Прибыль:
- Уметь объяснить, как ИИ используется при настройке, интерпретации результатов и создании суррогатной модели в процессе вычислительной гидродинамики (CFD).
- Возможность быстро сканировать большое пространство проектирования и ранжировать возможные геометрии с помощью суррогатных моделей на основе машинного обучения.
- Возможность проверки аэродинамических результатов на основе искусственного интеллекта с учетом критериев конвергенции, сетевой независимости и физической достоверности.
Как крыло создает подъемную силу, как фюзеляж расщепляет воздух, как поверхность управления отклоняет поток; Аэродинамика – это наука об этих невидимых силах. Инженер изучает эти силы двумя способами: экспериментируя в аэродинамической трубе или с помощью компьютерной вычислительной гидродинамики (CFD; вычислительная гидродинамика, метод, который численно решает уравнения потока в вычислительной сети). CFD — это мощное, но дорогое средство: сложный прогон может занять часы и даже дни, в результате чего будет получена единственная проектная точка. Инженер, желающий опробовать сотни проектов, сталкивается здесь с узким местом.
Искусственный интеллект (ИИ) открывает это узкое место в двух местах. Во-первых, в самом процессе CFD: контроль настройки, интерпретация результатов и отчетность. Во-вторых, и более преобразующие, это суррогатные модели (модель машинного обучения, которая изучает взаимосвязь ввода-вывода дорогостоящего моделирования и дает приблизительный прогноз за секунды). Благодаря суррогатной модели большое проектное пространство сканируется за секунды, а не за часы, отбирается несколько перспективных кандидатов и только они рассчитываются с помощью полного CFD с высокой точностью. В этом модуле мы придерживаемся непреложного правила при внедрении ИИ в этот рабочий процесс: никакие оптимизированные результаты не принимаются без демонстрации конвергенции и сетевой независимости и прохождения через фильтр физической достоверности.
Концепции: Конвергенция: решение, достигающее постоянного значения по ходу итерации; Если он не подходит, результат недостоверен. Независимость от сетки: результат существенно не меняется при сужении сети аккаунтов. CL/CD: коэффициент подъемной силы/коэффициент лобового сопротивления; основной показатель аэродинамической эффективности. Суррогатная модель: Быстрая приближенная имитация симуляции.
Место искусственного интеллекта в рабочем процессе CFD
Выполнение CFD состоит примерно из пяти этапов: подготовка геометрии, создание сетки, настройка решателя, запуск и постобработка. ИИ помогает по-разному на каждом этапе, но ни по одному из них он не имеет решающего слова.
При создании сетки ИИ может грубо рассчитать начальную высоту ячейки относительно целевого значения y+ для разрешения пограничного слоя. Для выбора модели турбулентности (например, k-omega SST) в настройке решателя могут быть предложены варианты, соответствующие режиму течения, с обоснованием. При постобработке можно написать сценарий Python для извлечения коэффициентов подъемной силы, сопротивления и момента из тысяч строк файла результатов и создания графика развертки угла атаки. Но действительно ли значение y+ соответствует цели, соответствует ли модель турбулентности этому потоку и сходится ли результат, проверяется глазом инженера.
Наиболее часто используемое место — комментарий к результату. Когда вы спрашиваете ИИ «почему эта кривая CL-альфа ломается на 14 градусах», он напоминает вам о возможности сваливания (поток отрывается от крыла при увеличении угла атаки и уменьшении подъемной силы) и перечисляет показатели отрыва потока, которые вам следует проверить. Это генератор гипотез; Подтверждение снова в данных.
Внимание: ИИ может свободно интерпретировать результат CFD, но если сам результат неверен, интерпретация также будет неверной. Предложение «Это значение сопротивления является разумным» ничего не значит, если решение не сходится. Сначала проверьте валидность номера, затем комментарий.
Суррогатные модели: сканирование проектного пространства за секунды
Логика создания суррогатной модели проста. Сначала тщательно отобранная выборка (например, 40–80 расчетных точек; экспериментальный план распределяется Министерством энергетики) рассчитывается с использованием полного CFD. Затем с помощью этих пар ввода-вывода обучается модель машинного обучения (регрессия/кригинг гауссовского процесса, радиальная базисная функция или нейронная сеть). Теперь модель прогнозирует CL/CD для новой геометрии за секунды. С помощью этой недорогой модели проверяются тысячи кандидатов, а 3-5 наиболее привлекательных кандидатов пересчитываются и проверяются с помощью полного CFD.
Критической точкой здесь является доверительный интервал. Такие модели, как Кригинг, дают не только прогнозы, но и степень уверенности в этом прогнозе (неопределенность). Неопределенность растет в районах, удаленных от тренировочных пунктов; Там вместо слепого доверия модели добавляется новая точка CFD. Этот цикл «добавление нового образца при высокой неопределенности» известен как активное обучение и эффективно сканирует большое пространство с помощью небольшого количества дорогостоящих прогонов.
Метод
Стоимость одного очка проектирования
точность
когда
Полный CFD (РАНС)
часы
высокий
Финальная проверка, небольшое количество кандидатов
Суррогатная модель (кригинг)
секунды
Средне-высокий (в сфере образования)
Сканирование большого пространства, оптимизация
Панельный/метод низкого порядка
секунды-минуты
низкий-средний
Устранение слишком рано, грубая идея
аэродинамическая труба
дни-недели
самый высокий (реальный)
Критическая проверка, сертификация
Совет: Никогда не используйте суррогатную модель за пределами диапазона, охватываемого обучающими данными (экстраполяция). Если модель обучалась с углом атаки 5–15 градусов, то значение, которое она дает при 25 градусах, — это не прогноз, а выдумка. Если попросить ИИ «записать диапазон обучения и отклонить запросы за пределами границ» при построении модели, это закроет эту ловушку.
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Этот профиль хороший? Интерпретируйте мой результат CFD: CD=0,009.
Мощная подсказка:
Роль: Вы консультант по аэродинамическому анализу; вы применяете критическую для безопасности проверку. Контекст: 2D-анализ профиля RANS CFD (значения являются репрезентативными): Re = 1,5e6, Маха = 0,2, угол атаки 4 °, модель турбулентности k-omega SST. Результат: CL = 0,62, CD = 0,0091. Сеть: 180 тыс. ячеек, y+ ~1. Задача: 1) Перечислить этапы проверки, которые мне необходимо проверить, прежде чем считать результат действительным (сходимость, независимость от сети, y+). 2) Вычислить соотношение CL/CD и сравнить с типичным диапазоном для этого класса профиля. 3) Показать возможные источники ошибок, если значение выглядит подозрительно. Ограничение: единица записи; Отметьте, где вы не уверены; Не выносите однозначного суждения «хорошо/плохо», дайте план проверки.
Копируемые шаблоны подсказок
Шаблон 1. Обоснование настройки CFD:
Дайте рекомендации по настройке CFD для следующих условий потока (репрезентативные значения): Re=[...], Маха=[...], геометрия=[...]. Предложите мне следующие причины: подходящие варианты модели турбулентности, целевой показатель y+ для пограничного слоя и расчет начальной высоты ячейки, граничные условия. Для каждого варианта добавьте пометку «почему» и «в каком случае это будет неправильно». Напишите единицу чисел.
Шаблон 2. План экспериментов (DoE) и план суррогатной модели:
У меня есть [N] переменных проекта: [список с диапазонами]. Чтобы обучить суррогатную модель: (а) сколько точек выборки и какой метод выборки (например, латинский гиперкуб) вы рекомендуете; (б) какой тип суррогатной модели подходит и почему; (c) как мне проверить модель (перекрестная проверка, набор разделенных тестов). Какое правило мне следует ввести против риска экстраполяции?
Шаблон 3 — Скрипт для извлечения коэффициентов из файла результатов CFD:
Из отчета о силе CFD в формате CSV (столбцы: итерация, Fx, Fy, Fz). С помощью Python: (a) вычислите конвергентные CL и CD путем усреднения последних 500 итераций; (б) записать стандартное отклонение последних 500 итераций и сравнить его с порогом для проверки сходимости; (c) Постройте CL-альфа для угла сканирования. Установите эталонную площадь и динамическое давление в качестве параметров; Объясните суть аккаунта с помощью комментариев.
Шаблон 4. Запрос достоверности прогнозирования суррогатной модели:
Прокси-модель кригинга, которую я обучил, дала CL = 0,71, неопределенность (стандартно) 0,02 для следующего прогноза; точка запроса находится [внутри/снаружи] диапазона обучения. (a) Достаточно ли этого уровня неопределенности для принятия решения, как мне принять решение? (б) Если неопределенность высока, в какой момент мне следует добавить новый экземпляр CFD (логика активного обучения)? (c) Когда мне следует подтвердить этот прогноз с помощью полного CFD?
Мини-кейсы
Случай 1 — обнаружен несошедшийся результат. Студент получает результат CD=0,0065 для профиля и очень доволен; Типичный КД для профильного класса находится в диапазоне 0,008-0,012, результат кажется слишком хорошим. Применение проверки сходимости, предложенной AI, показывает, что коэффициент силы все еще колеблется (стандартное отклонение 8% от среднего значения) на последних итерациях. Когда решение сходится с большим количеством итераций, оно устанавливается на CD = 0,0094. Урок: «слишком хороший» результат часто не сошелся.
Случай 2 — Суррогатная модель ускоряется в 200 раз. Команда выполняет 60 полных CFD-прогонов (около 2 часов каждый) для крыла с 6 геометрическими параметрами и обучает суррогатную модель кригинга. Затем он сканирует 5000 конфигураций-кандидатов с помощью прокси-модели за 40 секунд, проверяя 4 лучших кандидатов с полным CFD. При общем количестве прогонов CFD 64, грубая оценка эквивалентна 5000 прогонов. Продолжительность сокращается с недели до двух дней. Урок: запускайте дорогостоящее моделирование только в точках проверки, а не в каждой точке.
Случай 3. Ловушка экстраполяции. Инженер задает вопрос о подъеме под углом 18 градусов суррогатной модели, обученной с углом атаки 3–12 градусов; Модель дает плавно возрастающее значение, например CL=1,6. В действительности крыло теряет сцепление примерно на 15 градусов и подъемная сила уменьшается, но суррогатная модель вытягивает его прямо, потому что не «видит» эту физику. Инженер отвергает результат с помощью физической проверки достоверности (ожидание потери адгезии) и запускает полную CFD для этой области. Урок: суррогатная модель не знает физики за пределами своего обучающего диапазона.
Распространенные ошибки
- Не проверяет сходимость. Коэффициенты несошедшегося решения бессмысленны; Красота графа не является гарантией сходимости.
- Обход сетевой независимости. Если результат зависит от сети, в разных сетях получаются разные ответы; Невозможно знать, какой из них правильный.
- Экстраполяция в суррогатной модели. Прогнозирование за пределами тренировочного диапазона дает математическое обоснование, а не физическую истину.
- Игнорирование неопределенности. Если информация о достоверности прогноза Кригинга не используется, область, в которой модель наиболее достоверна, и область, в которой она наименее достоверна, обрабатываются одинаково.
- Выбор модели турбулентности произволен. Неправильная модель турбулентности делает физически некорректным даже конвергентное и независимое от сети решение.
В итоге
CFD — мощный, но дорогой инструмент; ИИ ускоряет его с двух сторон: управление процессами (установка, комментарии, скрипт) и сканирование большого пространства дизайна за считанные секунды с помощью суррогатных моделей. Суррогатная модель обучается с помощью небольшого количества полных прогонов CFD, используемых с доверительным интервалом, а лучшие кандидаты обязательно проверяются с помощью полного CFD. Никакие упрощенные результаты не принимаются без проверки сходимости, независимости сети и физической достоверности. ИИ дает гипотезу и скорость; Окончательным арбитром в физике являются данные.
Задача приложения
Определите сценарий запуска CFD для профиля или простой геометрии (репрезентативные, а не фактические данные проекта). Используя ИИ, (а) перечислите шаги проверки, прежде чем считать результат действительным, (б) распечатайте сценарий Python, который извлекает коэффициенты из файла результатов и проверяет его логику построчно, (в) подготовьте план построения суррогатной модели (сколько выборок, какой метод, как проверять). Сравните результат с типичным диапазоном и оцените его правдоподобие.
контрольный список
- [ ] Я выполнил проверку сходимости для каждого результата CFD.
- [ ] Я сомневался, была ли продемонстрирована независимость сети.
- [ ] Я сравнил такие коэффициенты, как CL/CD, с типичным диапазоном классов.
- [ ] Я использовал суррогатную модель только в пределах тренировочного диапазона.
- [ ] При принятии решения я учел неопределенность прогнозов суррогатной модели.
- [ ] Я проверил лучших кандидатов с полным CFD.