Добивки:
- Бидете способни да објасните како се користи вештачката интелигенција во поставувањето, толкувањето на резултатите и генерирањето на сурогат модел во процесот на динамика на пресметковна течност (CFD).
- Способност за брзо скенирање на голем простор за дизајн и рангирање геометрии на кандидати со сурогат модели базирани на машинско учење
- Способност за валидација на аеродинамички излези напојувани со вештачка интелигенција со критериуми за конвергенција, независност на мрежата и физичка веродостојност
Како крилото создава подигање, како трупот на авионот го дели воздухот, како контролната површина го одвраќа протокот; Аеродинамиката е наука за овие невидливи сили. Инженерот ги учи овие сили на два начина: со експеримент во тунел за ветер или со компјутерска пресметковна динамика на течности (CFD; Computational Fluid Dynamics, метод кој нумерички ги решава равенките на протокот на компјутерска мрежа). CFD е моќен, но скап: сложеното возење може да потрае со часови, па дури и денови, со што ќе се добие една дизајнерска точка. Инженерот кој сака да испроба стотици дизајни овде наидува на тесно грло.
Вештачката интелигенција (ВИ) го отвора ова тесно грло на две места. Прво, во самиот процес на CFD: контрола на поставување, толкување на резултатите и известување. Второ, и повеќе трансформативни, се сурогат моделите (модел за машинско учење кој ја учи влезно-излезната врска на скапа симулација и дава приближно предвидување во секунди). Благодарение на сурогат моделот, голем дизајнерски простор се скенира за секунди наместо за часови, се избираат неколку перспективни кандидати и само тие се пресметуваат со целосна CFD со висока точност. Во оваа единица, го одржуваме непроменливото правило кога ја вградуваме вештачката интелигенција во овој работен тек: не се прифаќаат рационализирани резултати без да се покаже конвергенција и независност на мрежата и да се помине низ филтерот на физичка веродостојност.
Концепти: Конвергенција: Решението се смирува на константна вредност како што напредуваат итерациите; Ако не одговара, резултатот е несигурен. Независност на мрежа: резултатот не се менува значително кога ја затегнувате мрежата на сметките. CL/CD: Коефициент на подигање / коефициент на влечење; основна мерка за аеродинамичка ефикасност. Сурогат модел: Брза приближна имитација на симулација.
Местото на вештачката интелигенција во работниот тек на CFD
Изведувањето на CFD се состои од приближно пет чекори: подготовка на геометрија, генерирање на решетката, поставување решавач, извршување и пост-обработка. ВИ помага различно на секој чекор, но не го има последниот збор за ниту еден од нив.
Во генерирањето мрежа, ВИ може грубо да ја пресмета почетната висина на ќелијата во однос на целта y+ за резолуција на граничниот слој. За избор на модел на турбуленција (на пр. k-омега SST) во поставувањето на решавачот, може да предложи опции соодветни на режимот на проток, со оправдување. Во пост-обработка, може да се напише Python скрипта за да се извлечат коефициентите на подигање, влечење и момент од илјадниците линии со резултати од датотеката и да се создаде агол на заплет на напад. Но, дали вредноста на y+ е навистина на целта, дали моделот на турбуленција одговара на овој тек и дали резултатот конвергира или не, се проверува од окото на инженерот.
Најчесто користеното место е коментарот за резултатот. Кога ќе ја прашате вештачката интелигенција „зошто таа CL-алфа крива се распаѓа на 14 степени“, таа ве потсетува на можноста за застој (протокот се одвојува од крилото како што се зголемува аголот на напад и се намалува подигнувањето) и ги наведува индикаторите за одвојување на протокот што треба да ги проверите. Ова е генератор на хипотеза; Потврдата е повторно во податоците.
Внимание: вештачката интелигенција може течно да интерпретира резултат на CFD, но ако самиот резултат е погрешен, толкувањето исто така ќе биде погрешно. Реченицата „Оваа вредност за влечење е разумна“ не значи ништо ако решението не се спојува. Прво проверете ја валидноста на бројот, па потоа коментарот.
Сурогат модели: Скенирање на простор за дизајн во секунди
Логиката на воспоставување на сурогат модел е едноставна. Прво, внимателно избраниот примерок (на пр. 40-80 дизајнерски точки; експерименталниот дизајн е дистрибуиран од DoE) се пресметува со целосниот CFD. Потоа се обучува модел на машинско учење (Гаусова процесна регресија/кригинг, функција на радијална основа или невронска мрежа) со овие влезно-излезни парови. Моделот сега предвидува CL/CD за нова геометрија за неколку секунди. Илјадници кандидати се проверуваат со овој ефтин модел, а 3-5 кандидати кои изгледаат најдобро се пресметуваат и се проверуваат со целосна CFD.
Критична точка овде е интервалот на доверба. Моделите како Кригинг обезбедуваат не само предвидување, туку и колку се сигурни во тоа предвидување (неизвесност). Несигурноста расте во области далеку од точките за обука; Таму се додава нова CFD точка наместо слепо да му верувате на моделот. Овој циклус за „додавање нов примерок каде што неизвесноста е висока“ е познат како активно учење и ефикасно скенира голем простор со мал број скапи работи.
Метод
Цена за еден дизајн поен
точност
кога
Целосна CFD (RANS)
часовници
високо
Конечна проверка, мал број на кандидати
Сурогат модел (кригинг)
секунди
Средно-високо (во областа на образованието)
Скенирање на голем простор, оптимизација
Панел/метод со низок редослед
секунди-минута
ниско-средно
Елиминација прерано, груба идеја
тунел за ветер
денови-недели
највисоко (реално)
Критична верификација, сертификација
Совет: Никогаш не користете го сурогат моделот надвор од опсегот опфатен со податоците за обуката (екстраполација). Ако моделот бил трениран со агол на напад од 5-15 степени, вредноста што ја дава на 25 степени не е предвидување, туку измислица. Барањето од вештачката интелигенција да „запише опсег на обука и да отфрли прашања надвор од границите“ при изградбата на моделот ја затвора оваа замка.
Слаб промпт / Силен промпт
Слаба навестување:
Дали е добра оваа воздушна фолија? Интерпретирај го мојот CFD резултат: CD=0,009.
Моќен потсетник:
Улога: Вие сте консултант за аеродинамичка анализа; применувате безбедносно-критична верификација. Контекст: 2D airfoil RANS CFD анализа (вредностите се репрезентативни): Re=1,5e6, Mach=0,2, агол на напад 4°, модел на турбуленција k-омега SST. Резултат: CL=0,62, CD=0,0091. Мрежа: 180k ќелии, y+ ~1.Задача:1) Наведете ги чекорите за проверка што треба да ги проверам пред да го разгледам резултатот валиден (конвергенција, независност на мрежата, y+).2) Пресметајте го односот CL/CD и споредете со типичниот опсег за оваа класа на профили.3) Прикажете ги можните извори на грешка ако вредноста изгледа сомнително:.Con; Означете каде не сте сигурни; Не донесувајте дефинитивна „добро/лоша“ пресуда, дајте план за верификација.
Шаблони за промпти што може да се копираат
Шаблон 1 - расудување за поставување на CFD:
Дајте препорака за поставување на CFD за следната состојба на проток (репрезентативни вредности): Re=[...], Mach=[...], геометрија=[...]. Предложете ми ги следните причини: соодветни опции за модел на турбуленција, цел y+ за граничниот слој и почетна пресметка на висината на ќелијата, гранични услови. За секој избор, додадете белешка „зошто“ и „во кој случај би било погрешно“. Напишете ја единицата на броеви.
Шаблон 2 - Дизајн на експерименти (DoE) и план за сурогат модел:
Имам [N] дизајнерски променливи: [листа, со опсези]. Да се обучи сурогат модел: (а) колку точки на примерок и каков метод на земање примероци (на пр. Латинска хиперкуб) препорачувате; (б) кој тип на сурогат модел е соодветен и зошто; (в) како да го потврдам моделот (вкрстена валидација, сплит тест сет). Какво правило треба да наметнам против ризикот од екстраполација?
Шаблон 3 - Скрипта за извлекување коефициенти од датотеката со резултати CFD:
Од извештајот за сила на CFD CSV (колони: повторување, Fx, Fy, Fz) Со Python: (а) пресметајте ги конвергираните CL и CD со просек од последните 500 повторувања; (б) напишете го стандардното отстапување на последните 500 повторувања и споредете го со прагот за проверка на конвергенцијата; (в) Нацртај CL-алфа за аголот на напад на скенирање. Поставете ја референтната област и динамичкиот притисок како параметри; Објаснете ја сметката со линии за коментари.
Шаблон 4 - Прашање за доверба за предвидување на сурогат модел:
Кригинг-прокси-моделот што го обучив даде CL=0,71, неизвесност(std) 0,02 за следното предвидување; точката за барање е [внатре/надвор] опсегот за обука. (а) Дали ова ниво на несигурност е доволно за да се донесе одлука, како да одлучам? (б) Ако неизвесноста е висока, во кој момент треба да додадам нов примерок на CFD (активна логика на учење)? (в) Кога треба да го потврдам ова предвидување со целосна CFD?
Мини футроли
Случај 1 - Неконвергираниот резултат е фатен. Студентот го добива резултатот CD=0,0065 за воздушната фолија и е воодушевен; Типичното ЦД за класата на профилот е во опсег од 0,008-0,012, резултатот изгледа премногу добар. Примената на проверката на конвергенција предложена од AI покажува дека коефициентот на сила сè уште осцилира (стандардно отстапување 8% од средната вредност) во последните повторувања. Кога решението се конвергира со повеќе повторувања, се смирува на CD = 0,0094. Поука: „премногу добар“ резултат е често неконвергиран резултат.
Случај 2 — Сурогат моделот се забрзува за 200 пати. Тим трча 60 целосни CFD трчања (~ 2 часа секој) за крило со 6 геометриски параметри и тренира сурогат модел на кригинг. Потоа скенира 5000 кандидатски конфигурации со прокси моделот за 40 секунди, потврдувајќи ги најдобрите 4 кандидати со целосна CFD. Со вкупно 64 трки CFD, груба проценка е еквивалентна на 5000 трки. Времетраењето се намалува од недели на два дена. Поука: стартувајте ја скапата симулација само на точките за валидација, не во секоја точка.
Случај 3 - Екстраполациона стапица. Инженер поставува прашање за подигнување на 18 степени на сурогат модел обучен со агол на напад од 3-12 степени; Моделот дава непречено растечка вредност како што е CL=1,6. Во реалноста, крилото го губи стисокот околу 15 степени, а подигањето се намалува, но сурогат моделот го продолжува право затоа што не ја „гледа“ оваа физика. Инженерот го отфрла резултатот со проверка на физичката веродостојност (предвидување на губење на адхезијата) и прави целосна CFD на таа област. Поука: сурогат моделот не знае физика надвор од опсегот на обука.
Вообичаени грешки
- Не се проверува за конвергенција. Коефициентите на неконвергирано решение се бесмислени; Убавината на графикот не е гаранција за конвергенција.
- Заобиколувајќи ја независноста на мрежата. Ако резултатот зависи од мрежата, различни одговори излегуваат со различни мрежи; Не може да се знае кој е точен.
- Екстраполација во сурогат модел. Предвидувањето надвор од опсегот за обука дава математичко проширување, а не физичка вистина.
- Игнорирање на неизвесноста. Ако не се користат информациите за доверливост на предвидувањето на Кригинг, регионот каде што моделот е најсигурен и регионот каде што е најмалку сигурен се третираат исто.
- Произволно избирање на моделот на турбуленција. Погрешниот модел на турбуленција го прави физички неточно дури и конвергираните и мрежно-независни решенија.
Сумирано
CFD е моќна, но скапа алатка; ВИ го забрзува од две места: управување со процеси (инсталација, коментар, скрипта) и скенирање на голем простор за дизајн во секунди со сурогат модели. Сурогат-моделот е обучен со мал број на целосни CFD вртења, се користи со интервал на доверба, а најдобрите кандидати се нужно потврдени со целосниот CFD. Не се прифаќаат рационализирани резултати без проверка на конвергенција, независност на мрежата и физичка веродостојност. ВИ дава хипотеза и брзина; Конечниот арбитер на физиката се податоците.
Задача за апликација
Дефинирајте сценарио за извршување на CFD за воздушна фолија или едноставна геометрија (репрезентативни, а не вистински податоци за проектот). Користејќи вештачка интелигенција, (а) наведете ги чекорите за валидација пред да го земете предвид валиден резултатот, (б) испечатете Python скрипта што извлекува коефициенти од датотеката со резултати и проверувајте ја неговата логичка линија по ред, (в) подготви план за изградба на сурогат модел (колку примероци, кој метод, како да се потврди). Споредете го резултатот со типичниот опсег и проценете ја неговата веродостојност.
листа за проверка
- [ ] Направив проверка на конвергенција за секој резултат на CFD.
- [ ] Се прашував дали е докажана независност на мрежата.
- [ ] Ги споредив коефициентите како CL/CD со типичниот опсег на класа.
- [ ] Го користев сурогат моделот само во опсегот на обука.
- [ ] Во одлуката ја вклучив неизвесноста на предвидувањата на сурогат моделот.
- [ ] Ги потврдив најдобрите кандидати со целосна CFD.