이득:
- 전산유체역학(CFD) 프로세스의 설정, 결과 해석 및 대리 모델 생성에 AI가 어떻게 사용되는지 설명할 수 있습니다.
- 기계 학습 기반 대리 모델을 사용하여 대규모 설계 공간을 빠르게 스캔하고 후보 형상의 순위를 매기는 기능
- 융합, 네트워크 독립성 및 물리적 타당성 기준을 사용하여 AI 기반 공기 역학적 출력을 검증하는 기능
날개가 양력을 생성하는 방법, 동체가 공기를 분할하는 방법, 제어 표면이 흐름을 편향시키는 방법; 공기역학은 이러한 보이지 않는 힘에 대한 과학입니다. 엔지니어는 풍동 실험이나 컴퓨터 전산유체역학(CFD, 전산유체역학, 전산 네트워크에서 유동 방정식을 수치적으로 해결하는 방법)이라는 두 가지 방법으로 이러한 힘을 학습합니다. CFD는 강력하지만 비용이 많이 듭니다. 복잡한 실행에는 몇 시간, 심지어 며칠이 걸릴 수 있으며 단일 설계 포인트가 생성됩니다. 수백 가지 디자인을 시도하려는 엔지니어는 여기서 병목 현상에 직면합니다.
인공 지능(AI)은 두 곳에서 이러한 병목 현상을 엽니다. 첫째, CFD 프로세스 자체에서 설정 제어, 결과 해석 및 보고가 이루어집니다. 두 번째로 더 혁신적인 것은 대리 모델(비용이 많이 드는 시뮬레이션의 입출력 관계를 학습하고 몇 초 안에 대략적인 예측을 제공하는 기계 학습 모델)입니다. 대리 모델 덕분에 대규모 설계 공간을 몇 시간이 아닌 몇 초 만에 스캔하고, 몇 가지 유망한 후보를 선택하고, 이들만 높은 정확도의 전체 CFD로 계산합니다. 이 단원에서는 이 워크플로에 AI를 포함할 때 불변의 규칙을 유지합니다. 수렴 및 네트워크 독립성을 입증하고 물리적 타당성 필터를 통과하지 않으면 간소화된 결과가 허용되지 않습니다.
개념: 수렴: 반복이 진행됨에 따라 일정한 값으로 정착되는 솔루션입니다. 맞지 않으면 결과를 신뢰할 수 없습니다. 메시 독립성: 계정 네트워크를 강화해도 결과는 크게 변하지 않습니다. CL/CD: 양력 계수/항력 계수; 공기 역학적 효율성의 기본 측정. 대리 모델: 시뮬레이션을 빠르게 근사적으로 모방합니다.
CFD 워크플로우에서 AI의 위치
CFD 실행은 형상 준비, 메쉬 생성, 솔버 설정, 실행 및 후처리의 대략 5단계로 구성됩니다. AI는 각 단계에서 다르게 도움을 주지만, 어느 단계에서도 최종 결정을 내릴 수는 없습니다.
메쉬 생성에서 AI는 경계층 해상도에 대한 y+ 목표를 기준으로 초기 셀 높이를 대략적으로 계산할 수 있습니다. 솔버 설정에서 난류 모델 선택(예: k-omega SST)의 경우 정당성과 함께 흐름 영역에 적합한 옵션을 제안할 수 있습니다. 후처리에서는 Python 스크립트를 작성하여 수천 줄의 결과 파일에서 리프트, 드래그 및 모멘트 계수를 추출하고 받음각 스윕 플롯을 생성할 수 있습니다. 그러나 y+ 값이 실제로 목표에 맞는지, 난류 모델이 이 흐름에 맞는지, 결과가 수렴되는지 여부는 엔지니어의 눈으로 확인됩니다.
가장 많이 사용되는 곳은 결과 코멘트입니다. AI에게 "저 CL-알파 곡선은 왜 14도에서 깨지는가"라고 물으면 실속 가능성(받음각이 증가하고 양력이 감소함에 따라 흐름이 날개에서 분리됨)을 상기시키고 확인해야 할 흐름 분리 지표를 나열합니다. 이것은 가설 생성기입니다. 확인은 다시 데이터에 있습니다.
주의: AI는 CFD 결과를 유창하게 해석할 수 있지만, 결과 자체가 틀리면 해석도 틀리게 됩니다. "이 항력 값은 합리적입니다"라는 문장은 솔루션이 수렴하지 않으면 아무 의미가 없습니다. 먼저 숫자의 유효성을 확인한 다음 댓글을 확인하세요.
대리 모델: 몇 초 만에 디자인 공간 스캐닝
대리 모델을 설정하는 논리는 간단합니다. 먼저, 신중하게 선택된 샘플(예: 40-80 설계점, 실험 설계는 DoE에 의해 배포됨)이 전체 CFD를 사용하여 계산됩니다. 그런 다음 이러한 입력-출력 쌍을 사용하여 기계 학습 모델(가우스 프로세스 회귀/크리깅, 방사형 기초 함수 또는 신경망)을 훈련합니다. 이제 모델은 몇 초 만에 새로운 형상에 대한 CL/CD를 예측합니다. 이 저렴한 모델로 수천 명의 후보자를 선별하고, 가장 잘 보이는 후보자 3~5명을 전체 CFD로 다시 계산하고 검증합니다.
여기서 중요한 점은 신뢰구간입니다. Kriging과 같은 모델은 예측뿐만 아니라 해당 예측에 대한 확신(불확실성)도 제공합니다. 훈련 지점에서 멀리 떨어진 지역에서는 불확실성이 커집니다. 거기에는 모델을 맹목적으로 신뢰하는 대신 새로운 CFD 점이 추가됩니다. 이 "불확실성이 높은 새 샘플 추가" 루프는 능동 학습으로 알려져 있으며 비용이 많이 드는 소수의 실행으로 넓은 공간을 효율적으로 스캔합니다.
방법
하나의 디자인 포인트 비용
정확성
언제
전체 CFD(RANS)
시계
높다
최종 검증, 소수의 후보자
대리 모델(크리깅)
초
중상급(교육분야)
넓은 공간 스캐닝, 최적화
패널/낮은 순서 방법
초-분
낮음-중간
너무 이른 제거, 대략적인 아이디어
풍동
일-주
최고 (실제)
중요한 검증, 인증
팁: 훈련 데이터가 포함하는 범위를 벗어나는 대리 모델을 사용하지 마십시오(외삽법). 모델이 5~15도의 받음각으로 훈련된 경우 25도에서 제공하는 값은 예측이 아니라 조작입니다. 모델을 구축할 때 AI에게 "훈련 범위를 작성하고 범위를 벗어난 쿼리를 거부"하도록 요청하면 이 함정이 닫힙니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 에어포일 좋은가요? 내 CFD 결과 해석: CD=0.009.
강력한 프롬프트:
역할: 당신은 공기역학적 분석 컨설턴트입니다. 안전에 중요한 검증을 적용합니다.컨텍스트: 2D 익형 RANS CFD 분석(대표 값):Re=1.5e6, Mach=0.2, 받음각 4°, 난류 모델 k-omega SST.결과: CL=0.62, CD=0.0091. 네트워크: 180k 셀, y+ ~1.작업:1) 결과가 유효한지(수렴, 네트워크 독립성, y+)를 고려하기 전에 확인해야 할 확인 단계를 나열합니다.2) CL/CD 비율을 계산하고 이 프로필 클래스의 일반적인 범위와 비교합니다.3) 값이 의심스러운 경우 가능한 오류 소스를 표시합니다.제약: 쓰기 단위; 확실하지 않은 부분을 표시하세요. "좋은/나쁜" 확정적인 판단을 내리지 말고 검증 계획을 제시하십시오.
복사 가능한 프롬프트 템플릿
템플릿 1 — CFD 설정 추론:
다음 유동 조건(대표 값)에 대한 CFD 설정 권장 사항을 제공합니다: Re=[...], Mach=[...], 기하학=[...]. 적절한 난류 모델 옵션, 경계층의 목표 y+ 및 초기 셀 높이 계산, 경계 조건 등의 이유를 제안해 보세요. 각 선택 항목에 대해 "이유" 및 "어떤 경우에는 틀렸는가"라는 메모를 추가하세요. 숫자의 단위를 쓰세요.
템플릿 2 - 실험 설계(DoE) 및 대리 모델 계획:
[N]개의 설계 변수가 있습니다: [목록, 범위 포함]. 대리 모델을 훈련하려면: (a) 권장하는 샘플 포인트 수와 샘플링 방법(예: Latin Hypercube)은 무엇입니까? (b) 어떤 유형의 대리 모델이 적합하며 그 이유는 무엇입니까? (c) 모델을 어떻게 검증합니까(교차 검증, 분할 테스트 세트). 외삽 위험에 대해 어떤 규칙을 적용해야 합니까?
템플릿 3 - CFD 결과 파일에서 계수를 추출하는 스크립트:
CFD 강제 보고서 CSV(열: 반복, Fx, Fy, Fz)에서 Python 사용: (a) 마지막 500회 반복을 평균하여 수렴된 CL 및 CD를 계산합니다. (b) 마지막 500회 반복의 표준편차를 작성하고 이를 임계값과 비교하여 수렴을 확인합니다. (c) 받음각 스캔에 대한 CL-알파를 플롯합니다. 기준 영역과 동적 압력을 매개변수로 설정합니다. 설명 줄을 사용하여 계정을 설명합니다.
템플릿 4 — 대리 모델 예측 신뢰도 쿼리:
내가 훈련한 크리깅 프록시 모델은 다음 예측에 대해 CL=0.71, 불확실성(std) 0.02를 제공했습니다. 쿼리 지점이 훈련 범위 [내부/외부]입니다.(a) 이 불확실성 수준이 결정을 내리는 데 충분합니까? 어떻게 결정합니까? (b) 불확실성이 높으면 어느 시점에 새 CFD 인스턴스(능동 학습 로직)를 추가해야 합니까? (c) 언제 전체 CFD로 이 예측을 확인해야 합니까?
미니 케이스
사례 1 - 수렴되지 않은 결과가 발견되었습니다. 학생은 익형에 대한 결과 CD=0.0065를 얻고 기뻐합니다. 프로필 클래스의 일반적인 CD 범위는 0.008-0.012이므로 결과가 너무 좋아 보입니다. AI가 제안한 수렴 검사를 적용하면 마지막 반복에서 힘 계수가 여전히 진동하는 것을 알 수 있습니다(평균의 표준 편차 8%). 더 많은 반복을 통해 솔루션이 수렴되면 CD = 0.0094에 정착됩니다. 교훈: "너무 좋은" 결과는 수렴되지 않는 결과인 경우가 많습니다.
사례 2 — 대리 모델의 속도가 200배 빨라졌습니다. 팀은 6개의 기하학적 매개변수가 있는 날개에 대해 60개의 전체 CFD 실행(각각 최대 2시간)을 실행하고 크리깅 대리 모델을 교육합니다. 그런 다음 40초 안에 프록시 모델을 사용하여 5000개의 후보 구성을 스캔하여 전체 CFD로 가장 적합한 4개의 후보를 검증합니다. 총 64번의 CFD 실행을 통해 대략적인 추정치는 5000번의 실행에 해당합니다. 기간은 주에서 이틀로 단축됩니다. 교훈: 모든 지점이 아닌 검증 지점에서만 비용이 많이 드는 시뮬레이션을 실행하십시오.
사례 3 - 외삽 트랩. 엔지니어는 3~12도의 받음각으로 훈련된 대리 모델에 18도의 리프트 질문을 합니다. 모델은 CL=1.6과 같이 완만하게 증가하는 값을 제공합니다. 실제로 날개는 약 15도 정도 접지력을 잃고 양력이 감소하지만 대리 모델은 이 물리학을 "인식"하지 않기 때문에 날개를 직선으로 늘립니다. 엔지니어는 물리적 타당성 검사(접착 손실 예상)를 통해 결과를 거부하고 해당 영역에 대해 전체 CFD를 실행합니다. 교훈: 대리 모델은 훈련 범위를 넘어서는 물리학을 알지 못합니다.
일반적인 실수
- 수렴을 확인하지 않습니다. 수렴되지 않은 솔루션의 계수는 의미가 없습니다. 그래프의 아름다움이 수렴을 보장하지는 않습니다.
- 네트워크 독립성을 우회합니다. 결과가 네트워크에 따라 달라지면 네트워크마다 다른 답변이 나옵니다. 어느 것이 맞는지는 알 수 없습니다.
- 대리 모델의 외삽. 훈련 범위 밖의 예측은 물리적 진실이 아닌 수학적 확장을 제공합니다.
- 불확실성을 무시합니다. 크리깅 예측의 신뢰도 정보를 사용하지 않는 경우 모델의 신뢰도가 가장 높은 영역과 신뢰도가 가장 낮은 영역을 동일하게 취급합니다.
- 난류 모델을 임의로 선택합니다. 잘못된 난류 모델은 수렴되고 네트워크에 독립적인 솔루션이라도 물리적으로 올바르지 않게 만듭니다.
요약하면
CFD는 강력하지만 비용이 많이 드는 도구입니다. AI는 프로세스 관리(설치, 주석, 스크립트)와 대리 모델을 사용하여 몇 초 안에 대규모 설계 공간을 스캐닝하는 두 가지 위치에서 이를 가속화합니다. 대리 모델은 소수의 전체 CFD 실행을 통해 학습되고 신뢰 구간과 함께 사용되며 최상의 후보는 반드시 전체 CFD로 검증됩니다. 수렴, 네트워크 독립성 및 물리적 타당성을 확인하지 않으면 간소화된 결과가 허용되지 않습니다. AI는 가설과 속도를 제공합니다. 물리학의 최종 중재자는 데이터입니다.
응용과제
익형 또는 단순 형상(실제 프로젝트 데이터가 아닌 대표 데이터)에 대한 CFD 실행 시나리오를 정의합니다. AI를 사용하여 (a) 결과가 유효한지 고려하기 전에 검증 단계를 나열하고, (b) 결과 파일에서 계수를 추출하는 Python 스크립트를 인쇄하고 해당 논리를 한 줄씩 확인하고, (c) 대리 모델 구축 계획을 준비합니다(샘플 수, 방법, 검증 방법). 결과를 일반적인 범위와 비교하고 타당성을 평가합니다.
체크리스트
- [ ] 각 CFD 결과에 대해 수렴 검사를 수행했습니다.
- [ ] 네트워크 독립성이 입증되었는지 의문이 들었습니다.
- [ ] CL/CD 등의 계수를 일반적인 클래스 범위와 비교했습니다.
- [ ] 훈련 범위 내에서만 대리 모델을 사용했습니다.
- [ ] 나는 대리모델 예측의 불확실성을 결정에 고려했습니다.
- [ ] 전체 CFD를 통해 최적의 후보자를 검증했습니다.