटेशनल नेटवर्क पर संख्यात्मक रूप से प्रवाह समीकरणों को हल करती है) द्वारा। सीएफडी शक्तिशाली है लेकिन महंगा है: एक जटिल दौड़ में घंटों, यहां तक ​​कि दिन भी लग सकते हैं, जिससे एक डिज़ाइन बिंदु प्राप्त होता है। जो इंजीनियर सैकड़ों डिज़ाइनों को आज़माना चाहता है, उसे यहां एक अड़चन का सामना करना पड़ता है।

कृत्रिम बुद्धिमत्ता (एआई) इस बाधा को दो स्थानों पर खोलती है। सबसे पहले, सीएफडी प्रक्रिया में ही: सेटअप नियंत्रण, परिणाम व्याख्या और रिपोर्टिंग। दूसरा, और अधिक परिवर्तनकारी, सरोगेट मॉडल हैं (मशीन लर्निंग मॉडल जो एक महंगे सिमुलेशन के इनपुट-आउटपुट संबंध को सीखता है और सेकंड में अनुमानित भविष्यवाणी देता है)। सरोगेट मॉडल के लिए धन्यवाद, एक बड़े डिज़ाइन स्थान को घंटों के बजाय सेकंड में स्कैन किया जाता है, कुछ होनहार उम्मीदवारों का चयन किया जाता है, और केवल उनकी गणना उच्च सटीकता के साथ पूर्ण सीएफडी के साथ की जाती है। इस इकाई में, हम इस वर्कफ़्लो में एआई को एम्बेड करते समय अपरिवर्तनीय नियम बनाए रखते हैं: अभिसरण और नेटवर्क स्वतंत्रता का प्रदर्शन किए बिना और भौतिक संभाव्यता के फ़िल्टर से गुज़रे बिना कोई सुव्यवस्थित परिणाम स्वीकार नहीं किया जाता है।

अवधारणाएँ: अभिसरण: जैसे-जैसे पुनरावृत्तियाँ आगे बढ़ती हैं, समाधान एक स्थिर मूल्य पर स्थिर हो जाता है; यदि यह फिट नहीं बैठता है, तो परिणाम अविश्वसनीय है। मेष स्वतंत्रता: जब आप खाता नेटवर्क को मजबूत करते हैं तो परिणाम में महत्वपूर्ण परिवर्तन नहीं होता है। सीएल/सीडी: लिफ्ट गुणांक/खींचें गुणांक; वायुगतिकीय दक्षता का बुनियादी माप। सरोगेट मॉडल: अनुकरण की तेज़ अनुमानित नकल।

सीएफडी वर्कफ़्लो में एआई का स्थान

सीएफडी रन में लगभग पांच चरण होते हैं: ज्यामिति तैयारी, जाल निर्माण, सॉल्वर सेटअप, रनिंग और पोस्ट-प्रोसेसिंग। एआई प्रत्येक चरण में अलग-अलग तरह से मदद करता है, लेकिन उनमें से किसी पर भी इसका अंतिम निर्णय नहीं होता है।

मेश जेनरेशन में, AI सीमा परत रिज़ॉल्यूशन के लिए y+ लक्ष्य के सापेक्ष प्रारंभिक सेल ऊंचाई की गणना कर सकता है। सॉल्वर सेटअप में अशांति मॉडल चयन (जैसे के-ओमेगा एसएसटी) के लिए, यह औचित्य के साथ प्रवाह शासन के लिए उपयुक्त विकल्प सुझा सकता है। पोस्ट-प्रोसेसिंग में, कोई व्यक्ति परिणाम फ़ाइल की हजारों पंक्तियों से लिफ्ट, ड्रैग और मोमेंट गुणांक निकालने के लिए एक पायथन स्क्रिप्ट लिख सकता है और अटैक स्वीप प्लॉट का एक कोण बना सकता है। लेकिन क्या y+ मान वास्तव में लक्ष्य पर है, क्या अशांति मॉडल इस प्रवाह में फिट बैठता है, और क्या परिणाम अभिसरण करता है या नहीं, इसकी जांच इंजीनियर की आंख से होती है।

सबसे अधिक उपयोग की जाने वाली जगह परिणाम टिप्पणी है। जब आप एआई से पूछते हैं "वह सीएल-अल्फा वक्र 14 डिग्री पर क्यों टूटता है", तो यह आपको रुकने की संभावना की याद दिलाता है (हमले का कोण बढ़ने और लिफ्ट कम होने पर प्रवाह विंग से अलग हो जाता है) और प्रवाह पृथक्करण संकेतक सूचीबद्ध करता है जिन्हें आपको जांचना चाहिए। यह एक परिकल्पना जनरेटर है; पुष्टि फिर से डेटा में है।

सावधानी: एआई सीएफडी परिणाम की धाराप्रवाह व्याख्या कर सकता है, लेकिन यदि परिणाम स्वयं गलत है, तो व्याख्या भी गलत होगी। यदि समाधान अभिसरण नहीं होता है तो वाक्य "यह ड्रैग वैल्यू उचित है" का कोई मतलब नहीं है। पहले नंबर की वैधता जांचें, फिर टिप्पणी करें।

सरोगेट मॉडल: सेकंड में डिज़ाइन स्पेस को स्कैन करना

सरोगेट मॉडल स्थापित करने का तर्क सरल है। सबसे पहले, एक सावधानीपूर्वक चयनित नमूना (उदाहरण के लिए 40-80 डिज़ाइन बिंदु; प्रयोगात्मक डिज़ाइन डीओई द्वारा वितरित किया जाता है) की गणना पूर्ण सीएफडी के साथ की जाती है। फिर एक मशीन लर्निंग मॉडल (गॉसियन प्रोसेस रिग्रेशन/क्रिगिंग, रेडियल बेसिस फंक्शन या न्यूरल नेटवर्क) को इन इनपुट-आउटपुट जोड़े के साथ प्रशिक्षित किया जाता है। मॉडल अब सेकंडों में एक नई ज्यामिति के लिए सीएल/सीडी की भविष्यवाणी करता है। इस सस्ते मॉडल के साथ हजारों उम्मीदवारों की जांच की जाती है, और 3-5 सबसे अच्छे दिखने वाले उम्मीदवारों की पुनर्गणना की जाती है और पूर्ण सीएफडी के साथ सत्यापित किया जाता है।

यहां महत्वपूर्ण बिंदु आत्मविश्वास अंतराल है। क्रिगिंग जैसे मॉडल न केवल एक भविष्यवाणी प्रदान करते हैं, बल्कि यह भी बताते हैं कि वे उस भविष्यवाणी (अनिश्चितता) में कितने आश्वस्त हैं। प्रशिक्षण बिंदुओं से दूर क्षेत्रों में अनिश्चितता बढ़ती है; वहां, मॉडल पर आंख मूंदकर भरोसा करने के बजाय एक नया सीएफडी बिंदु जोड़ा गया है। यह "जहां अनिश्चितता अधिक है वहां नया नमूना जोड़ें" लूप को सक्रिय शिक्षण के रूप में जाना जाता है और कम संख्या में महंगे रन के साथ बड़ी जगह को कुशलतापूर्वक स्कैन करता है।

विधि

एक डिज़ाइन बिंदु लागत

सटीकता

कब

पूर्ण सीएफडी (आरएएनएस)

घड़ियाँ

उच्च

अंतिम सत्यापन, अभ्यर्थियों की कम संख्या

सरोगेट मॉडल (क्रिगिंग)

सेकंड

मध्यम-उच्च (शिक्षा क्षेत्र में)

बड़े स्थान की स्कैनिंग, अनुकूलन

पैनल/निम्न क्रम विधि

सेकंड-मिनट

निम्न-मध्यम

बहुत जल्दी उन्मूलन, कच्चा विचार

पवन सुरंग

दिन-सप्ताह

उच्चतम (वास्तविक)

महत्वपूर्ण सत्यापन, प्रमाणीकरण

युक्ति: प्रशिक्षण डेटा (एक्सट्रपलेशन) द्वारा कवर की गई सीमा के बाहर कभी भी सरोगेट मॉडल का उपयोग न करें। यदि मॉडल को 5-15 डिग्री के हमले के कोण के साथ प्रशिक्षित किया गया था, तो यह 25 डिग्री पर जो मूल्य देता है वह भविष्यवाणी नहीं है, बल्कि एक मनगढ़ंत कहानी है। मॉडल बनाते समय एआई को "प्रशिक्षण रेंज लिखने और सीमा से बाहर के प्रश्नों को अस्वीकार करने" के लिए कहने से यह जाल बंद हो जाता है।

कमजोर संकेत/मजबूत संकेत

कमजोर संकेत:

क्या यह एयरफ़ॉइल अच्छा है? मेरे सीएफडी परिणाम की व्याख्या करें: सीडी=0.009।

शक्तिशाली संकेत:

भूमिका: आप एक वायुगतिकीय विश्लेषण सलाहकार हैं; आप सुरक्षा-महत्वपूर्ण सत्यापन लागू करते हैं। संदर्भ: 2डी एयरफॉइल आरएएनएस सीएफडी विश्लेषण (मान प्रतिनिधि हैं):Re=1.5e6, मच=0.2, हमले का कोण 4°, अशांति मॉडल के-ओमेगा एसएसटी। परिणाम: सीएल=0.62, सीडी=0.0091। नेटवर्क: 180k सेल, y+ ~1.कार्य:1) परिणाम को वैध (अभिसरण, नेटवर्क स्वतंत्रता, y+) मानने से पहले सत्यापन चरणों की सूची बनाएं जिन्हें मुझे जांचना होगा। 2) सीएल/सीडी अनुपात की गणना करें और इस प्रोफ़ाइल वर्ग के लिए विशिष्ट सीमा के साथ तुलना करें। 3) यदि मान संदिग्ध लगता है तो त्रुटि के संभावित स्रोत दिखाएं। बाधा: इकाई लिखें; जहां आप निश्चित नहीं हैं वहां चिह्नित करें; कोई निश्चित "अच्छा/बुरा" निर्णय न लें, एक सत्यापन योजना दें।

कॉपी करने योग्य प्रॉम्प्ट टेम्प्लेट

टेम्प्लेट 1 - सीएफडी सेटअप तर्क:

निम्नलिखित प्रवाह स्थिति (प्रतिनिधि मान) के लिए सीएफडी सेटअप अनुशंसा दें: Re=[...], मच=[...], ज्यामिति=[...]। मुझे निम्नलिखित कारण सुझाएं: उपयुक्त अशांति मॉडल विकल्प, सीमा परत के लिए लक्ष्य y+ और प्रारंभिक सेल ऊंचाई गणना, सीमा स्थितियां। प्रत्येक विकल्प के लिए, "क्यों" और "किस स्थिति में यह गलत होगा" का नोट जोड़ें। संख्याओं की इकाई लिखिए।

टेम्प्लेट 2 - प्रयोगों का डिज़ाइन (डीओई) और सरोगेट मॉडल योजना:

मेरे पास [एन] डिज़ाइन चर हैं: [सूची, श्रेणियों के साथ]। सरोगेट मॉडल को प्रशिक्षित करने के लिए: (ए) आप कितने नमूना बिंदु और कौन सी नमूना विधि (जैसे लैटिन हाइपरक्यूब) की अनुशंसा करते हैं; (बी) किस प्रकार का सरोगेट मॉडल उपयुक्त है और क्यों; (सी) मैं मॉडल को कैसे सत्यापित करूं (क्रॉस-वैलिडेशन, स्प्लिट टेस्ट सेट)। एक्सट्रपलेशन के जोखिम के विरुद्ध मुझे कौन सा नियम लागू करना चाहिए?

टेम्प्लेट 3 - सीएफडी परिणाम फ़ाइल से गुणांक निकालने की स्क्रिप्ट:

सीएफडी बल रिपोर्ट सीएसवी (कॉलम: पुनरावृत्ति, एफएक्स, एफवाई, एफजेड) से पायथन के साथ: (ए) पिछले 500 पुनरावृत्तियों के औसत से अभिसरण सीएल और सीडी की गणना करें; (बी) पिछले 500 पुनरावृत्तियों के मानक विचलन को लिखें और अभिसरण की जांच करने के लिए इसकी तुलना एक सीमा से करें; (सी) हमले के स्कैन के कोण के लिए सीएल-अल्फा प्लॉट करें। संदर्भ क्षेत्र और गतिशील दबाव को पैरामीटर के रूप में सेट करें; टिप्पणी पंक्तियों के साथ वृत्तान्त समझाइये।

टेम्प्लेट 4 - सरोगेट मॉडल भविष्यवाणी आत्मविश्वास क्वेरी:

मेरे द्वारा प्रशिक्षित क्रिंगिंग प्रॉक्सी मॉडल ने निम्नलिखित भविष्यवाणी के लिए सीएल=0.71, अनिश्चितता(एसटीडी) 0.02 दिया; प्रश्न बिंदु प्रशिक्षण सीमा के अंदर/बाहर है। (ए) क्या अनिश्चितता का यह स्तर निर्णय लेने के लिए पर्याप्त है, मैं कैसे निर्णय करूं? (बी) यदि अनिश्चितता अधिक है, तो मुझे किस बिंदु पर एक नया सीएफडी उदाहरण (सक्रिय शिक्षण तर्क) जोड़ना चाहिए? (सी) मुझे पूर्ण सीएफडी के साथ इस भविष्यवाणी की पुष्टि कब करनी चाहिए?

मिनी मामले

केस 1 - गैर-अभिसरण परिणाम पकड़ा गया है। एक छात्र को एयरफ़ॉइल के लिए परिणाम CD=0.0065 मिलता है और वह प्रसन्न होता है; प्रोफ़ाइल वर्ग के लिए विशिष्ट सीडी 0.008-0.012 की सीमा में है, परिणाम बहुत अच्छा लगता है। एआई द्वारा सुझाए गए अभिसरण जांच को लागू करने से पता चलता है कि अंतिम पुनरावृत्तियों में बल गुणांक अभी भी दोलन करता है (मानक विचलन माध्य का 8%)। जब समाधान अधिक पुनरावृत्तियों के साथ अभिसरण होता है, तो यह सीडी = 0.0094 पर स्थिर हो जाता है। पाठ: एक "बहुत अच्छा" परिणाम अक्सर एक गैर-अभिसरण परिणाम होता है।

केस 2 - सरोगेट मॉडल की गति 200 गुना बढ़ जाती है। एक टीम 6 ज्यामितीय मापदंडों के साथ एक विंग के लिए 60 पूर्ण सीएफडी रन (~2 घंटे प्रत्येक) चलाती है और एक क्रिगिंग सरोगेट मॉडल को प्रशिक्षित करती है। फिर यह 40 सेकंड में प्रॉक्सी मॉडल के साथ 5000 उम्मीदवार कॉन्फ़िगरेशन को स्कैन करता है, पूर्ण सीएफडी के साथ सर्वश्रेष्ठ 4 उम्मीदवारों को मान्य करता है। कुल 64 सीएफडी रनों के साथ, एक मोटा अनुमान 5000 रनों के बराबर है। अवधि सप्ताह से घटकर दो दिन हो जाती है। पाठ: महंगे सिमुलेशन को केवल सत्यापन बिंदुओं पर चलाएं, हर बिंदु पर नहीं।

केस 3 - एक्सट्रपलेशन ट्रैप। एक इंजीनियर हमले के 3-12 डिग्री कोण के साथ प्रशिक्षित सरोगेट मॉडल से 18 डिग्री पर लिफ्ट का प्रश्न पूछता है; मॉडल CL=1.6 जैसे सुचारू रूप से बढ़ता हुआ मान देता है। वास्तव में, पंख 15 डिग्री के आसपास पकड़ खो देता है और लिफ्ट कम हो जाती है, लेकिन सरोगेट मॉडल इसे सीधा फैला देता है क्योंकि यह इस भौतिकी को "देख" नहीं पाता है। इंजीनियर भौतिक संभाव्यता जांच (आसंजन हानि की आशंका) के साथ परिणाम को अस्वीकार कर देता है और उस क्षेत्र में पूर्ण सीएफडी चलाता है। पाठ: सरोगेट मॉडल अपनी प्रशिक्षण सीमा से परे भौतिकी को नहीं जानता है।

सामान्य गलतियां

• अभिसरण की जाँच नहीं की जा रही है। एक असंबद्ध समाधान के गुणांक अर्थहीन हैं; ग्राफ़ की सुंदरता अभिसरण की कोई गारंटी नहीं है।
• नेटवर्क स्वतंत्रता को दरकिनार करना। यदि परिणाम नेटवर्क पर निर्भर करता है, तो अलग-अलग नेटवर्क के साथ अलग-अलग उत्तर सामने आते हैं; इनमें से कौन सा सही है यह पता नहीं चल पा रहा है.
• सरोगेट मॉडल में एक्सट्रपलेशन. प्रशिक्षण सीमा के बाहर की भविष्यवाणी गणितीय विस्तार देती है, भौतिक सत्य नहीं।
• अनिश्चितता को नजरअंदाज करना. यदि क्रिगिंग भविष्यवाणी की आत्मविश्वास संबंधी जानकारी का उपयोग नहीं किया जाता है, तो वह क्षेत्र जहां मॉडल सबसे अधिक आश्वस्त है और वह क्षेत्र जहां यह सबसे कम आश्वस्त है, उनके साथ एक जैसा व्यवहार किया जाता है।
• अशांति मॉडल को मनमाने ढंग से चुनना। गलत अशांति मॉडल एक अभिसरण और नेटवर्क-स्वतंत्र समाधान को भी भौतिक रूप से गलत बना देता है।

सारांश

सीएफडी एक शक्तिशाली लेकिन महंगा उपकरण है; एआई इसे दो स्थानों से तेज करता है: प्रक्रिया प्रबंधन (इंस्टॉलेशन, टिप्पणी, स्क्रिप्ट) और सरोगेट मॉडल के साथ सेकंड में बड़े डिजाइन स्थान की स्कैनिंग। सरोगेट मॉडल को कम संख्या में पूर्ण सीएफडी रन के साथ प्रशिक्षित किया जाता है, आत्मविश्वास अंतराल के साथ उपयोग किया जाता है, और सर्वश्रेष्ठ उम्मीदवारों को आवश्यक रूप से पूर्ण सीएफडी के साथ मान्य किया जाता है। अभिसरण, नेटवर्क स्वतंत्रता और भौतिक संभाव्यता की जांच के बिना कोई भी सुव्यवस्थित परिणाम स्वीकार नहीं किया जाता है। एआई परिकल्पना और गति देता है; भौतिकी का अंतिम मध्यस्थ डेटा है।

आवेदन कार्य

एक एयरफ़ॉइल या एक साधारण ज्यामिति के लिए सीएफडी रन परिदृश्य को परिभाषित करें (प्रतिनिधि, वास्तविक प्रोजेक्ट डेटा नहीं)। एआई का उपयोग करते हुए, (ए) परिणाम को वैध मानने से पहले सत्यापन चरणों को सूचीबद्ध करें, (बी) एक पायथन स्क्रिप्ट प्रिंट करें जो परिणाम फ़ाइल से गुणांक निकालती है और लाइन द्वारा इसकी तर्क रेखा की जांच करती है, (सी) एक सरोगेट मॉडल बनाने की योजना तैयार करें (कितने नमूने, कौन सी विधि, कैसे मान्य करें)। किसी परिणाम की तुलना विशिष्ट श्रेणी से करें और उसकी संभाव्यता का मूल्यांकन करें।

चेकलिस्ट

• [ ] मैंने प्रत्येक सीएफडी परिणाम के लिए एक अभिसरण जांच की।
• [ ] मैंने सवाल किया कि क्या नेटवर्क स्वतंत्रता का प्रदर्शन किया गया था।
• [ ] मैंने सीएल/सीडी जैसे गुणांकों की तुलना विशिष्ट वर्ग सीमा से की।
• [ ] मैंने सरोगेट मॉडल का उपयोग केवल प्रशिक्षण सीमा के भीतर किया।
• [ ] मैंने निर्णय में सरोगेट मॉडल भविष्यवाणियों की अनिश्चितता को ध्यान में रखा।
• [ ] मैंने पूर्ण सीएफडी के साथ सर्वश्रेष्ठ उम्मीदवारों का सत्यापन किया।