एरोडायनॅमिक्स, सीएफडी आणि सरोगेट मॉडेल्ससह रॅपिड डिझाइन एक्सप्लोरेशन

नफा:

• कॉम्प्युटेशनल फ्लुइड डायनॅमिक्स (CFD) प्रक्रियेमध्ये सेटअप, परिणाम व्याख्या आणि सरोगेट मॉडेल जनरेशनमध्ये AI कसे वापरले जाते हे स्पष्ट करण्यात सक्षम व्हा.
• मशीन लर्निंग-आधारित सरोगेट मॉडेलसह मोठ्या डिझाइन स्पेस आणि उमेदवार भूमितींना रँक करण्याची क्षमता
• अभिसरण, नेटवर्क स्वातंत्र्य आणि भौतिक प्रशंसनीयता निकषांसह AI-शक्तीच्या एरोडायनामिक आउटपुटचे प्रमाणीकरण करण्याची क्षमता

पंख कसे लिफ्ट तयार करतात, फ्यूजलेज हवा कशी विभाजित करते, नियंत्रण पृष्ठभाग कसे प्रवाह विचलित करते; वायुगतिकी हे या अदृश्य शक्तींचे विज्ञान आहे. अभियंता ही शक्ती दोन प्रकारे शिकतो: पवन बोगद्यातील प्रयोगाद्वारे किंवा संगणकीय संगणकीय द्रव गतिशीलता (CFD; कॉम्प्युटेशनल फ्लुइड डायनॅमिक्स, एक पद्धत जी संगणकीय नेटवर्कवर प्रवाह समीकरणे संख्यात्मकरित्या सोडवते). CFD शक्तिशाली पण महाग आहे: एक जटिल रन तास, अगदी दिवस लागू शकतो, एकच डिझाइन पॉइंट मिळवून देतो. ज्या अभियंताला शेकडो डिझाइन्स वापरून पहायच्या आहेत तो येथे अडथळे आणतो.

कृत्रिम बुद्धिमत्ता (AI) ही अडचण दोन ठिकाणी उघडते. प्रथम, CFD प्रक्रियेतच: सेटअप नियंत्रण, परिणाम व्याख्या आणि अहवाल. दुसरे, आणि अधिक परिवर्तनशील, सरोगेट मॉडेल आहेत (मशीन लर्निंग मॉडेल जे महागड्या सिम्युलेशनचे इनपुट-आउटपुट संबंध शिकते आणि सेकंदात अंदाजे अंदाज देते). सरोगेट मॉडेलबद्दल धन्यवाद, मोठ्या डिझाइनची जागा तासांऐवजी सेकंदात स्कॅन केली जाते, काही आशावादी उमेदवार निवडले जातात आणि केवळ त्यांची उच्च अचूकतेसह संपूर्ण CFD सह गणना केली जाते. या युनिटमध्ये, या वर्कफ्लोमध्ये AI एम्बेड करताना आम्ही अपरिवर्तनीय नियम पाळतो: अभिसरण आणि नेटवर्क स्वातंत्र्य प्रदर्शित केल्याशिवाय आणि भौतिक प्रशंसनीयतेच्या फिल्टरमधून उत्तीर्ण झाल्याशिवाय कोणतेही सुव्यवस्थित परिणाम स्वीकारले जात नाहीत.

संकल्पना: अभिसरण: पुनरावृत्ती प्रगती करताना स्थिर मूल्यावर स्थिर होणारे समाधान; जर ते बसत नसेल, तर परिणाम अविश्वसनीय आहे. मेश इंडिपेंडन्स: तुम्ही खाते नेटवर्क घट्ट करता तेव्हा परिणाम लक्षणीय बदलत नाही. CL/CD: लिफ्ट गुणांक / ड्रॅग गुणांक; वायुगतिकीय कार्यक्षमतेचे मूलभूत माप. सरोगेट मॉडेल: सिम्युलेशनचे जलद अंदाजे अनुकरण.

CFD वर्कफ्लोमध्ये AI चे स्थान

CFD रनमध्ये साधारणपणे पाच पायऱ्या असतात: भूमिती तयार करणे, जाळी तयार करणे, सॉल्व्हर सेटअप, रनिंग आणि पोस्ट-प्रोसेसिंग. AI प्रत्येक टप्प्यावर वेगवेगळ्या प्रकारे मदत करते, परंतु त्यापैकी कोणतेच अंतिम म्हणणे नाही.

मेश जनरेशनमध्ये, सीमा लेयर रिझोल्यूशनसाठी एआय y+ लक्ष्याशी संबंधित प्रारंभिक सेल उंचीची अंदाजे गणना करू शकते. सॉल्व्हर सेटअपमध्ये टर्ब्युलेन्स मॉडेल निवडीसाठी (उदा. के-ओमेगा एसएसटी), ते औचित्यसह, प्रवाहाच्या पद्धतीसाठी योग्य पर्याय सुचवू शकते. पोस्ट-प्रोसेसिंगमध्ये, निकाल फाइलच्या हजारो ओळींमधून लिफ्ट, ड्रॅग आणि क्षण गुणांक काढण्यासाठी आणि अटॅक स्वीप प्लॉटचा एक कोन तयार करण्यासाठी एक पायथन स्क्रिप्ट लिहू शकतो. परंतु y+ मूल्य खरोखरच लक्ष्यावर आहे की नाही, टर्ब्युलेन्स मॉडेल या प्रवाहात बसते की नाही आणि परिणाम अभिसरण होते की नाही हे अभियंत्याच्या डोळ्याद्वारे तपासले जाते.

सर्वाधिक वारंवार वापरलेले ठिकाण म्हणजे परिणाम टिप्पणी. जेव्हा तुम्ही AI ला विचारता "ते CL-अल्फा वक्र 14 अंशांवर का तुटते", तेव्हा ते तुम्हाला स्टॉलच्या शक्यतेची आठवण करून देते (आक्रमणाचा कोन वाढल्याने व लिफ्ट कमी झाल्यामुळे प्रवाह विंगपासून विभक्त होतो) आणि तुम्ही तपासले पाहिजे ते प्रवाह पृथक्करण संकेतकांची सूची देते. हे एक गृहितक जनरेटर आहे; पुष्टीकरण पुन्हा डेटामध्ये आहे.

खबरदारी: AI एखाद्या CFD निकालाचा अस्खलितपणे अर्थ लावू शकतो, परंतु जर निकालच चुकीचा असेल, तर त्याचा अर्थही चुकीचा असेल. "हे ड्रॅग व्हॅल्यू वाजवी आहे" या वाक्याचा अर्थ काही नाही जर समाधान एकत्र होत नसेल. प्रथम क्रमांकाची वैधता तपासा, नंतर टिप्पणी.

सरोगेट मॉडेल: सेकंदात डिझाइन स्पेस स्कॅन करणे

सरोगेट मॉडेल स्थापन करण्याचे तर्क सोपे आहे. प्रथम, काळजीपूर्वक निवडलेला नमुना (उदा. 40-80 डिझाइन पॉइंट; प्रायोगिक डिझाइन DoE द्वारे वितरित केले जाते) पूर्ण CFD सह मोजले जाते. त्यानंतर या इनपुट-आउटपुट जोड्यांसह मशीन लर्निंग मॉडेल (गॉसियन प्रोसेस रिग्रेशन/क्रिजिंग, रेडियल बेस फंक्शन किंवा न्यूरल नेटवर्क) प्रशिक्षित केले जाते. मॉडेल आता नवीन भूमितीसाठी CL/CD चे काही सेकंदात अंदाज लावते. या स्वस्त मॉडेलसह हजारो उमेदवारांची तपासणी केली जाते आणि 3-5 सर्वोत्कृष्ट दिसणाऱ्या उमेदवारांची पुनर्गणना केली जाते आणि संपूर्ण CFD सह पडताळणी केली जाते.

येथे महत्त्वाचा मुद्दा म्हणजे आत्मविश्वास मध्यांतर. क्रिगिंग सारखी मॉडेल्स केवळ एक अंदाजच देत नाहीत तर ते त्या अंदाजावर किती विश्वास ठेवतात (अनिश्चितता) देखील देतात. प्रशिक्षण बिंदूपासून दूर असलेल्या भागात अनिश्चितता वाढते; तेथे, मॉडेलवर आंधळेपणाने विश्वास ठेवण्याऐवजी एक नवीन CFD पॉइंट जोडला जातो. हे “नवीन नमुना जोडा जेथे अनिश्चितता जास्त आहे” लूप सक्रिय शिक्षण म्हणून ओळखले जाते आणि थोड्या महाग धावांसह कार्यक्षमतेने मोठी जागा स्कॅन करते.

पद्धत

एक डिझाइन पॉइंट खर्च

अचूकता

जेव्हा

पूर्ण CFD (RANS)

घड्याळे

उच्च

अंतिम पडताळणी, उमेदवारांची कमी संख्या

सरोगेट मॉडेल (क्रिगिंग)

सेकंद

मध्यम-उच्च (शिक्षण क्षेत्रात)

मोठी जागा स्कॅनिंग, ऑप्टिमायझेशन

पॅनेल/लो ऑर्डर पद्धत

सेकंद-मिनिट

कमी-मध्यम

निर्मूलन खूप लवकर, ढोबळ कल्पना

वारा बोगदा

दिवस-आठवडे

सर्वोच्च (वास्तविक)

गंभीर पडताळणी, प्रमाणपत्र

टीप: प्रशिक्षण डेटा (एक्स्ट्रापोलेशन) मध्ये समाविष्ट असलेल्या श्रेणीबाहेर सरोगेट मॉडेल कधीही वापरू नका. जर मॉडेलला 5-15 अंशांच्या आक्रमणाच्या कोनासह प्रशिक्षित केले गेले असेल, तर ते 25 अंशांवर जे मूल्य देते ते अंदाज नसून एक बनावट आहे. मॉडेल तयार करताना AI ला “प्रशिक्षण श्रेणी लिहा आणि सीमाबाह्य क्वेरी नाकारण्यास” सांगणे हा सापळा बंद करते.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

हे एअरफोइल चांगले आहे का? माझ्या CFD निकालाचा अर्थ लावा: CD=0.009.

शक्तिशाली सूचना:

भूमिका: तुम्ही वायुगतिकीय विश्लेषण सल्लागार आहात; तुम्ही सुरक्षितता-गंभीर पडताळणी लागू करा. संदर्भ: 2D airfoil RANS CFD विश्लेषण (मूल्ये प्रतिनिधी आहेत):Re=1.5e6, Mach=0.2, आक्रमणाचा कोन 4°, टर्ब्युलेन्स मॉडेल k-omega SST. निकाल: CL=0.62, CD=0.0091. नेटवर्क: 180k सेल, y+ ~ 1. कार्य:1) वैध निकालाचा विचार करण्यापूर्वी मला तपासण्यासाठी आवश्यक असलेल्या पडताळणी चरणांची यादी करा (अभिसरण, नेटवर्क स्वतंत्रता, y+).2) CL/CD गुणोत्तराची गणना करा आणि या प्रोफाइल वर्गासाठी ठराविक श्रेणीशी तुलना करा. 3) त्रुटीचे संभाव्य स्रोत दर्शवा. जिथे तुम्हाला खात्री नाही तिथे चिन्हांकित करा; निश्चित "चांगला/वाईट" निर्णय घेऊ नका, एक पडताळणी योजना द्या.

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

टेम्पलेट 1 — CFD सेटअप तर्क:

खालील प्रवाह स्थिती (प्रतिनिधी मूल्ये) साठी CFD सेटअप शिफारस द्या: Re=[...], Mach=[...], भूमिती=[...]. मला खालील कारणे सुचवा: योग्य अशांतता मॉडेल पर्याय, सीमा स्तरासाठी लक्ष्य y+ आणि प्रारंभिक सेल उंची गणना, सीमा परिस्थिती. प्रत्येक निवडीसाठी, "का" आणि "कोणत्या बाबतीत ते चुकीचे असेल" ची नोंद जोडा. संख्यांचे एकक लिहा.

टेम्पलेट २ — प्रयोगांचे डिझाइन (DoE) आणि सरोगेट मॉडेल योजना:

माझ्याकडे [N] डिझाइन व्हेरिएबल्स आहेत: [सूची, रेंजसह]. सरोगेट मॉडेलला प्रशिक्षण देण्यासाठी: (अ) किती नमुना गुण आणि कोणती नमुना पद्धत (उदा. लॅटिन हायपरक्यूब) तुम्ही शिफारस करता; (b) कोणत्या प्रकारचे सरोगेट मॉडेल योग्य आहे आणि का; (c) मी मॉडेलचे प्रमाणीकरण कसे करू शकतो (क्रॉस-व्हॅलिडेशन, स्प्लिट टेस्ट सेट). एक्सट्रापोलेशनच्या जोखमीवर मी कोणता नियम लागू करावा?

टेम्पलेट 3 — CFD निकाल फाइलमधून गुणांक काढण्यासाठी स्क्रिप्ट:

CFD फोर्स रिपोर्टमधून CSV (स्तंभ: पुनरावृत्ती, Fx, Fy, Fz) Python सह: (a) शेवटच्या 500 पुनरावृत्त्यांची सरासरी काढून convergedCL आणि CD ची गणना करा; (b) शेवटच्या 500 पुनरावृत्त्यांचे मानक विचलन लिहा आणि अभिसरण तपासण्यासाठी थ्रेशोल्डशी तुलना करा; (c) आक्रमण स्कॅनच्या कोनासाठी CL-alpha प्लॉट करा. संदर्भ क्षेत्र आणि डायनॅमिक दाब पॅरामीटर्स म्हणून सेट करा; टिप्पणी ओळींसह खाते स्पष्ट करा.

टेम्प्लेट 4 — सरोगेट मॉडेल प्रेडिक्शन कॉन्फिडन्स क्वेरी:

मी प्रशिक्षित केलेल्या क्रिगिंग प्रॉक्सी मॉडेलने खालील अंदाजासाठी CL=0.71, अनिश्चितता(std) 0.02 दिले; प्रश्न बिंदू हा प्रशिक्षण श्रेणी [आत/बाहेर] आहे. (अ) अनिश्चिततेची ही पातळी निर्णय घेण्यासाठी पुरेशी आहे का, मी कसे ठरवू? (ब) अनिश्चितता जास्त असल्यास, मी कोणत्या टप्प्यावर नवीन CFD उदाहरण (सक्रिय शिक्षण तर्क) जोडावे? (c) मी पूर्ण CFD सह या अंदाजाची पुष्टी केव्हा करावी?

मिनी केसेस

केस 1 - नॉन-कन्व्हर्ज्ड निकाल पकडला गेला. विद्यार्थ्याला एअरफोइलसाठी CD=0.0065 हा निकाल मिळतो आणि त्याला आनंद होतो; प्रोफाइल वर्गासाठी ठराविक सीडी 0.008-0.012 श्रेणीत आहे, परिणाम खूप चांगला दिसत आहे. AI द्वारे सुचविलेले अभिसरण तपास लागू केल्याने असे दिसून येते की शेवटच्या पुनरावृत्तीमध्ये बल गुणांक अजूनही दोलायमान (मानक विचलन 8%) आहे. जेव्हा सोल्यूशन अधिक पुनरावृत्तीसह एकत्र केले जाते, तेव्हा ते CD = 0.0094 वर स्थिर होते. धडा: "खूप चांगला" परिणाम हा बहुधा गैर-एकत्रित परिणाम असतो.

केस 2 - सरोगेट मॉडेलची गती 200 पटीने वाढते. एक संघ 6 भौमितिक मापदंडांसह एका पंखासाठी 60 पूर्ण CFD धावा (प्रत्येकी 2 तास) धावतो आणि क्रिगिंग सरोगेट मॉडेलला प्रशिक्षण देतो. नंतर ते 40 सेकंदात प्रॉक्सी मॉडेलसह 5000 उमेदवार कॉन्फिगरेशन स्कॅन करते, संपूर्ण CFD सह सर्वोत्कृष्ट 4 उमेदवारांचे प्रमाणीकरण करते. एकूण 64 CFD धावांसह, अंदाजे अंदाज 5000 धावांच्या समतुल्य आहे. कालावधी आठवड्यांपासून दोन दिवसांपर्यंत कमी होतो. धडा: महागडे सिम्युलेशन फक्त प्रमाणीकरण बिंदूंवर चालवा, प्रत्येक बिंदूवर नाही.

केस 3 - एक्स्ट्रापोलेशन ट्रॅप. एक अभियंता 3-12 अंशांच्या हल्ल्याच्या कोनासह प्रशिक्षित सरोगेट मॉडेलला 18 अंशांवर लिफ्ट प्रश्न विचारतो; मॉडेल सहजतेने वाढणारे मूल्य देते जसे की CL=1.6. प्रत्यक्षात, विंग सुमारे 15 अंशांच्या आसपास पकड गमावते आणि लिफ्ट कमी होते, परंतु सरोगेट मॉडेल ते सरळ वाढवते कारण ते हे भौतिकशास्त्र "पाहत" नाही. अभियंता भौतिक योग्यता तपासणीसह निकाल नाकारतो (आसंजन कमी होण्याची अपेक्षा) आणि त्या भागात संपूर्ण CFD चालवतो. धडा: सरोगेट मॉडेलला त्याच्या प्रशिक्षण श्रेणीच्या पलीकडे भौतिकशास्त्र माहित नाही.

सामान्य चुका

• अभिसरण तपासत नाही. अपरूपित द्रावणाचे गुणांक अर्थहीन असतात; आलेखाचे सौंदर्य अभिसरणाची हमी नाही.
• नेटवर्क स्वातंत्र्य बायपास करणे. परिणाम नेटवर्कवर अवलंबून असल्यास, भिन्न उत्तरे भिन्न नेटवर्कसह बाहेर येतात; कोणता बरोबर आहे हे कळू शकत नाही.
• सरोगेट मॉडेलमध्ये एक्सट्रापोलेशन. प्रशिक्षण श्रेणीबाहेरील अंदाज गणितीय विस्तार देते, भौतिक सत्य नाही.
• अनिश्चिततेकडे दुर्लक्ष करणे. जर क्रिगिंग अंदाजाची आत्मविश्वास माहिती वापरली गेली नाही, तर ज्या प्रदेशात मॉडेलला सर्वात जास्त विश्वास आहे आणि ज्या प्रदेशात सर्वात कमी आत्मविश्वास आहे त्यांना समान वागणूक दिली जाईल.
• अनियंत्रितपणे टर्ब्युलेन्स मॉडेल निवडणे. चुकीचे टर्ब्युलेन्स मॉडेल अगदी एकत्रित आणि नेटवर्क-स्वतंत्र समाधान देखील भौतिकदृष्ट्या चुकीचे बनवते.

सारांशात

CFD एक शक्तिशाली पण महाग साधन आहे; AI दोन ठिकाणांहून वेग वाढवते: प्रक्रिया व्यवस्थापन (स्थापना, टिप्पणी, स्क्रिप्ट) आणि सरोगेट मॉडेल्ससह सेकंदात मोठ्या डिझाइन स्पेसचे स्कॅनिंग. सरोगेट मॉडेलला थोड्या संख्येने पूर्ण CFD धावांसह प्रशिक्षित केले जाते, आत्मविश्वास मध्यांतराने वापरले जाते आणि सर्वोत्कृष्ट उमेदवारांना पूर्ण CFD सह प्रमाणित करणे आवश्यक आहे. अभिसरण, नेटवर्क स्वतंत्रता आणि भौतिक प्रशंसनीयता तपासल्याशिवाय कोणतेही सुव्यवस्थित परिणाम स्वीकारले जात नाहीत. AI गृहीते आणि गती देते; भौतिकशास्त्राचा अंतिम मध्यस्थ डेटा आहे.

अर्ज कार्य

एअरफोइल किंवा साध्या भूमितीसाठी CFD रन परिदृश्य परिभाषित करा (प्रतिनिधी, वास्तविक प्रकल्प डेटा नाही). एआय वापरून, (अ) निकाल वैध मानण्यापूर्वी प्रमाणीकरणाच्या चरणांची यादी करा, (ब) निकाल फाइलमधून गुणांक काढणारी पायथन स्क्रिप्ट मुद्रित करा आणि त्याचे तर्कशास्त्र ओळीनुसार तपासा, (क) सरोगेट मॉडेल तयार करण्यासाठी योजना तयार करा (किती नमुने, कोणती पद्धत, प्रमाणीकरण कसे करावे). ठराविक श्रेणीशी परिणामाची तुलना करा आणि त्याच्या योग्यतेचे मूल्यांकन करा.

चेकलिस्ट

• [ ] मी प्रत्येक CFD निकालासाठी एक अभिसरण तपासणी केली.
• [ ] मी प्रश्न केला की नेटवर्कचे स्वातंत्र्य प्रदर्शित केले गेले.
• [ ] मी CL/CD सारख्या गुणांकांची सामान्य वर्ग श्रेणीशी तुलना केली.
• [ ] मी सरोगेट मॉडेल फक्त प्रशिक्षण श्रेणीमध्ये वापरले.
• [ ] मी निर्णयामध्ये सरोगेट मॉडेलच्या अंदाजांची अनिश्चितता लक्षात घेतली.
• [ ] मी पूर्ण CFD सह सर्वोत्तम उमेदवारांची पडताळणी केली.