利益:
- 数値流体力学 (CFD) プロセスにおけるセットアップ、結果の解釈、代理モデルの生成で AI がどのように使用されるかを説明できる。
- 大規模な設計空間を迅速にスキャンし、機械学習ベースの代理モデルを使用して候補ジオメトリをランク付けする機能
- AI を活用した空力出力を、収束性、ネットワークの独立性、物理的な妥当性基準に基づいて検証する機能
翼がどのように揚力を生み出すか、胴体がどのように空気を分割するか、制御面がどのように流れを偏向するか。空気力学は、これらの目に見えない力の科学です。エンジニアはこれらの力を 2 つの方法で学習します。1 つは風洞での実験、もう 1 つはコンピュータ数値流体力学 (CFD; 数値流体力学、計算ネットワーク上で流れ方程式を数値的に解く方法) です。 CFD は強力ですが高価です。複雑な実行には数時間、場合によっては数日かかり、単一の設計ポイントが得られます。何百もの設計を試したいエンジニアは、ここでボトルネックに遭遇します。
人工知能 (AI) は、2 つの場所でこのボトルネックを解消します。まず、CFD プロセス自体で、セットアップの制御、結果の解釈、レポート作成が行われます。 2 番目の、より変革的なものは、サロゲート モデル (高価なシミュレーションの入出力関係を学習し、数秒でおおよその予測を与える機械学習モデル) です。サロゲート モデルのおかげで、大規模な設計空間が数時間ではなく数秒でスキャンされ、いくつかの有望な候補が選択され、それらのみが完全な CFD で高精度に計算されます。この単元では、このワークフローに AI を組み込む際に不変のルールを維持します。つまり、収束とネットワークの独立性を実証し、物理的な妥当性のフィルターを通過しない限り、合理化された結果は受け入れられません。
概念: 収束: 反復が進むにつれて、解は一定の値に落ち着きます。適合しない場合、結果は信頼できません。メッシュの独立性: アカウント ネットワークを強化しても、結果は大きく変わりません。 CL/CD: 揚力係数/抗力係数;空力効率の基本的な尺度。サロゲート モデル: シミュレーションの高速な近似模倣。
CFD ワークフローにおける AI の位置
CFD の実行は、ジオメトリの準備、メッシュ生成、ソルバーのセットアップ、実行、後処理というおよそ 5 つのステップで構成されます。 AI は各ステップで異なる方法で支援しますが、いずれのステップについても最終的な決定権を持ちません。
メッシュ生成では、AI は境界層解像度の y+ ターゲットに対する初期セルの高さを大まかに計算できます。ソルバー設定での乱流モデルの選択 (k-オメガ SST など) については、正当な理由を示して、流れの状況に適したオプションを提案する場合があります。後処理では、Python スクリプトを作成して、数千行の結果ファイルから揚力、抗力、およびモーメント係数を抽出し、迎え角スイープ プロットを作成できます。ただし、y+ 値が本当に目標どおりであるかどうか、乱流モデルがこの流れに適合しているかどうか、結果が収束しているかどうかはエンジニアの目によって確認されます。
最も頻繁に使用されるのは結果のコメントです。 AI に「なぜ CL-アルファ曲線が 14 度で途切れるのか」と尋ねると、失速 (迎角が増加し揚力が減少するにつれて流れが翼から離れる) の可能性を思い出させ、チェックすべき流れの剥離指標をリストします。これは仮説ジェネレーターです。確認は再びデータにあります。
注意: AI は CFD の結果を流暢に解釈できますが、結果自体が間違っている場合は、解釈も間違っています。 「この抗力値は妥当です」という文は、解が収束しなければ意味がありません。まず番号の有効性を確認し、次にコメントを確認します。
サロゲート モデル: 設計空間を数秒でスキャン
サロゲート モデルを確立するロジックは単純です。まず、慎重に選択されたサンプル (例: 40 ～ 80 の設計点。実験計画は DoE によって配布される) が完全な CFD で計算されます。次に、機械学習モデル (ガウス プロセス回帰/クリギング、動径基底関数、またはニューラル ネットワーク) がこれらの入出力ペアを使用してトレーニングされます。モデルは新しいジオメトリの CL/CD を数秒で予測するようになりました。この安価なモデルで数千の候補がスクリーニングされ、最も見栄えの良い 3 ～ 5 の候補が再計算され、完全な CFD で検証されます。
ここで重要な点は信頼区間です。クリギングのようなモデルは、予測だけでなく、その予測に対する確信度 (不確実性) も提供します。トレーニングポイントから遠く離れた領域では不確実性が高まります。そこでは、モデルを盲目的に信頼するのではなく、新しい CFD ポイントが追加されます。この「不確実性が高い場所に新しいサンプルを追加する」ループはアクティブ ラーニングとして知られており、コストのかかる少数の実行で広いスペースを効率的にスキャンします。
方法
1 つの設計ポイントのコスト
精度
いつ
フルCFD（RANS）
時計
高い
最終検証、少数候補者
サロゲートモデル（クリギング）
秒
中～高（教育分野）
大空間スキャン、最適化
パネル/下位方式
秒-分
低～中
排除が早すぎる、大雑把なアイデア
風洞
数日から数週間
最高値（実質）
重要な検証、認証
ヒント: トレーニング データ (外挿) がカバーする範囲外でサロゲート モデルを使用しないでください。モデルが 5 ～ 15 度の迎え角でトレーニングされた場合、25 度で得られる値は予測ではなく捏造です。モデルを構築するときに AI に「トレーニング範囲を書き込み、範囲外のクエリを拒否する」ように依頼すると、この罠は閉じられます。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この翼型は大丈夫ですか？ CFD 結果を解釈してください: CD=0.009。
強力なプロンプト:
役割: あなたは空力解析コンサルタントです。セーフティクリティカルな検証を適用します。コンテキスト: 2D 翼型 RANS CFD 解析 (値は代表値です): Re=1.5e6、マッハ=0.2、迎角 4°、乱流モデル k-オメガ SST。結果: CL=0.62、CD=0.0091。ネットワーク: 180k セル、y+ ~1。タスク:1) 結果が有効であると考える前に確認する必要がある検証手順をリストします (収束、ネットワーク独立性、y+)。2) CL/CD 比を計算し、このプロファイル クラスの一般的な範囲と比較します。3) 値が疑わしい場合は、考えられるエラーの原因を表示します。制約: 書き込み単位。よくわからないところにマークを付けてください。 「良いか悪い」という断定的な判断はせず、検証計画を立てましょう。
コピー可能なプロンプトテンプレート
テンプレート 1 — CFD セットアップの推論:
次の流れ条件 (代表値) に対する CFD セットアップの推奨事項を示します: Re=[...]、Mach=[...]、geometry=[...]。次の理由を教えてください: 適切な乱流モデル オプション、境界層のターゲット y+ と初期セル高さの計算、境界条件。それぞれの選択肢について、「なぜ」と「どの場合にそれが間違っているのか」をメモに追加します。数字の単位を書きます。
テンプレート 2 — 実験計画法 (DoE) と代理モデル計画:
[N] 個の設計変数があります: [リスト、範囲付き]。サロゲート モデルをトレーニングするには: (a) サンプル ポイントの数とどのようなサンプリング方法 (ラテン ハイパーキューブなど) を推奨しますか。 (b) どのタイプの代理モデルが適切であるか、およびその理由。 (c) モデルを検証するにはどうすればよいですか (相互検証、分割テスト セット)。外挿のリスクに対してどのようなルールを課すべきでしょうか?
テンプレート 3 — CFD 結果ファイルから係数を抽出するスクリプト:
CFD フォース レポート CSV から (列: 反復、Fx、Fy、Fz) Python を使用した場合: (a) 最後の 500 回の反復を平均して収束 CL と CD を計算します。 (b) 最後の 500 回の反復の標準偏差を書き込み、それをしきい値と比較して収束をチェックします。 (c) 迎え角スキャンの CL-alpha をプロットします。基準面積と動圧をパラメータとして設定します。コメント行を使用してアカウントを説明します。
テンプレート 4 — サロゲート モデルの予測信頼性クエリ:
私がトレーニングしたクリギング プロキシ モデルは、次の予測に対して CL=0.71、不確実性 (std) 0.02 を与えました。クエリ ポイントはトレーニング範囲の [内側/外側] です。(a) このレベルの不確実性は決定を下すのに十分ですか。どのように決定すればよいですか? (b) 不確実性が高い場合、どの時点で新しい CFD インスタンス (アクティブ ラーニング ロジック) を追加する必要がありますか? (c) この予測をいつ完全な CFD で確認すればよいですか?
ミニケース
ケース 1 — 収束していない結果が捕捉されます。生徒は翼形部の CD=0.0065 という結果を得て喜びました。プロファイル クラスの典型的な CD は 0.008 ～ 0.012 の範囲にあり、結果は良すぎるようです。 AI によって提案された収束チェックを適用すると、最後の反復で力係数がまだ振動している (平均の標準偏差 8%) ことがわかります。反復を重ねることで解が収束すると、CD = 0.0094 に落ち着きます。教訓: 「良すぎる」結果は、多くの場合、収束していない結果です。
ケース 2 — サロゲート モデルの速度が 200 倍に向上します。チームは、6 つの幾何学的パラメーターを使用して翼に対して 60 回の完全な CFD 実行 (それぞれ約 2 時間) を実行し、クリギング代理モデルをトレーニングします。次に、プロキシ モデルを使用して 5000 の候補構成を 40 秒でスキャンし、完全な CFD で最良の 4 つの候補を検証します。合計 64 回の CFD 実行では、概算で 5000 回の実行に相当します。期間は数週間から 2 日に短縮されます。教訓: 高価なシミュレーションは、すべてのポイントではなく、検証ポイントでのみ実行してください。
ケース 3 — 外挿トラップ。エンジニアは、3 ～ 12 度の迎え角でトレーニングされた代理モデルに対して 18 度でリフトの質問をします。このモデルでは、CL=1.6 のように滑らかに増加する値が得られます。実際には、翼は約 15 度でグリップを失い、揚力は減少しますが、代理モデルはこの物理を「認識」していないため、翼を真っ直ぐに伸ばします。エンジニアは物理的な妥当性チェック (接着力損失の予測) で結果を拒否し、その領域に対して完全な CFD を実行します。教訓: サロゲート モデルは、トレーニング範囲を超えた物理学を知りません。
よくある間違い
- 収束をチェックしていません。収束していない解の係数は無意味です。グラフの美しさは収束を保証するものではありません。
- ネットワークの独立性をバイパスします。結果がネットワークに依存する場合、ネットワークが異なれば異なる答えが得られます。どちらが正しいかは分かりません。
- サロゲートモデルでの外挿。トレーニング範囲外の予測は、物理的な真実ではなく、数学的な拡張を提供します。
- 不確実性を無視する。クリギング予測の信頼度情報が使用されない場合、モデルの信頼性が最も高い領域と最も信頼性の低い領域は同じように扱われます。
- 乱流モデルを任意に選択します。乱流モデルが間違っていると、ネットワークに依存しない収束されたソリューションであっても物理的に不正確になります。
要約すれば
CFD は強力ですが高価なツールです。 AI は、プロセス管理 (インストール、コメント、スクリプト) と、サロゲート モデルを使用した大規模な設計領域の数秒間のスキャンという 2 つの場所からそれを加速します。サロゲート モデルは、信頼区間を使用して少数の完全な CFD 実行でトレーニングされ、最良の候補は必ず完全な CFD で検証されます。収束性、ネットワークの独立性、物理的な妥当性をチェックせずに合理化された結果は受け入れられません。 AI は仮説とスピードを与えます。物理学の最後の裁定者はデータです。
アプリケーションタスク
翼型または単純なジオメトリ (実際のプロジェクト データではなく、代表的なもの) の CFD 実行シナリオを定義します。 AI を使用して、(a) 結果が有効であるとみなす前に検証手順をリストし、(b) 結果ファイルから係数を抽出する Python スクリプトを出力し、そのロジックを 1 行ずつチェックします。(c) サロゲート モデルを構築する計画を準備します (サンプルの数、どの方法、検証方法)。結果を一般的な範囲と比較し、その妥当性を評価します。
チェックリスト
- [ ] 各 CFD 結果の収束チェックを実行しました。
- [ ] 私はネットワークの独立性が実証されているかどうか疑問に思いました。
- [ ] CL/CD などの係数を典型的なクラス範囲と比較しました。
- [ ] サロゲート モデルはトレーニング範囲内でのみ使用しました。
- [ ] 私は、代理モデルの予測の不確実性を決定の考慮に入れました。
- [ ] 最適な候補を完全な CFD で検証しました。