Faida:
- Kuwa na uwezo wa kueleza jinsi AI inatumika katika usanidi, tafsiri ya matokeo na uundaji wa kielelezo mbadala katika mchakato wa mienendo ya maji ya komputa (CFD).
- Uwezo wa kuchanganua kwa haraka nafasi kubwa ya muundo na kupanga jiometri za mteuliwa na miundo mbadala inayotegemea kujifunza kwa mashine
- Uwezo wa kuhalalisha matokeo ya aerodynamic yenye nguvu ya AI na muunganisho, uhuru wa mtandao, na vigezo vya uwezekano wa kimwili.
Jinsi mrengo hutoa kuinua, jinsi fuselage inavyogawanyika hewa, jinsi uso wa udhibiti unavyopotosha mtiririko; Aerodynamics ni sayansi ya nguvu hizi zisizoonekana. Mhandisi hujifunza nguvu hizi kwa njia mbili: kwa majaribio katika handaki la upepo au kwa mienendo ya kiowevu cha kompyuta (CFD; Mienendo ya Kimiminiko ya Kompyuta, njia inayotatua milinganyo ya mtiririko kwa nambari kwenye mtandao wa kukokotoa). CFD ina nguvu lakini ya gharama kubwa: kukimbia tata kunaweza kuchukua saa, hata siku, kutoa hatua moja ya kubuni. Mhandisi anayetaka kujaribu mamia ya miundo anakumbana na tatizo hapa.
Akili ya Bandia (AI) hufungua kizuizi hiki katika sehemu mbili. Kwanza, katika mchakato wa CFD yenyewe: udhibiti wa kuanzisha, tafsiri ya matokeo na kuripoti. Pili, na zinazobadilika zaidi, ni miundo mbadala (mfano wa kujifunza kwa mashine ambao hujifunza uhusiano wa ingizo na matokeo ya uigaji ghali na kutoa makadirio ya ubashiri katika sekunde). Shukrani kwa mfano wa surrogate, nafasi kubwa ya kubuni inachanganuliwa kwa sekunde badala ya masaa, wagombea wachache wanaoahidi huchaguliwa, na ni wao tu wanaohesabiwa na CFD kamili kwa usahihi wa juu. Katika kitengo hiki, tunadumisha kanuni isiyoweza kubadilika tunapopachika AI katika utendakazi huu: hakuna matokeo yaliyoratibiwa yanayokubaliwa bila kuonyesha muunganisho na uhuru wa mtandao na kupita kwenye kichujio cha usahili wa kimwili.
Dhana: Muunganiko: Suluhisho likitulia kwa thamani isiyobadilika kadiri marudio yanavyoendelea; Ikiwa haifai, matokeo hayawezi kutegemewa. Uhuru wa matundu: Matokeo hayabadilika sana unapokaza mtandao wa akaunti. CL/CD: Inua mgawo / buruta mgawo; kipimo cha msingi cha ufanisi wa aerodynamic. Muundo mbadala: Uigaji wa kukadiria haraka wa uigaji.
Mahali pa AI katika mtiririko wa kazi wa CFD
Uendeshaji wa CFD una takriban hatua tano: utayarishaji wa jiometri, uundaji wa matundu, usanidi wa kisuluhishi, kukimbia, na uchakataji baada ya. AI husaidia tofauti katika kila hatua, lakini haina usemi wa mwisho kwa yeyote kati yao.
Katika utengenezaji wa matundu, AI inaweza kukokotoa takriban urefu wa kisanduku cha awali ikilinganishwa na lengo y+ la azimio la safu ya mpaka. Kwa uteuzi wa muundo wa misukosuko (k.m. k-omega SST) katika usanidi wa kitatuzi, inaweza kupendekeza chaguo zinazofaa kwa utaratibu wa mtiririko, na uhalali. Katika uchakataji baada ya kuchakata, mtu anaweza kuandika hati ya Chatu ili kutoa kiinua mgongo, kuburuta, na muda mgawo kutoka kwa maelfu ya mistari ya faili ya matokeo na kuunda pembe ya njama ya kufagia mashambulizi. Lakini ikiwa thamani ya y+ iko kwenye lengo, ikiwa muundo wa mtikisiko unalingana na mtiririko huu, na ikiwa matokeo yanaunganika au la inaangaliwa na jicho la mhandisi.
Mahali pa kutumika mara nyingi ni maoni ya matokeo. Unapouliza AI "kwa nini curve ya CL-alpha inavunjika kwa digrii 14", inakukumbusha uwezekano wa duka (mtiririko hutengana na bawa kadiri pembe ya shambulio inavyoongezeka na kuinua kupungua) na kuorodhesha viashiria vya utengano wa mtiririko unapaswa kuangalia. Hii ni jenereta ya nadharia; Uthibitishaji uko tena kwenye data.
Tahadhari: AI inaweza kutafsiri matokeo ya CFD kwa ufasaha, lakini ikiwa matokeo yenyewe si sahihi, tafsiri pia itakuwa mbaya. Sentensi "Thamani hii ya kuburuta ni sawa" haimaanishi chochote ikiwa suluhisho halitaungana. Kwanza angalia uhalali wa nambari, kisha maoni.
Miundo ya Surrogate: Inachanganua Nafasi ya Ubunifu kwa Sekunde
Mantiki ya kuanzisha mfano wa surrogate ni rahisi. Kwanza, sampuli iliyochaguliwa kwa uangalifu (k.m. pointi za kubuni 40-80; muundo wa majaribio unasambazwa na DoE) huhesabiwa kwa CFD kamili. Kisha muundo wa kujifunza kwa mashine (urekebishaji wa mchakato wa Gaussian/kriging, utendaji kazi wa msingi wa radial au mtandao wa neva) hufunzwa kwa jozi hizi za ingizo-towe. Mfano sasa unatabiri CL/CD kwa jiometri mpya kwa sekunde. Maelfu ya watahiniwa hukaguliwa kwa mtindo huu wa bei nafuu, na watahiniwa 3-5 wanaoonekana bora zaidi huhesabiwa upya na kuthibitishwa kwa CFD kamili.
Jambo muhimu hapa ni muda wa kujiamini. Miundo kama Kriging haitoi utabiri tu, bali pia jinsi wanavyojiamini katika utabiri huo (kutokuwa na uhakika). Kutokuwa na uhakika hukua katika maeneo yaliyo mbali na sehemu za mafunzo; Huko, nukta mpya ya CFD inaongezwa badala ya kuamini kwa upofu mfano huo. Kitanzi hiki cha "ongeza sampuli mpya ambapo kutokuwa na uhakika ni juu" kinajulikana kama ujifunzaji amilifu na huchanganua nafasi kubwa kwa ufanisi na idadi ndogo ya uendeshaji ghali.
Mbinu
Gharama ya hatua moja ya kubuni
usahihi
lini
CFD Kamili (RANS)
saa
juu
Uthibitishaji wa mwisho, idadi ndogo ya watahiniwa
Mfano mbadala (kriging)
sekunde
Wastani wa juu (katika eneo la elimu)
Uchanganuzi wa nafasi kubwa, uboreshaji
Paneli/njia ya utaratibu wa chini
sekunde-dakika
chini-kati
Kuondoa mapema sana, wazo mbaya
njia ya upepo
siku-wiki
juu (halisi)
Uthibitishaji muhimu, udhibitisho
Kidokezo: Usiwahi kutumia modeli mbadala nje ya masafa yaliyojumuishwa na data ya mafunzo (extrapolation). Ikiwa mfano huo ulifundishwa na angle ya mashambulizi ya digrii 5-15, thamani ambayo inatoa kwa digrii 25 sio utabiri, bali ni utengenezaji. Kuuliza AI "kuandika safu ya mafunzo na kukataa hoja nje ya mipaka" wakati wa kuunda muundo hufunga mtego huu.
Agizo dhaifu / Ukumbusho thabiti
Agizo dhaifu:
Je, foil hii ni nzuri? Tafsiri matokeo yangu ya CFD: CD=0.009.
Agizo lenye nguvu:
Jukumu: Wewe ni mshauri wa uchambuzi wa aerodynamic; unatumia uthibitishaji muhimu wa usalama. Muktadha: Uchanganuzi wa foil ya 2D ya RNS CFD (thamani ni wakilishi):Re=1.5e6, Mach=0.2, angle ya mashambulizi 4°, mtindo wa misukosuko k-omega SST.Matokeo: CL=0.62, CD=0.0091. Mtandao: seli 180k, y+ ~1.Kazi:1) Orodhesha hatua za uthibitishaji ninazohitaji kuangalia kabla ya kuzingatia matokeo halali (muunganisho, uhuru wa mtandao, y+).2) Kokotoa uwiano wa CL/CD na ulinganishe na masafa ya kawaida ya darasa hili la wasifu.3) Onyesha vyanzo vinavyowezekana vya makosa ikiwa thamani inaonekana ya kutiliwa shaka.Kizuizi: Kipimo cha kuandika; Weka alama mahali ambapo huna uhakika; Usitoe uamuzi wa uhakika "nzuri/mbaya", toa mpango wa uthibitishaji.
Violezo vya haraka vinavyoweza kunakiliwa
Kiolezo cha 1 - Hoja ya usanidi wa CFD:
Toa mapendekezo ya usanidi wa CFD kwa hali ifuatayo ya mtiririko (thamani wakilishi): Re=[...], Mach=[...], jiometri=[...]. Nipendekeze sababu zifuatazo: chaguo zinazofaa za muundo wa mtikisiko, lengwa y+ kwa safu ya mpaka na hesabu ya awali ya urefu wa seli, masharti ya mipaka. Kwa kila chaguo, ongeza kidokezo cha "kwa nini" na "katika hali ambayo itakuwa mbaya." Andika kitengo cha nambari.
Kiolezo cha 2 — Muundo wa majaribio (DoE) na mpango wa mfano mbadala:
Nina [N] anuwai za muundo: [orodha, na safu]. Kufunza modeli mbadala: (a) ni alama ngapi za sampuli na ni njia gani ya sampuli (k.m. Hypercube ya Kilatini) unapendekeza; (b) ni aina gani ya modeli mbadala inafaa na kwa nini; (c) ninawezaje kuhalalisha mfano (uthibitisho wa msalaba, seti ya mtihani wa mgawanyiko). Ninapaswa kuweka sheria gani dhidi ya hatari ya kuhamishwa?
Kiolezo cha 3 - Hati ya kutoa mgawo kutoka kwa faili ya matokeo ya CFD:
Kutoka kwa ripoti ya nguvu ya CFD CSV (safu wima: iteration, Fx, Fy, Fz) Pamoja na Python: (a) hesabu convergedCL na CD kwa wastani wa marudio 500 ya mwisho; (b) kuandika mkengeuko wa kawaida wa marudio 500 ya mwisho na ulinganishe na kizingiti ili kuangalia muunganiko; (c) Plot CL-alpha kwa pembe ya scan ya mashambulizi. Weka eneo la kumbukumbu na shinikizo la nguvu kama vigezo; Eleza akaunti na mistari ya maoni.
Kiolezo cha 4 - Hoja ya uaminifu ya utabiri wa mfano:
Mfano wa proksi ya kriging niliyofunza ilitoa CL=0.71, kutokuwa na uhakika(std) 0.02 kwa utabiri ufuatao; hoja ni [ndani/nje] safu ya mafunzo.(a) Je, kiwango hiki cha kutokuwa na uhakika kinatosha kufanya uamuzi, nitaamua vipi? (b) Ikiwa kutokuwa na uhakika ni juu, ni wakati gani ninapaswa kuongeza mfano mpya wa CFD (mantiki amilifu ya kujifunza)? (c) Je, ni lini ninapaswa kuthibitisha utabiri huu kwa CFD kamili?
Kesi Ndogo
Kesi ya 1 - Matokeo ambayo hayajaunganishwa yamenaswa. Mwanafunzi anapata matokeo CD=0.0065 kwa foil na anafurahi; CD ya kawaida ya darasa la wasifu iko katika safu ya 0.008-0.012, matokeo yanaonekana kuwa mazuri sana. Utumiaji wa ukaguzi wa muunganisho uliopendekezwa na AI huonyesha kuwa nguvu ya mgawo bado inazunguka (mkengeuko wa kawaida wa 8% ya wastani) katika marudio ya mwisho. Wakati suluhisho linaunganishwa na marudio zaidi, hutulia kwa CD = 0.0094. Somo: matokeo "nzuri sana" mara nyingi huwa ni matokeo ambayo hayajaunganishwa.
Kesi ya 2 - Muundo wa ziada huongezeka kwa mara 200. Timu inaendesha mikimbio 60 kamili za CFD (~saa 2 kila moja) kwa bawa yenye vigezo 6 vya jiometri na kutoa mafunzo kwa modeli mbadala ya kriging. Kisha huchanganua usanidi wa watahiniwa 5000 kwa kutumia kielelezo cha seva mbadala katika sekunde 40, ikithibitisha watahiniwa 4 bora kwa kutumia CFD kamili. Kwa jumla ya mikimbio 64 ya CFD, makadirio mabaya ni sawa na mikimbio 5000. Muda hupungua kutoka kwa wiki hadi siku mbili. Somo: endesha simulation ya gharama kubwa tu katika sehemu za uthibitishaji, sio katika kila hatua.
Kesi ya 3 - Mtego wa ziada. Mhandisi anauliza swali la kuinua kwa digrii 18 kwa mfano mbadala aliyefunzwa na angle ya digrii 3-12 ya mashambulizi; Mfano unatoa thamani inayoongezeka vizuri kama vile CL=1.6. Kwa kweli, bawa hupoteza kushikilia karibu digrii 15 na kuinua hupungua, lakini mfano wa mbadala huipanua moja kwa moja kwa sababu "haioni" fizikia hii. Mhandisi anakataa matokeo kwa kuangalia uwezekano wa kimwili (kutarajia kupoteza kwa wambiso) na anaendesha CFD kamili kwa eneo hilo. Somo: mfano mbadala haujui fizikia zaidi ya safu yake ya mafunzo.
Makosa ya kawaida
- Si kuangalia kwa muunganisho. Coefficients ya suluhisho isiyounganishwa haina maana; Uzuri wa grafu sio dhamana ya muunganisho.
- Kukwepa uhuru wa mtandao. Ikiwa matokeo inategemea mtandao, majibu tofauti hutoka na mitandao tofauti; Haiwezi kujulikana ni ipi iliyo sahihi.
- Extrapolation katika modeli mbadala. Utabiri nje ya safu ya mafunzo hutoa ugani wa hisabati, sio ukweli halisi.
- Kupuuza kutokuwa na uhakika. Iwapo taarifa ya kujiamini ya utabiri wa Kriging haitatumika, eneo ambalo kielelezo kinajiamini zaidi na eneo ambalo halijiamini huchukuliwa vivyo hivyo.
- Kuchagua mtindo wa misukosuko kiholela. Mtindo mbaya wa misukosuko hufanya hata suluhu iliyounganishwa na inayotegemea mtandao kuwa isiyo sahihi.
Kwa muhtasari
CFD ni chombo chenye nguvu lakini cha gharama kubwa; AI huiharakisha kutoka sehemu mbili: usimamizi wa mchakato (usakinishaji, maoni, hati) na utambazaji wa nafasi kubwa ya muundo kwa sekunde na mifano mbadala. Mtindo mbadala umefunzwa kwa idadi ndogo ya mikimbio kamili ya CFD, inayotumiwa kwa muda wa kujiamini, na wagombeaji bora ni lazima waidhinishwe na CFD kamili. Hakuna matokeo yaliyoratibiwa yanayokubaliwa bila kuangalia muunganisho, uhuru wa mtandao, na usadikisho wa kimwili. AI inatoa hypothesis na kasi; Msuluhishi wa mwisho wa fizikia ni data.
Jukumu la maombi
Fafanua hali ya uendeshaji wa CFD kwa foil au jiometri rahisi (mwakilishi, sio data halisi ya mradi). Kwa kutumia AI, (a) orodhesha hatua za uthibitishaji kabla ya kuzingatia matokeo kuwa halali, (b) chapisha hati ya Python ambayo hutoa coefficients kutoka kwa faili ya matokeo na angalia mstari wake wa mantiki kwa mstari, (c) tayarisha mpango wa kuunda mfano wa surrogate (sampuli ngapi, ni njia gani, jinsi ya kuhalalisha). Linganisha tokeo na safu ya kawaida na utathmini usadikisho wake.
orodha ya ukaguzi
- [ ] Nilifanya ukaguzi wa muunganisho kwa kila matokeo ya CFD.
- [ ] Nilihoji ikiwa uhuru wa mtandao ulionyeshwa.
- [ ] Nililinganisha coefficients kama vile CL/CD na safu ya kawaida ya darasa.
- [ ] Nilitumia modeli mbadala pekee ndani ya safu ya mafunzo.
- [ ] Niliweka katika uamuzi kutokuwa na uhakika wa utabiri wa mfano mbadala.
- [ ] Nilithibitisha wagombeaji bora kwa CFD kamili.