Прибуток:
- Вміти пояснити, як штучний інтелект використовується в налаштуванні, інтерпретації результатів і створенні сурогатної моделі в процесі обчислювальної гідродинаміки (CFD).
- Можливість швидко сканувати великий простір проектування та ранжувати потенційні геометрії за допомогою сурогатних моделей на основі машинного навчання
- Можливість перевірки аеродинамічних результатів на основі штучного інтелекту за допомогою конвергенції, незалежності від мережі та критеріїв фізичної правдоподібності
Як крило створює підйомну силу, як фюзеляж розділяє повітря, як поверхня управління відхиляє потік; Аеродинаміка - це наука про ці невидимі сили. Інженер вивчає ці сили двома способами: шляхом експерименту в аеродинамічній трубі або за допомогою комп’ютерної обчислювальної динаміки рідини (CFD; Computational Fluid Dynamics, метод, який розв’язує рівняння течії чисельно в обчислювальній мережі). CFD є потужним, але дорогим: складний запуск може тривати години, навіть дні, щоб отримати одну проектну точку. Інженер, який хоче випробувати сотні дизайнів, стикається з вузьким місцем.
Штучний інтелект (ШІ) відкриває це вузьке місце у двох місцях. По-перше, у самому процесі CFD: контроль налаштування, інтерпретація результатів та звітування. По-друге, більш трансформаційним, є сурогатні моделі (модель машинного навчання, яка вивчає співвідношення вхідних даних і виходу дорогої симуляції та дає приблизний прогноз за секунди). Завдяки сурогатній моделі великий простір дизайну сканується за лічені секунди, а не за години, вибирається кілька перспективних кандидатів, і тільки вони розраховуються з повним CFD з високою точністю. У цьому підрозділі ми дотримуємося незмінного правила під час вбудовування штучного інтелекту в цей робочий процес: спрощені результати не приймаються без демонстрації конвергенції та незалежності мережі та проходження через фільтр фізичної правдоподібності.
Концепції: конвергенція: розв’язок, що встановлюється на постійному значенні в ході ітерацій; Якщо він не підходить, результат недостовірний. Незалежність сітки: результат суттєво не змінюється, коли ви посилюєте мережу облікових записів. CL/CD: Коефіцієнт підйомної сили/коефіцієнт опору; основна міра аеродинамічної ефективності. Сурогатна модель: Швидка наближена імітація моделювання.
Місце ШІ в робочому процесі CFD
Запуск CFD складається приблизно з п’яти кроків: підготовка геометрії, створення сітки, налаштування розв’язувача, виконання та постобробка. ШІ допомагає по-різному на кожному кроці, але він не має вирішального слова на жодному з них.
Під час створення сітки ШІ може приблизно обчислити початкову висоту комірки відносно цілі y+ для роздільної здатності граничного шару. Для вибору моделі турбулентності (наприклад, k-omega SST) у налаштуваннях розв’язувача він може запропонувати варіанти, що відповідають режиму потоку, з обґрунтуванням. Під час постобробки можна написати сценарій Python, щоб витягти коефіцієнти підйому, лобового опору та моменту з тисяч рядків файлу результатів і створити діаграму розгортки кута атаки. Але чи дійсно значення y+ відповідає меті, чи відповідає модель турбулентності цьому потоку та чи збігається результат чи ні, перевіряє око інженера.
Найчастіше використовується місце коментаря результату. Коли ви запитуєте AI «чому ця крива CL-альфа ламається на 14 градусах», він нагадує вам про можливість зриву (потік відривається від крила, коли кут атаки збільшується, а підйомна сила зменшується) і перелічує індикатори відриву потоку, які ви повинні перевірити. Це генератор гіпотез; Підтвердження знову в даних.
Застереження: ШІ може вільно інтерпретувати результат CFD, але якщо сам результат неправильний, інтерпретація також буде неправильною. Речення «Це значення опору прийнятне» нічого не означає, якщо рішення не збігається. Спочатку перевірте дійсність номера, потім коментар.
Сурогатні моделі: сканування простору дизайну за лічені секунди
Логіка встановлення сурогатної моделі проста. Спочатку ретельно відібраний зразок (наприклад, 40-80 проектних точок; експериментальний дизайн поширюється DoE) розраховується з повним CFD. Потім модель машинного навчання (регресія процесу Гауса/крігінг, радіальна базисна функція або нейронна мережа) навчається за допомогою цих пар введення-виведення. Тепер модель прогнозує CL/CD для нової геометрії за секунди. Тисячі кандидатів перевіряються за допомогою цієї недорогої моделі, а 3-5 найкращих кандидатів перераховуються та перевіряються за допомогою повного CFD.
Критичною точкою тут є довірчий інтервал. Такі моделі, як Kriging, забезпечують не тільки передбачення, але й те, наскільки вони впевнені в цьому передбаченні (невизначеність). Невизначеність зростає в районах, віддалених від тренувальних пунктів; Там замість сліпо довіряти моделі додається нова точка CFD. Цей цикл «додати новий зразок, де висока невизначеність» відомий як активне навчання та ефективно сканує великий простір із невеликою кількістю дорогих прогонів.
метод
Вартість одного проектного бала
точність
коли
Повний CFD (RANS)
годинник
висока
Остаточна перевірка, невелика кількість кандидатів
Сурогатна модель (кригінг)
секунд
Середньо-високий (за освітньою областю)
Сканування великого простору, оптимізація
Метод панелі/нижчого порядку
секунди-хвилини
низький-середній
Усунення занадто рано, груба ідея
аеродинамічна труба
дні-тижні
найвищий (справжній)
Критична перевірка, атестація
Порада: ніколи не використовуйте сурогатну модель за межами діапазону, охопленого навчальними даними (екстраполяція). Якщо модель була навчена з кутом атаки 5-15 градусів, значення, яке вона дає при 25 градусах, є не прогнозом, а вигадкою. Попросивши штучний інтелект «написати навчальний діапазон і відхилити запити поза межами» під час побудови моделі закриє цю пастку.
Слабка підказка / Сильна підказка
Слабка підказка:
Чи хороший цей профіль? Інтерпретуйте мій результат CFD: CD=0,009.
Потужна підказка:
Посада: Ви консультант з аеродинамічного аналізу; ви застосовуєте важливу для безпеки перевірку. Контекст: 2D-аналіз аеродинамічного профілю RANS CFD (значення репрезентативні): Re=1,5e6, Mach=0,2, кут атаки 4°, модель турбулентності k-omega SST. Результат: CL=0,62, CD=0,0091. Мережа: 180 тис. комірок, y+ ~1. Завдання: 1) Перелічити кроки перевірки, які мені потрібно перевірити, перш ніж вважати результат дійсним (конвергенція, незалежність мережі, y+). 2) Обчислити співвідношення CL/CD і порівняти з типовим діапазоном для цього класу профілю. 3) Показати можливі джерела помилок, якщо значення виглядає підозрілим. Обмеження: введіть одиницю; Позначте, де ви не впевнені; Не робіть остаточного судження «добре/погано», дайте план перевірки.
Шаблони підказок, які можна копіювати
Шаблон 1 — Обґрунтування налаштування CFD:
Надайте рекомендації щодо налаштування CFD для таких умов потоку (репрезентативні значення): Re=[...], Mach=[...], geometry=[...]. Запропонуйте мені такі причини: відповідні варіанти моделі турбулентності, цільове значення y+ для граничного шару та розрахунок початкової висоти комірки, граничні умови. Для кожного вибору додайте примітку «чому» і «в якому випадку це буде неправильно». Напишіть одиницю числення.
Шаблон 2 — План експериментів (DoE) і план сурогатної моделі:
У мене є [N] змінних дизайну: [список із діапазонами]. Щоб навчити сурогатну модель: (a) скільки точок вибірки та який метод вибірки (наприклад, латинський гіперкуб) ви рекомендуєте; (b) який тип сурогатної моделі підходить і чому; (c) як перевірити модель (перехресна перевірка, набір розділених тестів). Яке правило слід застосувати для запобігання ризику екстраполяції?
Шаблон 3 — Скрипт для отримання коефіцієнтів із файлу результатів CFD:
Зі звіту CFD Force CSV (стовпці: ітерація, Fx, Fy, Fz) За допомогою Python: (a) обчисліть конвергентні CL і CD шляхом усереднення останніх 500 ітерацій; (b) записати стандартне відхилення останніх 500 ітерацій і порівняти його з порогом для перевірки збіжності; (c) Побудуйте графік CL-альфа для сканування кута атаки. Встановіть опорну площу та динамічний тиск як параметри; Поясніть рахунок із коментарями.
Шаблон 4 — Запит на достовірність передбачення сурогатної моделі:
Проксі-модель крігінгу, яку я навчив, дала CL=0,71, невизначеність (станд.) 0,02 для наступного прогнозу; точка запиту знаходиться [всередині/за межами] навчального діапазону. (a) Чи цей рівень невизначеності достатній для прийняття рішення, як це зробити? (b) Якщо невизначеність висока, у який момент я повинен додати новий екземпляр CFD (логіка активного навчання)? (c) Коли я повинен підтвердити цей прогноз за допомогою повного CFD?
Міні-чохли
Випадок 1 — Виявлено неконвергентний результат. Студент отримує результат CD=0,0065 для профілю і в захваті; Типовий CD для профільного класу знаходиться в діапазоні 0,008-0,012, результат здається занадто хорошим. Застосування перевірки конвергенції, запропонованої штучним інтелектом, показує, що коефіцієнт сили все ще коливається (стандартне відхилення 8% від середнього) на останніх ітераціях. Коли розв’язок зближується з більшою кількістю ітерацій, він встановлюється на рівні CD = 0,0094. Урок: «занадто хороший» результат часто є незбіжним результатом.
Випадок 2 — Сурогатна модель прискорюється у 200 разів. Команда виконує 60 повних прогонів CFD (~2 години кожен) для крила з 6 геометричними параметрами та тренує сурогатну модель крігінгу. Потім він сканує 5000 конфігурацій кандидатів за допомогою проксі-моделі за 40 секунд, перевіряючи 4 найкращі кандидати за допомогою повного CFD. Із загальною кількістю 64 прогонів CFD, приблизна оцінка еквівалентна 5000 прогонів. Тривалість зменшується з тижнів до двох днів. Урок: запускайте дорогу симуляцію лише в точках перевірки, а не в кожній.
Випадок 3 — Екстраполяційна пастка. Інженер задає питання про підйом під кутом 18 градусів сурогатній моделі, натренованій з кутом атаки 3-12 градусів; Модель дає плавно зростаюче значення, наприклад CL=1,6. Насправді крило втрачає зчеплення приблизно на 15 градусів і підйомна сила зменшується, але сурогатна модель висуває його прямо, тому що не «бачить» цієї фізики. Інженер відхиляє результат за допомогою перевірки фізичної правдоподібності (передбачення втрати адгезії) і запускає повну CFD для цієї області. Урок: сурогатна модель не знає фізики за межами свого навчального діапазону.
Поширені помилки
- Не перевіряється збіжність. Коефіцієнти незбіжного розв'язку не мають сенсу; Краса графіка не є гарантією збіжності.
- Обхід незалежності мережі. Якщо результат залежить від мережі, з різними мережами виходять різні відповіді; Не можна знати, яка з них правильна.
- Екстраполяція в сурогатній моделі. Прогноз за межами навчального діапазону дає математичне розширення, а не фізичну істину.
- Ігнорування невизначеності. Якщо інформація про достовірність передбачення Кригінга не використовується, область, де модель є найбільш впевненою, і область, де вона найменш впевнена, розглядаються однаково.
- Вибір моделі турбулентності довільний. Неправильна модель турбулентності робить навіть конвергентне та незалежне від мережі рішення фізично неправильним.
Підсумовуючи
CFD є потужним, але дорогим інструментом; Штучний інтелект прискорює його з двох місць: керування процесом (інсталяція, коментар, сценарій) і сканування великого простору дизайну за секунди за допомогою сурогатних моделей. Сурогатна модель навчається за допомогою невеликої кількості повних прогонів CFD, яка використовується з довірчим інтервалом, і найкращі кандидати обов’язково перевіряються за допомогою повної CFD. Жодні спрощені результати не приймаються без перевірки конвергенції, незалежності мережі та фізичної правдоподібності. AI дає гіпотезу та швидкість; Остаточним арбітром фізики є дані.
Аплікаційне завдання
Визначте сценарій виконання CFD для аеродинамічного профілю або простої геометрії (репрезентативні, а не фактичні дані проекту). Використовуючи штучний інтелект, (a) перелічіть кроки перевірки, перш ніж вважати результат дійсним, (b) надрукуйте сценарій Python, який витягує коефіцієнти з файлу результатів і перевірте його логіку рядок за рядком, (c) підготуйте план побудови сурогатної моделі (скільки зразків, який метод, як перевірити). Порівняйте результат із типовим діапазоном і оцініть його правдоподібність.
контрольний список
- [ ] Я перевірив конвергенцію для кожного результату CFD.
- [ ] Я запитав, чи була продемонстрована незалежність мережі.
- [ ] Я порівняв такі коефіцієнти, як CL/CD, із типовим діапазоном класу.
- [ ] Я використовував сурогатну модель лише в межах навчального діапазону.
- [ ] Я врахував у рішенні невизначеність прогнозів сурогатної моделі.
- [ ] Я перевірив найкращих кандидатів із повним CFD.