Добици:
- Бити у стању да објасни како се АИ користи у подешавању, интерпретацији резултата и генерисању сурогат модела у процесу рачунарске динамике флуида (ЦФД).
- Способност брзог скенирања великог простора за дизајн и рангирања геометрија кандидата помоћу сурогат модела заснованих на машинском учењу
- Способност валидације аеродинамичких излаза са АИ са конвергенцијом, независношћу од мреже и критеријумима физичке веродостојности
Како крило производи узгон, како труп раздваја ваздух, како контролна површина одбија проток; Аеродинамика је наука о овим невидљивим силама. Инжењер учи ове силе на два начина: експериментом у аеротунелу или компјутерском рачунарском динамиком флуида (ЦФД; Цомпутатионал Флуид Динамицс, метода која нумерички решава једначине протока на рачунарској мрежи). ЦФД је моћан, али скуп: сложени рад може трајати сатима, чак и данима, дајући једну тачку дизајна. Инжењер који жели да испроба стотине дизајна овде наилази на уско грло.
Вештачка интелигенција (АИ) отвара ово уско грло на два места. Прво, у самом ЦФД процесу: контрола подешавања, интерпретација резултата и извештавање. Други, и више трансформативни, су сурогат модели (модел машинског учења који учи однос улаз-излаз скупе симулације и даје приближно предвиђање у секундама). Захваљујући сурогат моделу, велики простор за дизајн се скенира у секундама уместо у сатима, бира се неколико перспективних кандидата, а само они се рачунају са пуним ЦФД-ом са високом прецизношћу. У овој јединици одржавамо непроменљиво правило када уграђујемо АИ у овај ток посла: никакви поједностављени резултати се не прихватају без демонстрације конвергенције и независности мреже и проласка кроз филтер физичке веродостојности.
Концепти: Конвергенција: Решење се поставља на константну вредност како итерације напредују; Ако се не уклапа, резултат је непоуздан. Независност мреже: Резултат се не мења значајно када затегнете мрежу налога. ЦЛ/ЦД: Коефицијент подизања / коефицијент отпора; основна мера аеродинамичке ефикасности. Сурогат модел: Брза приближна имитација симулације.
Место АИ у ЦФД радном току
ЦФД рад се састоји од отприлике пет корака: припрема геометрије, генерисање мреже, подешавање решавача, покретање и накнадна обрада. АИ помаже различито на сваком кораку, али нема коначну реч ни о једном од њих.
У генерисању мреже, АИ може грубо да израчуна почетну висину ћелије у односу на и+ циљ за резолуцију граничног слоја. За избор модела турбуленције (нпр. к-омега ССТ) у подешавању решавача, може предложити опције које одговарају режиму протока, са оправдањем. У накнадној обради, може се написати Питхон скрипт за издвајање коефицијената подизања, повлачења и момента из хиљада редова датотеке резултата и креирања дијаграма угла напада. Али да ли је вредност и+ заиста на циљу, да ли модел турбуленције одговара овом току и да ли се резултат конвергира или не, проверава инжењерско око.
Најчешће коришћено место је коментар резултата. Када питате АИ „зашто се та ЦЛ-алфа крива ломи на 14 степени“, он вас подсећа на могућност застоја (ток се одваја од крила како се угао напада повећава, а подизање смањује) и наводи индикаторе раздвајања протока које треба да проверите. Ово је генератор хипотеза; Потврда је поново у подацима.
Опрез: АИ може течно да тумачи ЦФД резултат, али ако је сам резултат погрешан, интерпретација ће такође бити погрешна. Реченица „Ова вредност повлачења је разумна“ не значи ништа ако се решење не конвергира. Прво проверите валидност броја, па онда коментар.
Сурогат модели: скенирање простора за дизајн у секунди
Логика успостављања сурогат модела је једноставна. Прво, пажљиво одабран узорак (нпр. 40-80 тачака дизајна; експериментални дизајн дистрибуира ДоЕ) се израчунава са пуним ЦФД-ом. Затим се модел машинског учења (Гаусов процес регресије/кригинг, радијална базна функција или неуронска мрежа) обучава са овим улазно-излазним паровима. Модел сада предвиђа ЦЛ/ЦД за нову геометрију за неколико секунди. Хиљаде кандидата се прегледају овим јефтиним моделом, а 3-5 кандидата који изгледају најбоље се прерачунавају и верифицирају пуним ЦФД-ом.
Критична тачка овде је интервал поверења. Модели као што је Кригинг пружају не само предвиђање, већ и колико су сигурни у то предвиђање (неизвесност). Неизвесност расте у областима удаљеним од тачака обуке; Тамо се додаје нова ЦФД тачка уместо слепо поверења у модел. Ова петља „додавања новог узорка где је неизвесност велика“ позната је као активно учење и ефикасно скенира велики простор са малим бројем скупих серија.
Метод
Цена једне тачке дизајна
тачност
када
Потпуни ЦФД (РАНС)
сатови
висока
Коначна верификација, мали број кандидата
Сурогат модел (кригинг)
секунди
Средње висок (у области образовања)
Скенирање великог простора, оптимизација
Метода панела/ниског реда
секунди-минута
ниско-средње
Елиминација прерано, груба идеја
аеротунел
дана-недеље
највиши (стварни)
Критичка верификација, сертификација
Савет: Никада немојте користити сурогат модел изван опсега обухваћеног подацима о обуци (екстраполација). Ако је модел обучен са нападним углом од 5-15 степени, вредност коју даје на 25 степени није предвиђање, већ измишљотина. Замоливши АИ да „напише опсег за обуку и одбије упите ван граница“ приликом изградње модела затвара ову замку.
Слаби промпт / Јаки промпт
Слабо обавештење:
Да ли је овај аеропрофил добар? Протумачите мој ЦФД резултат: ЦД=0,009.
Снажан упит:
Улога: Ви сте консултант за аеродинамичку анализу; примењујете безбедносну критичну верификацију. Контекст: РАНС ЦФД анализа 2Д аеропрофила (вредности су репрезентативне): Ре=1.5е6, Мах=0.2, нападни угао 4°, модел турбуленције к-омега ССТ.Резултат: ЦЛ=0.62, ЦД=0.0091. Мрежа: 180к ћелија, и+ ~1.Задатак:1) Наведите кораке верификације које треба да проверим пре него што сматрам да је резултат валидан (конвергенција, независност мреже, и+).2) Израчунајте однос ЦЛ/ЦД и упоредите са типичним опсегом за ову класу профила.3) Прикажите могуће изворе грешке ако вредност изгледа сумњиво. Ограничење: В; Означите где нисте сигурни; Немојте доносити дефинитивну процену „добро/лоше“, дајте план верификације.
Шаблони упита који се могу копирати
Шаблон 1 — Резон о подешавању ЦФД-а:
Дајте препоруку за подешавање ЦФД-а за следеће услове протока (репрезентативне вредности): Ре=[...], Мацх=[...], геометрија=[...]. Предложите ми следеће разлоге: одговарајуће опције модела турбуленције, циљ и+ за гранични слој и почетно израчунавање висине ћелије, гранични услови. За сваки избор додајте напомену „зашто“ и „у ком случају би то било погрешно“. Напиши јединицу бројева.
Шаблон 2 — Дизајн експеримената (ДоЕ) и план сурогат модела:
Имам [Н] променљивих дизајна: [листа, са опсезима]. Да бисте обучили сурогат модел: (а) колико тачака узорка и који метод узорковања (нпр. Латинска хиперкоцка) препоручујете; (б) који тип сурогат модела је прикладан и зашто; (ц) како да потврдим модел (унакрсна провера, подељени скуп тестова). Које правило треба да наметнем против ризика од екстраполације?
Шаблон 3 — Скрипта за издвајање коефицијената из ЦФД датотеке резултата:
Из извештаја ЦФД силе ЦСВ (колоне: итерација, Фк, Фи, Фз) Са Питхон-ом: (а) израчунајте конвергирани ЦЛ и ЦД усредњавањем последњих 500 итерација; (б) напишите стандардну девијацију последњих 500 итерација и упоредите је са прагом за проверу конвергенције; (ц) Нацртајте ЦЛ-алфа за скенирање нападног угла. Поставите референтну област и динамички притисак као параметре; Објасните налог редовима за коментаре.
Шаблон 4 — Упит за поузданост предвиђања сурогатног модела:
Кригинг проки модел који сам тренирао дао је ЦЛ=0,71, несигурност(стд) 0,02 за следеће предвиђање; тачка упита је [унутар/ван] опсега обуке. (а) Да ли је овај ниво несигурности довољан да донесем одлуку, како да одлучим? (б) Ако је неизвесност велика, у ком тренутку треба да додам нову ЦФД инстанцу (логика активног учења)? (ц) Када треба да потврдим ово предвиђање са пуним ЦФД-ом?
Мини Цасес
Случај 1 — Неконвергирани резултат је ухваћен. Ученик добија резултат ЦД=0,0065 за аеропрофил и одушевљен је; Типичан ЦД за класу профила је у опсегу 0,008-0,012, резултат се чини превише добрим. Примена провере конвергенције коју је предложио АИ показује да коефицијент силе још увек осцилира (стандардна девијација 8% средње вредности) у последњим итерацијама. Када се решење конвергира са више итерација, оно се поставља на ЦД = 0,0094. Поука: „превише добар“ резултат је често неконвергиран резултат.
Случај 2 — Сурогат модел се убрзава 200 пута. Тим ради 60 пуних ЦФД трчања (~2 сата сваки) за крило са 6 геометријских параметара и тренира кригинг сурогат модел. Затим скенира 5000 конфигурација кандидата са проки моделом за 40 секунди, валидирајући најбоља 4 кандидата са пуним ЦФД-ом. Са укупно 64 ЦФД рада, груба процена је еквивалентна 5000 покретања. Трајање се смањује са недеља на два дана. Поука: покрените скупу симулацију само на тачкама валидације, не на свакој тачки.
Случај 3 — Екстраполациона замка. Инжењер поставља питање подизања на 18 степени сурогат моделу обученом са нападним углом од 3-12 степени; Модел даје глатко растућу вредност као што је ЦЛ=1,6. У стварности, крило губи приањање око 15 степени и подизање се смањује, али сурогат модел га продужава право јер не "види" ову физику. Инжењер одбацује резултат физичком провером веродостојности (предвиђање губитка адхезије) и покреће пун ЦФД на ту област. Поука: сурогат модел не познаје физику изван опсега свог тренинга.
Уобичајене грешке
- Не проверава конвергенцију. Коефицијенти неконвергираног решења су бесмислени; Лепота графика није гаранција конвергенције.
- Заобилазећи независност мреже. Ако резултат зависи од мреже, различити одговори излазе са различитим мрежама; Не може се знати која је тачна.
- Екстраполација у сурогат моделу. Предвиђање изван опсега тренинга даје математичко проширење, а не физичку истину.
- Игнорисање неизвесности. Ако се информације о поверењу Кригинговог предвиђања не користе, регион у коме је модел најпоузданији и регион у коме је најмање уверен се третирају исто.
- Произвољно бирање модела турбуленције. Погрешан модел турбуленције чини чак и конвергентно решење независно од мреже физички нетачним.
Укратко
ЦФД је моћан али скуп алат; АИ га убрзава са два места: управљање процесима (инсталација, коментар, скрипта) и скенирање великог дизајнерског простора у секунди са сурогат моделима. Сурогат модел се обучава са малим бројем пуних ЦФД серија, користи се са интервалом поверења, а најбољи кандидати се нужно валидирају са пуним ЦФД-ом. Ниједан поједностављени резултат се не прихвата без провере конвергенције, независности мреже и физичке веродостојности. АИ даје хипотезу и брзину; Коначни арбитар физике су подаци.
Задатак апликације
Дефинишите сценарио покретања ЦФД-а за аеропрофил или једноставну геометрију (репрезентативни, а не стварни пројектни подаци). Користећи АИ, (а) наведите кораке валидације пре него што сматрате да је резултат валидан, (б) одштампајте Питхон скрипту која издваја коефицијенте из датотеке резултата и проверите њену логику ред по ред, (ц) припремите план за изградњу сурогат модела (колико узорака, који метод, како потврдити). Упоредите резултат са типичним опсегом и процените његову веродостојност.
контролна листа
- [ ] Урадио сам проверу конвергенције за сваки ЦФД резултат.
- [ ] Питао сам да ли је демонстрирана независност мреже.
- [ ] Упоредио сам коефицијенте као што је ЦЛ/ЦД са типичним распоном класа.
- [ ] Користио сам сурогат модел само у опсегу тренинга.
- [ ] У одлуку сам урачунао неизвесност предвиђања сурогат модела.
- [ ] Проверио сам најбоље кандидате са пуним ЦФД-ом.