Табыстар:
- Есептік сұйықтық динамикасы (CFD) процесінде AI орнату, нәтижені түсіндіру және суррогат моделін құруда қалай қолданылатынын түсіндіре білу.
- Үлкен дизайн кеңістігін жылдам сканерлеу және машиналық оқытуға негізделген суррогат үлгілерімен үміткер геометриясын анықтау мүмкіндігі
- Конвергенция, желінің тәуелсіздігі және физикалық сенімділік критерийлері бар AI-мен жұмыс істейтін аэродинамикалық нәтижелерді тексеру мүмкіндігі
Қанат көтеруді қалай жасайды, фюзеляж ауаны қалай бөледі, басқару беті ағынды қалай бұрады; Аэродинамика – бұл көрінбейтін күштер туралы ғылым. Инженер бұл күштерді екі жолмен игереді: жел туннельіндегі эксперимент немесе компьютерлік есептеу сұйықтығының динамикасы (CFD; Computational Fluid Dynamics, есептеу желісінде ағын теңдеулерін сандық түрде шешетін әдіс). CFD қуатты, бірақ қымбат: күрделі жұмыс бірнеше сағатқа, тіпті күндерге созылуы мүмкін, бұл бір дизайн нүктесін береді. Жүздеген дизайнды сынап көргісі келетін инженер мұнда тығырыққа тіреледі.
Жасанды интеллект (AI) бұл тар жолды екі жерде ашады. Біріншіден, CFD процесінің өзінде: орнатуды басқару, нәтижелерді түсіндіру және есеп беру. Екінші және анағұрлым трансформацияланатындар суррогат модельдер (қымбат модельдеудің кіріс-шығыс байланысын үйренетін және секундтарда шамамен болжамды беретін машиналық оқыту моделі). Суррогат үлгісінің арқасында үлкен дизайн кеңістігі сағаттардың орнына секундтарда сканерленеді, бірнеше перспективалы үміткерлер таңдалады және тек олар жоғары дәлдікпен толық CFD арқылы есептеледі. Бұл бөлімде біз осы жұмыс процесіне AI ендіру кезінде өзгермейтін ережені сақтаймыз: конвергенция мен желі тәуелсіздігін көрсетпей және физикалық икемділік сүзгісінен өтпей, оңтайландырылған нәтижелер қабылданбайды.
Тұжырымдамалар: Конвергенция: Итерациялар ілгерілеген сайын тұрақты мәнге келетін шешім; Егер ол сәйкес келмесе, нәтиже сенімсіз. Тор тәуелсіздігі: тіркелгі желісін қатайтқанда нәтиже айтарлықтай өзгермейді. CL/CD: Көтеру коэффициенті / кедергі коэффициенті; аэродинамикалық тиімділіктің негізгі өлшемі. Суррогат моделі: симуляцияның жылдам шамамен имитациясы.
CFD жұмыс процесінде AI орны
CFD жұмысы шамамен бес қадамнан тұрады: геометрияны дайындау, тор құру, шешуші орнату, іске қосу және өңдеуден кейінгі. AI әр қадамда әртүрлі көмектеседі, бірақ олардың ешқайсысы бойынша соңғы сөзді айта алмайды.
Тор генерациясында AI шекаралық қабат ажыратымдылығы үшін y+ нысанасына қатысты бастапқы ұяшық биіктігін шамамен есептей алады. Шешуші орнатуда турбуленттілік үлгісін таңдау (мысалы, k-omega SST) үшін ол негіздемесі бар ағын режиміне сәйкес опцияларды ұсынуы мүмкін. Пост-өңдеуде нәтиже файлының мыңдаған жолынан көтеру, сүйреу және момент коэффициенттерін шығарып алу және шабуылды тазалау сызбасының бұрышын жасау үшін Python сценарийін жазуға болады. Бірақ y+ мәні шынымен мақсатқа сай ма, турбуленттілік моделі осы ағымға сәйкес келе ме және нәтиже жақындаса ма, жоқ па, оны инженердің көзі тексереді.
Ең жиі қолданылатын орын - нәтиже түсініктемесі. AI-дан «неліктен бұл CL-альфа қисығы 14 градуста бұзылады» деп сұраған кезде, ол сізге тоқтау мүмкіндігін еске салады (шабуыл бұрышы артып, көтерілу азайған сайын ағын қанаттан бөлінеді) және тексеру керек ағынды бөлу көрсеткіштерінің тізімін береді. Бұл гипотеза генераторы; Растау қайтадан деректерде.
Абайлаңыз: AI CFD нәтижесін еркін түсіндіре алады, бірақ нәтиженің өзі қате болса, интерпретация да қате болады. Шешім біріктірілмесе, «Бұл апару мәні орынды» сөйлемі ештеңені білдірмейді. Алдымен нөмірдің дұрыстығын, содан кейін түсініктемені тексеріңіз.
Суррогат модельдер: дизайн кеңістігін секундтарда сканерлеу
Суррогат моделін құрудың логикасы қарапайым. Біріншіден, мұқият таңдалған үлгі (мысалы, 40-80 жобалау нүктесі; тәжірибелік дизайн DoE арқылы таратылады) толық CFD арқылы есептеледі. Содан кейін осы кіріс-шығыс жұптарымен машиналық оқыту моделі (Гаусс процесінің регрессия/кригинг, радиалды негіз функциясы немесе нейрондық желі) оқытылады. Модель енді секундтарда жаңа геометрия үшін CL/CD болжайды. Мыңдаған үміткерлер осы арзан үлгімен тексеріледі және ең жақсы көрінетін 3-5 үміткер қайта есептеліп, толық CFD арқылы тексеріледі.
Мұндағы маңызды нүкте - сенімділік интервалы. Кригинг сияқты модельдер болжамды ғана емес, сонымен бірге олардың бұл болжамға (белгісіздікке) қаншалықты сенімді екенін де қамтамасыз етеді. Жаттығу нүктелерінен алыс жерлерде белгісіздік өседі; Онда модельге соқыр сенудің орнына жаңа CFD нүктесі қосылады. Бұл «белгісіздік жоғары болатын жаңа үлгіні қосу» циклі белсенді оқыту ретінде белгілі және аздаған қымбат жүгірулермен үлкен кеңістікті тиімді сканерлейді.
Әдіс
Бір дизайн нүктесінің құны
дәлдік
қашан
Толық CFD (RANS)
сағаттар
жоғары
Қорытынды тексеру, үміткерлер саны аз
Суррогат үлгісі (кригинг)
секунд
Орта-жоғары (білім беру саласында)
Үлкен кеңістікті сканерлеу, оңтайландыру
Панель/төмен тапсырыс әдісі
секунд-минут
төмен-орта
Жою өте ерте, өрескел идея
жел туннелі
күн-апта
ең жоғары (нақты)
Сыни тексеру, сертификаттау
Кеңес: Ешқашан суррогат үлгісін жаттығу деректерімен қамтылған ауқымнан тыс пайдаланбаңыз (экстраполяция). Егер модель 5-15 градустық шабуыл бұрышымен дайындалған болса, оның 25 градуста беретін мәні болжам емес, ойдан шығарылған. Модельді құру кезінде AI-дан «жаттығу ауқымын жазуды және шектен тыс сұрауларды қабылдамауды» сұрау бұл тұзақты жабады.
Әлсіз шақыру / Күшті шақыру
Әлсіз шақыру:
Бұл аэроплан жақсы ма? Менің CFD нәтижесін түсіндіріңіз: CD=0,009.
Күшті шақыру:
Рөл: Сіз аэродинамикалық талдау бойынша кеңесшісіз; Сіз қауіпсіздік сыни тексеруді қолданасыз. Мәтінмән: 2D аэроплан RANS CFD талдауы (мәндер репрезентативті): Re=1,5e6, Mach=0,2, шабуыл бұрышы 4°, турбуленттілік моделі k-omega SST.Нәтиже: CL=0,62, CD=0,0091. Желі: 180k ұяшық, y+ ~1.Тапсырма:1) Нәтижені жарамды деп санамас бұрын тексеру керек қадамдарды тізімдеңіз (конвергенция, желі тәуелсіздігі, y+).2) CL/CD қатынасын есептеңіз және осы профиль сыныбына тән диапазонмен салыстырыңыз.3) Мән күдікті болып көрінсе, ықтимал қате көздерін көрсетіңіз. Шектеу бірлігі; Write; Сенімсіз жеріңізді белгілеңіз; Түпкілікті «жақсы/жаман» пікірін жасамаңыз, тексеру жоспарын беріңіз.
Көшіретін шақыру үлгілері
Үлгі 1 — CFD орнату негіздемесі:
Келесі ағын күйі (өкіл мәндері) үшін CFD орнату ұсынысын беріңіз: Re=[...], Mach=[...], геометрия=[...]. Маған келесі себептерді ұсыныңыз: сәйкес турбуленттілік моделінің нұсқалары, шекаралық қабат үшін мақсатты y+ және бастапқы ұяшық биіктігін есептеу, шекаралық шарттар. Әрбір таңдау үшін «неге» және «қандай жағдайда бұл дұрыс емес» деген ескертуді қосыңыз. Сандардың өлшем бірлігін жаз.
Үлгі 2 — Эксперименттерді жобалау (DoE) және суррогат үлгі жоспары:
Менде [N] дизайн айнымалылары бар: [тізім, ауқымдармен]. Суррогат үлгісін үйрету үшін: (a) қанша үлгі нүктелері және қандай таңдау әдісін (мысалы, латынша Hypercube) ұсынасыз; (b) суррогат үлгісінің қай түрі қолайлы және неліктен; (c) үлгіні қалай тексеруге болады (айқас валидация, бөлінген сынақ жинағы). Экстраполяция қаупіне қарсы қандай ережені енгізуім керек?
Үлгі 3 — CFD нәтиже файлынан коэффициенттерді шығаруға арналған сценарий:
CFD күшінің есебінен CSV (бағандар: итерация, Fx, Fy, Fz) Python көмегімен: (a) соңғы 500 итерацияны орташалау арқылы convergedCL және CD есептеңіз; (b) соңғы 500 итерацияның стандартты ауытқуын жазыңыз және жинақтылықты тексеру үшін оны шекті мәнмен салыстырыңыз; (c) Шабуыл сканерлеу бұрышы үшін CL-альфа сызбасы. Параметрлер ретінде анықтамалық аудан мен динамикалық қысымды орнату; Тіркелгіні түсініктеме жолдарымен түсіндіріңіз.
Үлгі 4 — Суррогат модельді болжау сенімділік сұрауы:
Мен үйреткен кригинг прокси моделі келесі болжау үшін CL=0,71, белгісіздік(std) 0,02 мәнін берді; сұрау нүктесі оқыту ауқымының [ішінде/сыртында] болып табылады. (a) Бұл белгісіздік деңгейі шешім қабылдау үшін жеткілікті ме, мен қалай шешемін? (ә) Егер белгісіздік жоғары болса, жаңа CFD данасын (белсенді оқыту логикасы) қай кезде қосуым керек? (c) Мен бұл болжамды толық CFD арқылы қашан растауым керек?
Шағын корпустар
1-жағдай — жинақталмаған нәтиже ұсталды. Студент аэроплан үшін CD=0,0065 нәтижесін алады және қуанады; Профиль класы үшін әдеттегі CD 0,008-0,012 диапазонында, нәтиже тым жақсы сияқты. AI ұсынған конвергенцияны тексеруді қолдану соңғы итерацияларда күш коэффициентінің әлі де тербелетінін көрсетеді (стандартты ауытқу орташа мәннен 8%). Шешім көп итерациялармен біріктірілгенде, ол CD = 0,0094 деңгейінде орналасады. Сабақ: «тым жақсы» нәтиже көбінесе конвергентті емес нәтиже болып табылады.
2-жағдай — суррогат үлгісі 200 есе жылдамдатады. Команда 6 геометриялық параметрі бар қанат үшін 60 толық CFD жүгірісін (әрқайсысы ~ 2 сағат) орындайды және кригинг суррогат үлгісін жаттықтырады. Содан кейін ол 40 секунд ішінде прокси үлгісімен 5000 кандидат конфигурациясын сканерлеп, толық CFD бар ең жақсы 4 үміткерді растайды. Барлығы 64 CFD жүгірісімен шамамен болжам 5000 жүгіріске тең. Ұзақтығы аптадан екі күнге дейін азаяды. Сабақ: қымбат модельдеуді әр нүктеде емес, тек тексеру нүктелерінде іске қосыңыз.
3-жағдай — Экстраполяциялық тұзақ. Инженер 3-12 градустық шабуыл бұрышымен дайындалған суррогат моделіне 18 градуста көтеру сұрағын қояды; Модель CL=1,6 сияқты бірқалыпты өсетін мән береді. Шындығында, қанат 15 градус шамасында ұстауды жоғалтады және көтеру азаяды, бірақ суррогат моделі оны түзу ұзартады, өйткені ол бұл физиканы «көрмейді». Инженер нәтижені физикалық сенімділік тексеруімен (адгезияның жоғалуын күту) қабылдамайды және сол аймаққа толық CFD жүргізеді. Сабақ: суррогат модель физиканы өзінің оқу шеңберінен тыс білмейді.
Жалпы қателер
- Конвергенцияны тексермейді. Жинақталмаған шешімнің коэффициенттері мағынасыз; Графиктің сұлулығы конвергенцияға кепілдік бермейді.
- Желінің тәуелсіздігін айналып өту. Егер нәтиже желіге байланысты болса, әртүрлі желілермен әртүрлі жауаптар шығады; Қайсысы дұрыс екенін білу мүмкін емес.
- Суррогат модельдегі экстраполяция. Жаттығу ауқымынан тыс болжау физикалық шындықты емес, математикалық кеңейтуді береді.
- Белгісіздікті елемеу. Кригинг болжауының сенімділік ақпараты пайдаланылмаса, модель ең сенімді аймақ пен ең сенімді емес аймақ бірдей қарастырылады.
- Турбуленттілік моделін ерікті түрде таңдау. Қате турбуленттілік моделі тіпті біріктірілген және желіден тәуелсіз шешімді физикалық тұрғыдан дұрыс емес етеді.
Қысқаша
CFD – қуатты, бірақ қымбат құрал; AI оны екі жерден жылдамдатады: процесті басқару (орнату, түсініктеме, сценарий) және суррогат үлгілерімен секундтарда үлкен дизайн кеңістігін сканерлеу. Суррогат моделі толық CFD жүгірістерінің аз санымен оқытылады, сенімділік интервалымен пайдаланылады және ең жақсы үміткерлер міндетті түрде толық CFD арқылы тексеріледі. Бірде-бір реттелген нәтиже конвергенцияны, желі тәуелсіздігін және физикалық сенімділікті тексермей қабылданбайды. AI гипотеза мен жылдамдықты береді; Физиканың соңғы арбитрі деректер болып табылады.
Қолданбалы тапсырма
Әуе қалқаны немесе қарапайым геометрия үшін CFD іске қосу сценарийін анықтаңыз (жобаның нақты деректері емес, репрезентативті). AI қолдану арқылы (а) нәтижені жарамды деп санамас бұрын валидация қадамдарын тізімдеңіз, (b) нәтиже файлынан коэффициенттерді шығаратын Python сценарийін басып шығарыңыз және оның логикалық жолын жол бойынша тексеріңіз, (c) суррогат үлгісін құру жоспарын дайындаңыз (қанша үлгі, қай әдіс, қалай тексеру керек). Нәтижені типтік диапазонмен салыстырыңыз және оның орындылығын бағалаңыз.
бақылау парағы
- [ ] Әрбір CFD нәтижесі үшін конвергенцияны тексердім.
- [ ] Мен желінің тәуелсіздігі көрсетілді ме деген сұрақ қойдым.
- [ ] Мен CL/CD сияқты коэффициенттерді типтік сынып ауқымымен салыстырдым.
- [ ] Мен суррогат үлгісін тек жаттығу ауқымында қолдандым.
- [ ] Мен шешімге суррогат моделінің болжамдарының белгісіздігін қостым.
- [ ] Мен толық CFD бар ең жақсы үміткерлерді тексердім.