Dobički:
- Znati razložiti, kako se umetna inteligenca uporablja pri nastavitvi, interpretaciji rezultatov in ustvarjanju nadomestnega modela v procesu računalniške dinamike tekočin (CFD).
- Sposobnost hitrega skeniranja velikega načrtovalnega prostora in razvrščanja kandidatnih geometrij z nadomestnimi modeli, ki temeljijo na strojnem učenju
- Sposobnost potrjevanja aerodinamičnih rezultatov, ki jih poganja AI, s konvergenco, neodvisnostjo od omrežja in merili fizične verjetnosti
Kako krilo proizvaja vzgon, kako trup deli zrak, kako krmilna površina odbija tok; Aerodinamika je znanost o teh nevidnih silah. Inženir spozna te sile na dva načina: s poskusom v vetrovniku ali z računalniško računalniško dinamiko tekočin (CFD; Računalniška dinamika tekočin, metoda, ki numerično rešuje enačbe toka v računalniškem omrežju). CFD je zmogljiv, a drag: zapleteno izvajanje lahko traja ure, celo dneve, kar prinese eno samo zasnovo. Inženir, ki želi preizkusiti na stotine modelov, tukaj naleti na ozko grlo.
Umetna inteligenca (AI) odpira to ozko grlo na dveh mestih. Prvič, v samem procesu CFD: nadzor nastavitev, interpretacija rezultatov in poročanje. Drugi in bolj transformativni so nadomestni modeli (model strojnega učenja, ki se nauči vhodno-izhodnega razmerja drage simulacije in poda približno napoved v nekaj sekundah). Zahvaljujoč nadomestnemu modelu se velik prostor načrtovanja pregleda v nekaj sekundah namesto v urah, izbere se nekaj obetavnih kandidatov in le ti se izračunajo s polnim CFD z visoko natančnostjo. V tej enoti vzdržujemo nespremenljivo pravilo pri vdelavi umetne inteligence v ta potek dela: nobeni poenostavljeni rezultati niso sprejeti, ne da bi dokazali konvergenco in neodvisnost omrežja ter šli skozi filter fizične verjetnosti.
Koncepti: Konvergenca: rešitev, ki se ustali na konstantni vrednosti, ko iteracije napredujejo; Če se ne prilega, je rezultat nezanesljiv. Neodvisnost mreže: rezultat se ne spremeni bistveno, ko poostrite mrežo računov. CL/CD: koeficient vzgona/koeficient upora; osnovno merilo aerodinamične učinkovitosti. Nadomestni model: Hitra približna imitacija simulacije.
Mesto umetne inteligence v delovnem toku CFD
Izvedba CFD je sestavljena iz približno petih korakov: priprave geometrije, generiranja mreže, nastavitve reševalnika, izvajanja in naknadne obdelave. Umetna inteligenca pri vsakem koraku pomaga drugače, vendar nima končne besede pri nobenem od njih.
Pri ustvarjanju mrež lahko umetna inteligenca približno izračuna začetno višino celice glede na cilj y+ za ločljivost mejne plasti. Za izbiro modela turbulence (npr. k-omega SST) v nastavitvi reševalnika lahko z utemeljitvijo predlaga možnosti, ki ustrezajo režimu toka. Pri naknadni obdelavi lahko napišemo skript Python, da iz tisočih vrstic datoteke z rezultati izvlečemo koeficiente vzgona, upora in momenta ter ustvarimo diagram pomika napadnega kota. Toda ali je vrednost y+ res na cilju, ali turbulenčni model ustreza temu toku in ali rezultat konvergira ali ne, preveri inženirjevo oko.
Najpogosteje uporabljeno mesto je komentar rezultata. Ko vprašate AI »zakaj se ta krivulja CL-alfa zlomi pri 14 stopinjah«, vas opomni na možnost zastoja (tok se loči od krila, ko se vpadni kot poveča in vzgon zmanjša) in navede indikatorje ločitve toka, ki jih morate preveriti. To je generator hipotez; Potrditev je spet v podatkih.
Pozor: umetna inteligenca lahko tekoče interpretira rezultat CFD, vendar če je sam rezultat napačen, bo tudi interpretacija napačna. Stavek "Ta vrednost upora je razumna" ne pomeni nič, če rešitev ne konvergira. Najprej preverite veljavnost številke, nato komentar.
Nadomestni modeli: skeniranje oblikovalskega prostora v nekaj sekundah
Logika vzpostavitve nadomestnega modela je preprosta. Najprej se izračuna skrbno izbran vzorec (npr. 40–80 načrtovalnih točk; poskusni načrt razdeli DoE) s polnim CFD. Nato se s temi vhodno-izhodnimi pari usposobi model strojnega učenja (Gaussova procesna regresija/kriging, radialna osnovna funkcija ali nevronska mreža). Model zdaj napove CL/CD za novo geometrijo v nekaj sekundah. Na tisoče kandidatov je pregledanih s tem poceni modelom, 3-5 najlepših kandidatov pa se ponovno izračuna in preveri s polnim CFD.
Kritična točka pri tem je interval zaupanja. Modeli, kot je Kriging, ne zagotavljajo samo napovedi, ampak tudi, kako prepričani so v to napoved (negotovost). Negotovost narašča na območjih, ki so daleč od točk usposabljanja; Tam je namesto slepega zaupanja modelu dodana nova točka CFD. Ta zanka »dodaj nov vzorec, kjer je negotovost visoka« je znana kot aktivno učenje in učinkovito skenira velik prostor z majhnim številom dragih zagonov.
Metoda
Cena ene oblikovalske točke
natančnost
kdaj
Celoten CFD (RANS)
ure
visoka
Končno preverjanje, majhno število kandidatov
Nadomestni model (kriging)
sekund
Srednje visoko (na področju izobraževanja)
Skeniranje velikega prostora, optimizacija
Metoda plošče/nizkega reda
sekunde-minuti
nizko-srednje
Odprava prezgodnja, groba ideja
vetrovnik
dni-tednov
najvišje (resnično)
Kritično preverjanje, certificiranje
Namig: Nikoli ne uporabljajte nadomestnega modela zunaj obsega, ki ga pokrivajo podatki o usposabljanju (ekstrapolacija). Če je bil model naučen z vpadnim kotom 5-15 stopinj, vrednost, ki jo daje pri 25 stopinjah, ni napoved, ampak izmišljotina. Če od umetne inteligence zahtevate, da pri gradnji modela »napiše obseg usposabljanja in zavrne poizvedbe izven meja«, se ta past zapre.
Šibek poziv/močan poziv
Šibek poziv:
Je ta aeroprofil dober? Interpretirajte moj rezultat CFD: CD=0,009.
Močan poziv:
Vloga: Ste svetovalec za aerodinamične analize; uporabite varnostno kritično preverjanje. Kontekst: 2D aeroprofil RANS CFD analiza (vrednosti so reprezentativne): Re=1,5e6, Mach=0,2, vpadni kot 4°, turbulenčni model k-omega SST. Rezultat: CL=0,62, CD=0,0091. Omrežje: 180k celic, y+ ~1. Naloga: 1) Navedite korake preverjanja, ki jih moram preveriti, preden štejem, da je rezultat veljaven (konvergenca, neodvisnost omrežja, y+). 2) Izračunajte razmerje CL/CD in primerjajte s tipičnim obsegom za ta razred profila. 3) Pokažite možne vire napak, če je vrednost videti sumljiva. Omejitev: Zapišite enoto; Označite, kjer niste prepričani; Ne delajte dokončne presoje "dobro/slabo", podajte načrt preverjanja.
Kopirane predloge pozivov
Predloga 1 – Utemeljitev nastavitve CFD:
Podajte priporočilo za nastavitev CFD za naslednje pogoje toka (reprezentativne vrednosti): Re=[...], Mach=[...], geometrija=[...]. Predlagajte mi naslednje razloge: ustrezne možnosti turbulenčnega modela, cilj y+ za mejno plast in začetni izračun višine celice, robne pogoje. Za vsako izbiro dodajte opombo "zakaj" in "v katerem primeru bi bilo napačno." Zapiši številsko enoto.
Predloga 2 – Zasnova poskusov (DoE) in načrt nadomestnega modela:
Imam [N] spremenljivk načrtovanja: [seznam, z obsegi]. Za usposabljanje nadomestnega modela: (a) koliko vzorčnih točk in kakšno metodo vzorčenja (npr. Latin Hypercube) priporočate; (b) katera vrsta nadomestnega modela je primerna in zakaj; (c) kako validiram model (navzkrižno preverjanje, nabor deljenih testov). Kakšno pravilo naj uvedem proti tveganju ekstrapolacije?
Predloga 3 – Skript za pridobivanje koeficientov iz datoteke z rezultati CFD:
Iz CSV poročila o sili CFD (stolpci: iteracija, Fx, Fy, Fz) S Pythonom: (a) izračunajte convergedCL in CD s povprečenjem zadnjih 500 iteracij; (b) zapišite standardni odklon zadnjih 500 iteracij in ga primerjajte s pragom za preverjanje konvergence; (c) Narišite CL-alfa za skeniranje vpadnega kota. Nastavite referenčno območje in dinamični tlak kot parametra; Pojasnite račun s komentarji.
Predloga 4 – Poizvedba o zaupanju napovedi nadomestnega modela:
Približni model kriginga, ki sem ga uril, je dal CL=0,71, negotovost (std) 0,02 za naslednjo napoved; točka poizvedbe je [znotraj/zunaj] območja usposabljanja. (a) Ali je ta stopnja negotovosti zadostna za odločitev, kako naj se odločim? (b) Če je negotovost velika, na kateri točki naj dodam nov primer CFD (logika aktivnega učenja)? (c) Kdaj naj potrdim to napoved s polnim CFD-jem?
Mini etuiji
Primer 1 – Ulovljen je nekonvergiran rezultat. Študent dobi rezultat CD=0,0065 za aeroprofil in je navdušen; Tipični CD za profilni razred je v območju 0,008-0,012, rezultat se zdi preveč dober. Uporaba preverjanja konvergence, ki ga predlaga AI, pokaže, da koeficient sile še vedno niha (standardni odklon 8 % povprečja) v zadnjih iteracijah. Ko je rešitev konvergirana z več iteracijami, se ustali pri CD = 0,0094. Nauk: "predober" rezultat je pogosto nekonvergiran rezultat.
Primer 2 – Nadomestni model se pospeši za 200-krat. Skupina izvede 60 polnih CFD (približno 2 uri vsakega) za krilo s 6 geometrijskimi parametri in uri nadomestni model kriginga. Nato skenira 5000 konfiguracij kandidatov z modelom proxy v 40 sekundah in potrdi najboljše 4 kandidate s polnim CFD. S skupno 64 teki CFD je groba ocena enaka 5000 tekov. Trajanje se zmanjša s tednov na dva dni. Lekcija: zaženite drago simulacijo samo na validacijskih točkah, ne na vsaki točki.
Primer 3 – Ekstrapolacijska past. Inženir zastavi vprašanje o vzgonu pri 18 stopinjah nadomestnemu modelu, ki je treniran z vpadnim kotom 3-12 stopinj; Model daje gladko naraščajočo vrednost, kot je CL=1,6. V resnici krilo izgubi oprijem okoli 15 stopinj in vzgon se zmanjša, vendar ga nadomestni model podaljša naravnost, ker "ne vidi" te fizike. Inženir zavrne rezultat s preverjanjem fizične verodostojnosti (predvidevanje izgube adhezije) in izvede celoten CFD na tem območju. Lekcija: nadomestni model ne pozna fizike zunaj obsega svojega usposabljanja.
Pogoste napake
- Ne preverjam konvergence. Koeficienti nekonvergirane rešitve so nesmiselni; Lepota grafa ni jamstvo za konvergenco.
- Obhod neodvisnosti omrežja. Če je rezultat odvisen od omrežja, pridejo različni odgovori z različnimi omrežji; Ne more se vedeti, katera je pravilna.
- Ekstrapolacija v nadomestnem modelu. Napoved zunaj obsega usposabljanja daje matematično razširitev, ne fizične resnice.
- Ignoriranje negotovosti. Če informacije o zaupanju napovedi Kriginga niso uporabljene, se območje, kjer je model najbolj zanesljiv, in območje, kjer je najmanj zanesljiv, obravnavata enako.
- Poljubna izbira modela turbulence. Napačen turbulenčni model naredi celo konvergenčno in od omrežja neodvisno rešitev fizično nepravilno.
Če povzamem
CFD je močno, a drago orodje; Umetna inteligenca ga pospeši z dveh mest: upravljanje procesa (namestitev, komentar, skript) in skeniranje velikega oblikovalskega prostora v nekaj sekundah z nadomestnimi modeli. Nadomestni model se usposobi z majhnim številom polnih CFD-jev, ki se uporabljajo z intervalom zaupanja, najboljši kandidati pa so nujno potrjeni s polnim CFD-jem. Brez preverjanja konvergence, neodvisnosti omrežja in fizične verodostojnosti niso sprejeti nobeni poenostavljeni rezultati. AI daje hipotezo in hitrost; Končni razsodnik fizike so podatki.
Aplikacijska naloga
Določite scenarij izvajanja CFD za aeroprofil ali preprosto geometrijo (reprezentativni, ne dejanski projektni podatki). Z uporabo umetne inteligence (a) navedite korake preverjanja, preden se šteje, da je rezultat veljaven, (b) natisnite skript Python, ki izvleče koeficiente iz datoteke rezultatov in preverite njegovo logiko vrstico za vrstico, (c) pripravite načrt za izdelavo nadomestnega modela (koliko vzorcev, katera metoda, kako potrditi). Primerjajte rezultat s tipičnim obsegom in ocenite njegovo verodostojnost.
kontrolni seznam
- [ ] Opravil sem preverjanje konvergence za vsak rezultat CFD.
- [ ] Vprašal sem se, ali je bila dokazana neodvisnost omrežja.
- [ ] Primerjal sem koeficiente, kot je CL/CD, s tipičnim obsegom razreda.
- [ ] Nadomestni model sem uporabil samo znotraj območja usposabljanja.
- [ ] V odločitev sem upošteval negotovost napovedi nadomestnega modela.
- [ ] Najboljše kandidate sem preveril s polnim CFD.