Fitimet:
- Të jetë në gjendje të shpjegojë se si AI përdoret në konfigurimin, interpretimin e rezultateve dhe gjenerimin e modelit zëvendësues në procesin e dinamikës së lëngjeve llogaritëse (CFD).
- Aftësia për të skanuar shpejt një hapësirë të madhe dizajni dhe për të renditur gjeometritë e kandidatëve me modele zëvendësuese të bazuara në mësimin e makinerive
- Aftësia për të vërtetuar rezultatet aerodinamike të fuqizuara nga AI me kritere të konvergjencës, pavarësisë së rrjetit dhe besueshmërisë fizike
Si një krah prodhon ngritje, si një trup trupor ndan ajrin, si një sipërfaqe kontrolli e shmang rrjedhën; Aerodinamika është shkenca e këtyre forcave të padukshme. Inxhinieri i mëson këto forca në dy mënyra: me eksperiment në një tunel me erë ose me dinamikë kompjuterike të lëngjeve kompjuterike (CFD; Computational Fluid Dynamics, një metodë që zgjidh ekuacionet e rrjedhës numerikisht në një rrjet llogaritës). CFD është i fuqishëm, por i shtrenjtë: një ekzekutim kompleks mund të zgjasë orë, madje edhe ditë, duke dhënë një pikë të vetme projektimi. Inxhinieri që dëshiron të provojë qindra dizajne haset në një pengesë këtu.
Inteligjenca artificiale (AI) e hap këtë pengesë në dy vende. Së pari, në vetë procesin CFD: kontrolli i konfigurimit, interpretimi i rezultateve dhe raportimi. Së dyti, dhe më transformuese, janë modelet zëvendësuese (modeli i mësimit të makinës që mëson marrëdhënien hyrje-dalje të një simulimi të shtrenjtë dhe jep një parashikim të përafërt në sekonda). Falë modelit surrogate, një hapësirë e madhe dizajni skanohet në sekonda në vend të orëve, zgjidhen disa kandidatë premtues dhe vetëm ata llogariten me CFD të plotë me saktësi të lartë. Në këtë njësi, ne ruajmë rregullin e pandryshueshëm kur futim AI në këtë rrjedhë pune: asnjë rezultat i thjeshtë nuk pranohet pa demonstruar konvergjencë dhe pavarësi rrjeti dhe pa kaluar nëpër filtrin e besueshmërisë fizike.
Konceptet: Konvergjenca: Zgjidhja vendoset në një vlerë konstante me përparimin e përsëritjeve; Nëse nuk përshtatet, rezultati nuk është i besueshëm. Pavarësia e rrjetës: Rezultati nuk ndryshon ndjeshëm kur shtrëngoni rrjetin e llogarisë. CL/CD: Koeficienti i ngritjes / koeficienti i tërheqjes; matës bazë të efikasitetit aerodinamik. Modeli zëvendësues: Imitim i shpejtë i përafërt i simulimit.
Vendi i AI në rrjedhën e punës CFD
Një ekzekutim CFD përbëhet nga afërsisht pesë hapa: përgatitja e gjeometrisë, gjenerimi i rrjetës, konfigurimi i zgjidhësit, ekzekutimi dhe përpunimi pas. AI ndihmon ndryshe në çdo hap, por nuk e ka fjalën e fundit për asnjërin prej tyre.
Në gjenerimin e rrjetës, AI mund të llogarisë afërsisht lartësinë fillestare të qelizës në lidhje me objektivin y+ për rezolucionin e shtresës kufitare. Për zgjedhjen e modelit të turbulencës (p.sh. k-omega SST) në konfigurimin e zgjidhësit, mund të sugjerojë opsione të përshtatshme për regjimin e rrjedhës, me arsyetim. Në post-përpunim, mund të shkruhet një skrip Python për të nxjerrë koeficientët e ngritjes, zvarritjes dhe momentit nga mijëra rreshta të skedarit të rezultateve dhe për të krijuar një kënd të komplotit të fshirjes së sulmit. Por nëse vlera y+ është vërtet në objektiv, nëse modeli i turbulencës i përshtatet kësaj rryme dhe nëse rezultati konvergon apo jo, kontrollohet nga syri i inxhinierit.
Vendi më i përdorur është komenti i rezultatit. Kur e pyet AI "pse prishet ajo kurbë CL-alfa në 14 gradë", ajo të kujton mundësinë e ngecjes (rrjedha ndahet nga krahu ndërsa këndi i sulmit rritet dhe ngritja zvogëlohet) dhe rendit treguesit e ndarjes së rrjedhës që duhet të kontrolloni. Ky është një gjenerues hipotezash; Konfirmimi është sërish në të dhëna.
Kujdes: AI mund të interpretojë rrjedhshëm një rezultat CFD, por nëse vetë rezultati është i gabuar, interpretimi gjithashtu do të jetë i gabuar. Fjalia "Kjo vlerë zvarritëse është e arsyeshme" nuk do të thotë asgjë nëse zgjidhja nuk konvergon. Së pari kontrolloni vlefshmërinë e numrit, pastaj komentin.
Modelet zëvendësuese: Skanimi i hapësirës së projektimit në sekonda
Logjika e krijimit të një modeli zëvendësues është e thjeshtë. Së pari, një kampion i zgjedhur me kujdes (p.sh. 40-80 pikë projektimi; dizajni eksperimental shpërndahet nga DoE) llogaritet me CFD-në e plotë. Pastaj një model i mësimit të makinerive (regresioni/kriging i procesit Gaussian, funksioni i bazës radiale ose rrjeti nervor) trajnohet me këto çifte hyrje-dalje. Modeli tani parashikon CL/CD për një gjeometri të re në sekonda. Mijëra kandidatë ekzaminohen me këtë model të lirë dhe 3-5 kandidatët me pamje më të mirë rillogariten dhe verifikohen me një CFD të plotë.
Pika kritike këtu është intervali i besimit. Modele si Kriging ofrojnë jo vetëm një parashikim, por edhe sa të sigurt janë ata në atë parashikim (pasiguri). Pasiguria rritet në zonat larg pikave të trajnimit; Atje, një pikë e re CFD shtohet në vend që t'i besohet verbërisht modelit. Ky cikli i "shtimit të mostrës së re ku pasiguria është e lartë" njihet si mësim aktiv dhe skanon në mënyrë efikase hapësirën e madhe me një numër të vogël ekzekutimesh të shtrenjta.
Metoda
Kostoja e një pike projektimi
saktësi
kur
CFD e plotë (RANS)
orë
lartë
Verifikimi përfundimtar, numër i vogël kandidatësh
Modeli zëvendësues (kriging)
sekonda
Mesatar-i lartë (në fushën e arsimit)
Skanim i hapësirës së madhe, optimizim
Paneli/metoda e rendit të ulët
sekonda-minuta
të ulët-mesatare
Eliminimi shumë herët, ide e përafërt
tuneli i erës
ditë-javë
më e larta (e vërtetë)
Verifikimi kritik, vërtetimi
Këshillë: Mos përdorni kurrë modelin zëvendësues jashtë gamës së mbuluar nga të dhënat e trajnimit (ekstrapolim). Nëse modeli është trajnuar me një kënd sulmi 5-15 gradë, vlera që jep në 25 gradë nuk është një parashikim, por një fabrikim. Kërkimi i AI-së që të "shkruajë diapazonin e trajnimit dhe të refuzojë pyetjet jashtë kufijve" gjatë ndërtimit të modelit mbyll këtë kurth.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
A është e mirë kjo fletë ajrore? Interpretoni rezultatin tim të CFD: CD=0.009.
Njoftim i fuqishëm:
Roli: Ju jeni një konsulent i analizave aerodinamike; ju aplikoni verifikimin kritik të sigurisë. Konteksti: Analiza RANS CFD e 2D me fletë ajrore (vlerat janë përfaqësuese): Re=1.5e6, Mach=0.2, këndi i sulmit 4°, modeli i turbulencës k-omega SST. Rezultati: CL=0.62, CD=0.0091. Rrjeti: 180k qeliza, y+ ~1. Detyra:1) Listoni hapat e verifikimit që duhet të kontrolloj përpara se të konsideroj rezultatin të vlefshëm (konvergjenca, pavarësia e rrjetit, y+).2) Llogaritni raportin CL/CD dhe krahasojeni me diapazonin tipik për këtë klasë të profilit.3) Trego burimet e mundshme të gabimit nëse vlera duket e dyshimtë: Writestraint;int; Shënoni ku nuk jeni të sigurt; Mos bëni një gjykim përfundimtar "mirë/keq", jepni një plan verifikimi.
Modele Prompt të kopjueshëm
Modeli 1 - Arsyetimi i konfigurimit të CFD:
Jepni rekomandimin e konfigurimit të CFD për gjendjen e mëposhtme të rrjedhës (vlerat përfaqësuese): Re=[...], Mach=[...], gjeometri=[...]. Më sugjeroni arsyet e mëposhtme: opsionet e përshtatshme të modelit të turbulencës, objektivi y+ për shtresën kufitare dhe llogaritja fillestare e lartësisë së qelizës, kushtet kufitare. Për çdo zgjedhje, shtoni një shënim "pse" dhe "në cilin rast do të ishte gabim". Shkruani njësinë e numrave.
Modeli 2 - Dizajni i eksperimenteve (DoE) dhe plani i modelit zëvendësues:
Unë kam [N] variabla të projektimit: [listë, me vargje]. Për të trajnuar një model zëvendësues: (a) sa pika të mostrës dhe çfarë metode kampionimi (p.sh. Hypercube Latin) rekomandoni; (b) cili lloj modeli zëvendësues është i përshtatshëm dhe pse; (c) si mund ta vërtetoj modelin (vleftësim i kryqëzuar, grup testimi i ndarë). Çfarë rregulli duhet të vendos kundër rrezikut të ekstrapolimit?
Modeli 3 - Skript për nxjerrjen e koeficientëve nga skedari i rezultateve CFD:
Nga një raport i forcës CFD CSV (kolonat: përsëritja, Fx, Fy, Fz) Me Python: (a) llogaritni CL dhe CD të konvergjuar duke matur mesatarisht 500 përsëritjet e fundit; (b) shkruani devijimin standard të 500 përsëritjeve të fundit dhe krahasoni atë me një prag për të kontrolluar konvergjencën; (c) Vizatoni CL-alfa për këndin e skanimit të sulmit. Caktoni zonën e referencës dhe presionin dinamik si parametra; Shpjegoni llogarinë me linjat e komenteve.
Shablloni 4 — Pyetja e besueshmërisë së parashikimit të modelit zëvendësues:
Modeli proxy kriging që trajnova dha CL=0.71, pasiguri(std) 0.02 për parashikimin e mëposhtëm; pika e pyetjes është [brenda/jashtë] gamës së trajnimit. (a) A është ky nivel i pasigurisë i mjaftueshëm për të marrë vendimin, si të vendos? (b) Nëse pasiguria është e lartë, në cilën pikë duhet të shtoj një shembull të ri CFD (logjikë aktive të të mësuarit)? (c) Kur duhet ta konfirmoj këtë parashikim me CFD të plotë?
Mini Rastet
Rasti 1 — Kapet rezultati jo i konvergjuar. Një student merr rezultatin CD=0.0065 për fletën ajrore dhe është i kënaqur; CD tipike për klasën e profilit është në rangun 0,008-0,012, rezultati duket shumë i mirë. Zbatimi i kontrollit të konvergjencës të sugjeruar nga AI tregon se koeficienti i forcës ende luhatet (devijimi standard 8% e mesatares) në përsëritjet e fundit. Kur zgjidhja konvergohet me më shumë përsëritje, ajo vendoset në CD = 0.0094. Mësimi: një rezultat "shumë i mirë" është shpesh një rezultat jo konvergjent.
Rasti 2 - Modeli surrogate përshpejtohet me 200 herë. Një ekip kryen 60 vrapime të plota CFD (~2 orë secila) për një krah me 6 parametra gjeometrikë dhe trajnon një model zëvendësues kriging. Më pas skanon 5000 konfigurime kandidatësh me modelin proxy në 40 sekonda, duke vërtetuar 4 kandidatët më të mirë me CFD të plotë. Me një total prej 64 ekzekutimesh CFD, një vlerësim i përafërt është i barabartë me 5000 ekzekutime. Kohëzgjatja zvogëlohet nga javë në dy ditë. Mësimi: ekzekutoni simulimin e shtrenjtë vetëm në pikat e vërtetimit, jo në çdo pikë.
Rasti 3 - Kurthi i ekstrapolimit. Një inxhinier i bën një pyetje ashensorit në 18 gradë një modeli zëvendësues të trajnuar me një kënd sulmi 3-12 gradë; Modeli jep një vlerë në rritje të qetë si CL=1.6. Në realitet, krahu humbet kontrollin rreth 15 gradë dhe ngritja zvogëlohet, por modeli zëvendësues e shtrin atë drejt sepse nuk e "shoh" këtë fizikë. Inxhinieri e refuzon rezultatin me një kontroll fizik të besueshmërisë (parashikimi i humbjes së ngjitjes) dhe drejton një CFD të plotë në atë zonë. Mësimi: modeli zëvendësues nuk njeh fizikë përtej gamës së tij të trajnimit.
Gabimet e zakonshme
- Nuk kontrollohet për konvergjencë. Koeficientët e një zgjidhjeje jokonvergjente janë të pakuptimtë; Bukuria e grafikut nuk është garanci për konvergjencë.
- Duke anashkaluar pavarësinë e rrjetit. Nëse rezultati varet nga rrjeti, me rrjete të ndryshme dalin përgjigje të ndryshme; Nuk mund të dihet se cila është e saktë.
- Ekstrapolimi në modelin zëvendësues. Parashikimi jashtë gamës së stërvitjes jep shtrirje matematikore, jo të vërtetë fizike.
- Injorimi i pasigurisë. Nëse informacioni i besueshmërisë së parashikimit të Kriging nuk përdoret, rajoni ku modeli ka më shumë besim dhe rajoni ku ka më pak besim trajtohen njësoj.
- Zgjedhja e modelit të turbulencës në mënyrë arbitrare. Modeli i gabuar i turbulencës e bën fizikisht të pasaktë edhe një zgjidhje të konvergjuar dhe të pavarur nga rrjeti.
Në përmbledhje
CFD është një mjet i fuqishëm por i shtrenjtë; AI e përshpejton atë nga dy vende: menaxhimi i procesit (instalimi, komenti, skripti) dhe skanimi i hapësirës së madhe të projektimit në sekonda me modele zëvendësuese. Modeli zëvendësues trajnohet me një numër të vogël ekzekutimesh të plota CFD, përdoret me një interval besimi dhe kandidatët më të mirë vërtetohen domosdoshmërisht me CFD-në e plotë. Asnjë rezultat i thjeshtë nuk pranohet pa kontrolluar konvergjencën, pavarësinë e rrjetit dhe besueshmërinë fizike. AI jep hipoteza dhe shpejtësi; Arbitri përfundimtar i fizikës janë të dhënat.
Detyra e aplikimit
Përcaktoni një skenar të ekzekutimit të CFD për një fletë ajrore ose një gjeometri të thjeshtë (përfaqësuese, jo të dhëna aktuale të projektit). Duke përdorur AI, (a) listoni hapat e vërtetimit përpara se të konsideroni rezultatin të vlefshëm, (b) printoni një skript Python që nxjerr koeficientët nga skedari i rezultatit dhe kontrolloni logjikën e tij rresht pas rreshti, (c) përgatitni një plan për të ndërtuar një model zëvendësues (sa mostra, cila metodë, si të vërtetohet). Krahasoni një rezultat me diapazonin tipik dhe vlerësoni besueshmërinë e tij.
listë kontrolli
- [ ] Unë bëra një kontroll konvergjence për çdo rezultat CFD.
- [ ] Vura në dyshim nëse u demonstrua pavarësia e rrjetit.
- [ ] Kam krahasuar koeficientët si CL/CD me diapazonin tipik të klasës.
- [ ] Kam përdorur modelin zëvendësues vetëm brenda gamës së trajnimit.
- [ ] Kam përfshirë në vendim pasigurinë e parashikimeve të modelit zëvendësues.
- [ ] Kam verifikuar kandidatët më të mirë me CFD të plotë.