Ieguvumi:
- Spēt izskaidrot, kā mākslīgais intelekts tiek izmantots skaitļošanas šķidruma dinamikas (CFD) iestatīšanā, rezultātu interpretācijā un surogātmodeļa ģenerēšanā.
- Iespēja ātri skenēt lielu dizaina telpu un klasificēt kandidātu ģeometrijas, izmantojot uz mašīnmācīšanos balstītus aizstājējmodeļus
- Spēja apstiprināt ar AI darbinātus aerodinamiskos rezultātus ar konverģences, tīkla neatkarības un fiziskās ticamības kritērijiem
Kā spārns rada pacēlumu, kā fizelāža sadala gaisu, kā vadības virsma novirza plūsmu; Aerodinamika ir zinātne par šiem neredzamajiem spēkiem. Inženieris šos spēkus apgūst divos veidos: eksperimentējot vēja tunelī vai ar datora skaitļošanas šķidruma dinamiku (CFD; Computational Fluid Dynamics, metode, kas skaitļošanas tīklā risina plūsmas vienādojumus skaitliski). CFD ir spēcīgs, bet dārgs: sarežģīta darbība var ilgt stundas, pat dienas, dodot vienu dizaina punktu. Inženieris, kurš vēlas izmēģināt simtiem dizainu, šeit nonāk sašaurinātajā vietā.
Mākslīgais intelekts (AI) atver šo sašaurinājumu divās vietās. Pirmkārt, pašā CFD procesā: iestatīšanas kontrole, rezultātu interpretācija un ziņošana. Otrkārt, vairāk transformatīvi ir surogātmodeļi (mašīnmācīšanās modelis, kas apgūst dārgas simulācijas ievades-izejas attiecības un sniedz aptuvenu prognozi sekundēs). Pateicoties surogātmodeli, liela dizaina telpa tiek skenēta sekundēs, nevis stundās, tiek atlasīti daži daudzsološi kandidāti, un tikai tie tiek aprēķināti ar pilnu CFD ar augstu precizitāti. Šajā vienībā tiek ievērots nemainīgs noteikums, kad šajā darbplūsmā AI tiek iestrādāta: racionalizēti rezultāti netiek pieņemti, ja netiek demonstrēta konverģence un tīkla neatkarība un neizturot fiziskās ticamības filtru.
Jēdzieni: Konverģence. Risinājums tiek iestatīts uz nemainīgu vērtību iterāciju gaitā; Ja tas neatbilst, rezultāts ir neuzticams. Tīkla neatkarība: rezultāts būtiski nemainās, pievelkot kontu tīklu. CL/CD: pacelšanas koeficients / pretestības koeficients; aerodinamiskās efektivitātes pamatmērs. Surogātmodelis: ātra aptuvenā simulācijas imitācija.
AI vieta CFD darbplūsmā
CFD izpilde sastāv no aptuveni piecām darbībām: ģeometrijas sagatavošana, tīkla ģenerēšana, risinātāja iestatīšana, palaišana un pēcapstrāde. AI katrā posmā palīdz atšķirīgi, taču tai nav galīgā vārda ne par vienu no tiem.
Acu ģenerēšanā AI var aptuveni aprēķināt sākotnējo šūnas augstumu attiecībā pret y+ mērķi robežslāņa izšķirtspējai. Turbulences modeļa izvēlei (piemēram, k-omega SST) risinātāja iestatījumos tas var ieteikt plūsmas režīmam piemērotas opcijas ar pamatojumu. Pēcapstrādē var uzrakstīt Python skriptu, lai izvilktu pacelšanas, vilkšanas un momenta koeficientus no tūkstošiem rezultātu faila rindiņu un izveidotu uzbrukuma leņķa slaucīšanas grafiku. Bet vai y+ vērtība patiešām atbilst mērķim, vai turbulences modelis atbilst šai plūsmai un vai rezultāts saplūst vai nē, to pārbauda inženiera acs.
Visbiežāk izmantotā vieta ir rezultātu komentārs. Kad jūs jautājat AI "kāpēc šī CL-alfa līkne saplīst 14 grādu leņķī", tas atgādina par apstāšanās iespēju (plūsma atdalās no spārna, palielinoties trieciena leņķim un samazinoties pacēlumam) un uzskaita plūsmas atdalīšanas indikatorus, kas jums jāpārbauda. Šis ir hipotēžu ģenerators; Apstiprinājums atkal ir datos.
Uzmanību: AI var tekoši interpretēt CFD rezultātu, taču, ja pats rezultāts ir nepareizs, arī interpretācija būs nepareiza. Teikums "Šī vilkšanas vērtība ir saprātīga" neko nenozīmē, ja risinājums nekonverģē. Vispirms pārbaudiet numura derīgumu, pēc tam komentējiet.
Surogātmodeļi: dizaina telpas skenēšana sekundēs
Surogātmodeļa izveides loģika ir vienkārša. Pirmkārt, rūpīgi atlasīts paraugs (piemēram, 40–80 projektēšanas punkti; eksperimentālo dizainu izplata DoE) tiek aprēķināts ar pilnu CFD. Pēc tam ar šiem ievades-izejas pāriem tiek apmācīts mašīnmācīšanās modelis (Gausa procesa regresija/kriging, radiālās bāzes funkcija vai neironu tīkls). Tagad modelis prognozē CL/CD jaunai ģeometrijai sekundēs. Tūkstošiem kandidātu tiek pārbaudīti ar šo lēto modeli, un 3–5 vislabāk izskatošie kandidāti tiek pārrēķināti un pārbaudīti ar pilnu CFD.
Kritiskais punkts šeit ir ticamības intervāls. Tādi modeļi kā Kriging sniedz ne tikai prognozi, bet arī to, cik pārliecināti viņi ir par šo prognozi (nenoteiktība). Nenoteiktība pieaug vietās, kas atrodas tālu no apmācības punktiem; Tur tiek pievienots jauns CFD punkts, nevis akli uzticēties modelim. Šī cilpa “pievienot jaunu paraugu, kur ir liela nenoteiktība” ir pazīstama kā aktīva mācīšanās un efektīvi skenē lielu vietu ar nelielu skaitu dārgu darbību.
Metode
Viena dizaina punkta izmaksas
precizitāte
kad
Pilns CFD (RANS)
pulksteņi
augsts
Galīgā pārbaude, neliels kandidātu skaits
Surogātmodelis (kriging)
sekundes
Vidēji augsts (izglītības jomā)
Lielas telpas skenēšana, optimizācija
Panelis/zema pasūtījuma metode
sekundes-minūte
zems-vidējs
Pārāk agra likvidēšana, aptuvens priekšstats
vēja tunelis
dienas-nedēļas
augstākā (īstā)
Kritiskā pārbaude, sertifikācija
Padoms: Nekad neizmantojiet aizstājējmodeli ārpus apmācības datu diapazona (ekstrapolācija). Ja modelis tika apmācīts ar 5-15 grādu uzbrukuma leņķi, vērtība, ko tas dod 25 grādos, nav pareģojums, bet gan izdomājums. Lūdzot AI “rakstīt apmācību diapazonu un noraidīt ārpus robežām vaicājumus”, veidojot modeli, šis slazds tiek aizvērts.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Vai šis aerosols ir labs? Interpretējiet manu CFD rezultātu: CD=0,009.
Spēcīga uzvedne:
Loma: Jūs esat aerodinamiskās analīzes konsultants; jūs izmantojat drošībai kritisku verifikāciju.Konteksts: 2D aerodinamiskā spārna RANS CFD analīze (vērtības ir reprezentatīvas): Re=1.5e6, Mach=0.2, uzbrukuma leņķis 4°, turbulences modelis k-omega SST.Rezultāts: CL=0.62, CD=0.0091. Tīkls: 180k šūnas, y+ ~1.Uzdevums:1) Uzskaitiet verifikācijas soļus, kas man jāpārbauda, pirms uzskatu, ka rezultāts ir derīgs (konverģence, tīkla neatkarība, y+).2) Aprēķiniet CL/CD attiecību un salīdziniet ar tipisko diapazonu šai profila klasei.3) Parādiet iespējamos kļūdu avotus, ja vērtība izskatās aizdomīga.Ierobežojums: rakstīšanas vienība; Atzīmējiet vietu, kur neesat pārliecināts; Nepieņemiet galīgu "labu/sliktu" spriedumu, sniedziet pārbaudes plānu.
Kopējamas uzvedņu veidnes
1. veidne — CFD iestatīšanas pamatojums:
Sniedziet CFD iestatīšanas ieteikumu šādiem plūsmas nosacījumiem (reprezentatīvās vērtības): Re=[...], Mach=[...], ģeometrija=[...]. Iesakiet man šādus iemeslus: atbilstošas turbulences modeļa iespējas, robežslāņa mērķis y+ un sākotnējā šūnas augstuma aprēķins, robežnosacījumi. Katrai izvēlei pievienojiet piezīmi "kāpēc" un "tādā gadījumā tas būtu nepareizi". Uzrakstiet skaitļu vienību.
2. veidne — eksperimentu izstrāde (DoE) un aizstājējmodeļa plāns:
Man ir [N] dizaina mainīgie: [saraksts, ar diapazoniem]. Lai apmācītu surogātmodeli: (a) cik izlases punktu un kādu izlases metodi (piemēram, latīņu hiperkubs) jūs iesakāt; b) kāda veida surogātmodelis ir piemērots un kāpēc; c) kā apstiprināt modeli (savstarpēja validācija, dalīta testa kopa). Kādi noteikumi man jāpiemēro, lai novērstu ekstrapolācijas risku?
3. veidne — skripts koeficientu iegūšanai no CFD rezultātu faila:
No CFD spēka ziņojuma CSV (kolonnas: iterācija, Fx, Fy, Fz) Izmantojot Python: (a) aprēķina konverģēto CL un CD, vidējo pēdējo 500 iterāciju; (b) uzrakstiet pēdējo 500 iterāciju standarta novirzi un salīdziniet to ar slieksni, lai pārbaudītu konverģenci; (c) Uzzīmējiet CL-alfa uzbrukuma skenēšanas leņķi. Kā parametrus iestatīt atsauces laukumu un dinamisko spiedienu; Paskaidrojiet kontu ar komentāru rindiņām.
4. veidne — aizstājējmodeļa prognozēšanas uzticamības vaicājums:
Manis apmācītais kriginga starpniekservera modelis deva CL=0,71, nenoteiktība(std) 0,02 šādai prognozei; vaicājuma punkts ir [iekšā/ārpus] apmācības diapazonā.(a) Vai šis nenoteiktības līmenis ir pietiekams, lai pieņemtu lēmumu, kā es varu izlemt? (b) Ja nenoteiktība ir liela, kurā brīdī man vajadzētu pievienot jaunu CFD gadījumu (aktīvās mācīšanās loģika)? (c) Kad man jāapstiprina šī prognoze ar pilnu CFD?
Mini futrāļi
1. gadījums — tiek noķerts nekonverģēts rezultāts. Students iegūst rezultātu CD=0,0065 par aerodinamisko spārnu un ir sajūsmā; Profilu klasei tipiskais CD ir diapazonā no 0,008-0,012, rezultāts šķiet pārāk labs. Piemērojot AI ieteikto konverģences pārbaudi, redzams, ka spēka koeficients pēdējās iterācijās joprojām svārstās (standarta novirze 8% no vidējās). Kad risinājums tiek konverģēts ar vairākām iterācijām, tas tiek iestatīts uz CD = 0,0094. Mācība: "pārāk labs" rezultāts bieži vien ir nekonverģēts rezultāts.
2. gadījums — surogātmodelis paātrinās 200 reizes. Komanda veic 60 pilnus CFD skrējienus (katru ~ 2 stundas) spārnam ar 6 ģeometriskiem parametriem un apmāca kriginga surogātmodeli. Pēc tam tas 40 sekundēs skenē 5000 kandidātu konfigurācijas ar starpniekservera modeli, apstiprinot 4 labākos kandidātus ar pilnu CFD. Kopā ar 64 CFD piegājieniem aptuvens aprēķins atbilst 5000 skrējieniem. Ilgums samazinās no nedēļām līdz divām dienām. Nodarbība: palaidiet dārgo simulāciju tikai validācijas punktos, nevis katrā punktā.
3. gadījums — ekstrapolācijas slazds. Inženieris uzdod pacelšanas jautājumu 18 grādu leņķī surogātmodelis, kas apmācīts ar 3–12 grādu uzbrukuma leņķi; Modelis dod vienmērīgi pieaugošu vērtību, piemēram, CL=1,6. Reāli spārns zaudē saķeri ap 15 grādiem un pacēlums samazinās, bet surogātmodelis to izstiepj taisni, jo "neredz" šo fiziku. Inženieris noraida rezultātu ar fiziskās ticamības pārbaudi (paredzot adhēzijas zudumu) un veic pilnu CFD uz šo apgabalu. Nodarbība: surogātmodelis nezina fiziku ārpus sava apmācības diapazona.
Biežas kļūdas
- Nepārbauda konverģenci. Nekonverģēta risinājuma koeficienti ir bezjēdzīgi; Diagrammas skaistums negarantē konverģenci.
- Tīkla neatkarības apiešana. Ja rezultāts ir atkarīgs no tīkla, ar dažādiem tīkliem iznāk dažādas atbildes; Nevar zināt, kura no tām ir pareiza.
- Ekstrapolācija surogātmodelī. Prognoze ārpus treniņu diapazona dod matemātisko paplašinājumu, nevis fizisku patiesību.
- Nenoteiktības ignorēšana. Ja netiek izmantota Kriginga prognozes ticamības informācija, reģions, kurā modelis ir visdrošākais, un reģions, kurā tas ir vismazāk pārliecināts, tiek apstrādāti vienādi.
- Turbulences modeļa izvēle patvaļīgi. Nepareizs turbulences modelis padara pat konverģētu un no tīkla neatkarīgu risinājumu fiziski nepareizu.
Rezumējot
CFD ir spēcīgs, bet dārgs instruments; AI paātrina to no divām vietām: procesu pārvaldības (instalēšana, komentēšana, skripts) un lielas dizaina vietas skenēšana sekundēs ar aizstājējmodeļiem. Surogātmodelis tiek apmācīts ar nelielu skaitu pilnu CFD darbību, tiek izmantots ar ticamības intervālu, un labākie kandidāti obligāti tiek apstiprināti ar pilnu CFD. Neviens racionalizēts rezultāts netiek pieņemts, nepārbaudot konverģenci, tīkla neatkarību un fizisko ticamību. AI izvirza hipotēzi un ātrumu; Pēdējais fizikas šķīrējtiesnesis ir dati.
Lietojumprogrammas uzdevums
Definējiet CFD izpildes scenāriju aerodinamiskajam spārnam vai vienkāršai ģeometrijai (reprezentatīvi, nevis faktiskie projekta dati). Izmantojot AI, (a) uzskaitiet validācijas soļus, pirms uzskatāt, ka rezultāts ir derīgs, (b) izdrukājiet Python skriptu, kas izvelk koeficientus no rezultātu faila, un pārbaudiet tā loģiku rindu pa rindiņai, (c) sagatavojiet plānu surogātmodeļa izveidei (cik paraugu, kura metode, kā apstiprināt). Salīdziniet rezultātu ar tipisko diapazonu un novērtējiet tā ticamību.
kontrolsaraksts
- [ ] Es veicu konverģences pārbaudi katram CFD rezultātam.
- [ ] Es apšaubīju, vai ir pierādīta tīkla neatkarība.
- [ ] Es salīdzināju tādus koeficientus kā CL/CD ar tipisku klases diapazonu.
- [ ] Surogātmodeli izmantoju tikai treniņu diapazonā.
- [ ] Lēmumā es ņēmu vērā surogātmodeļa prognožu nenoteiktību.
- [ ] Es pārbaudīju labākos kandidātus ar pilnu CFD.