Lợi nhuận:
- Có thể giải thích cách sử dụng AI trong thiết lập, giải thích kết quả và tạo mô hình thay thế trong quy trình động lực học chất lỏng tính toán (CFD).
- Khả năng quét nhanh một không gian thiết kế lớn và xếp hạng hình học ứng viên bằng các mô hình thay thế dựa trên máy học
- Khả năng xác thực các kết quả đầu ra khí động học được hỗ trợ bởi AI với các tiêu chí hội tụ, độc lập mạng và tính hợp lý về mặt vật lý
Cách một cánh tạo ra lực nâng, thân máy bay phân chia không khí như thế nào, bề mặt điều khiển làm chệch hướng dòng chảy như thế nào; Khí động học là khoa học về những lực vô hình này. Kỹ sư tìm hiểu các lực này theo hai cách: bằng thí nghiệm trong hầm gió hoặc bằng động lực học chất lỏng tính toán trên máy tính (CFD; Động lực học chất lỏng tính toán, một phương pháp giải phương trình dòng chảy bằng số trên mạng tính toán). CFD mạnh mẽ nhưng đắt tiền: một quá trình chạy phức tạp có thể mất hàng giờ, thậm chí nhiều ngày, mang lại một điểm thiết kế duy nhất. Người kỹ sư muốn thử hàng trăm thiết kế sẽ gặp phải nút thắt ở đây.
Trí tuệ nhân tạo (AI) mở nút thắt này ở hai nơi. Đầu tiên, trong chính quy trình CFD: kiểm soát thiết lập, giải thích kết quả và báo cáo. Thứ hai, và có tính biến đổi cao hơn, là các mô hình thay thế (mô hình máy học tìm hiểu mối quan hệ đầu vào-đầu ra của một mô phỏng đắt tiền và đưa ra dự đoán gần đúng tính bằng giây). Nhờ mô hình thay thế, một không gian thiết kế lớn được quét trong vài giây thay vì hàng giờ, một số ứng viên có triển vọng được chọn và chỉ họ được tính toán với CFD đầy đủ với độ chính xác cao. Trong phần này, chúng tôi duy trì quy tắc bất biến khi nhúng AI vào quy trình làm việc này: không có kết quả hợp lý nào được chấp nhận mà không thể hiện tính hội tụ và tính độc lập của mạng cũng như vượt qua bộ lọc về tính hợp lý về mặt vật lý.
Các khái niệm: Sự hội tụ: Giải pháp đạt một giá trị không đổi khi quá trình lặp diễn ra; Nếu nó không phù hợp, kết quả là không đáng tin cậy. Tính độc lập của lưới: Kết quả không thay đổi đáng kể khi bạn thắt chặt mạng lưới tài khoản. CL/CD: Hệ số nâng/hệ số cản; thước đo cơ bản về hiệu quả khí động học. Mô hình thay thế: Bắt chước mô phỏng gần đúng nhanh chóng.
Vị trí của AI trong quy trình làm việc CFD
Quá trình chạy CFD bao gồm khoảng năm bước: chuẩn bị hình học, tạo lưới, thiết lập bộ giải, chạy và xử lý hậu kỳ. AI trợ giúp khác nhau ở mỗi bước, nhưng nó không có tiếng nói cuối cùng về bất kỳ bước nào trong số đó.
Trong quá trình tạo lưới, AI có thể tính toán đại khái chiều cao ô ban đầu so với mục tiêu y+ để phân giải lớp ranh giới. Để lựa chọn mô hình nhiễu loạn (ví dụ: k-omega SST) trong thiết lập bộ giải, nó có thể đề xuất các tùy chọn phù hợp với chế độ dòng chảy, kèm theo sự biện minh. Trong quá trình xử lý hậu kỳ, người ta có thể viết một tập lệnh Python để trích xuất các hệ số nâng, kéo và mô men từ hàng nghìn dòng tệp kết quả và tạo ra một biểu đồ quét góc tấn công. Nhưng liệu giá trị y+ có thực sự đạt mục tiêu hay không, liệu mô hình nhiễu loạn có phù hợp với luồng này hay không và liệu kết quả có hội tụ hay không đều được kiểm tra bằng con mắt của kỹ sư.
Nơi được sử dụng thường xuyên nhất là bình luận kết quả. Khi bạn hỏi AI "tại sao đường cong CL-alpha đó lại đứt ở 14 độ", nó sẽ nhắc bạn về khả năng bị đình trệ (dòng chảy tách khỏi cánh khi góc tấn tăng và lực nâng giảm) và liệt kê các chỉ báo phân tách dòng mà bạn nên kiểm tra. Đây là một trình tạo giả thuyết; Sự xác nhận một lần nữa nằm trong dữ liệu.
Thận trọng: AI có thể diễn giải kết quả CFD một cách trôi chảy, nhưng nếu bản thân kết quả đó sai thì việc diễn giải cũng sẽ sai. Câu “Giá trị kéo này hợp lý” chẳng có ý nghĩa gì nếu nghiệm không hội tụ. Đầu tiên hãy kiểm tra tính hợp lệ của số, sau đó là nhận xét.
Mô hình thay thế: Quét không gian thiết kế trong vài giây
Logic của việc thiết lập một mô hình thay thế rất đơn giản. Đầu tiên, một mẫu được lựa chọn cẩn thận (ví dụ: 40-80 điểm thiết kế; thiết kế thử nghiệm do DoE phân phối) sẽ được tính toán với toàn bộ CFD. Sau đó, một mô hình học máy (hồi quy/kriging quy trình Gaussian, hàm cơ sở xuyên tâm hoặc mạng nơ-ron) được đào tạo với các cặp đầu vào-đầu ra này. Mô hình hiện dự đoán CL/CD cho hình dạng mới chỉ trong vài giây. Hàng nghìn ứng viên được sàng lọc bằng mô hình rẻ tiền này và 3-5 ứng viên đẹp nhất sẽ được tính toán lại và xác minh bằng CFD đầy đủ.
Điểm quan trọng ở đây là khoảng tin cậy. Các mô hình như Kriging không chỉ đưa ra dự đoán mà còn cung cấp mức độ tin cậy của chúng đối với dự đoán đó (sự không chắc chắn). Sự bất ổn gia tăng ở những khu vực xa điểm đào tạo; Ở đó, một điểm CFD mới được thêm vào thay vì tin tưởng một cách mù quáng vào mô hình. Vòng lặp “thêm mẫu mới khi độ không chắc chắn cao” này được gọi là học tích cực và quét hiệu quả không gian rộng lớn với một số lần chạy tốn kém.
phương pháp
Chi phí một điểm thiết kế
độ chính xác
khi nào
CFD đầy đủ (RANS)
đồng hồ
cao
Xác minh cuối cùng, số lượng ứng viên ít
Mô hình thay thế (kriging)
giây
Trung bình-cao (trong lĩnh vực giáo dục)
Quét không gian lớn, tối ưu hóa
Phương pháp bảng điều khiển/thứ tự thấp
giây-phút
thấp-trung bình
Loại bỏ quá sớm, ý tưởng thô thiển
hầm gió
ngày-tuần
cao nhất (thực tế)
Xác minh quan trọng, chứng nhận
Mẹo: Không bao giờ sử dụng mô hình thay thế ngoài phạm vi được bao phủ bởi dữ liệu huấn luyện (ngoại suy). Nếu mô hình được huấn luyện với góc tấn 5-15 độ thì giá trị mà nó đưa ra ở 25 độ không phải là dự đoán mà là bịa đặt. Yêu cầu AI “viết phạm vi đào tạo và từ chối các truy vấn ngoài giới hạn” khi xây dựng mô hình sẽ đóng cái bẫy này.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Máy bay này có tốt không? Giải thích kết quả CFD của tôi: CD=0,009.
Lời nhắc mạnh mẽ:
Vai trò: Bạn là nhà tư vấn phân tích khí động học; bạn áp dụng xác minh quan trọng về an toàn. Bối cảnh: Phân tích RANS CFD của cánh máy bay 2D (các giá trị mang tính đại diện):Re=1,5e6, Mach=0,2, góc tấn công 4°, mô hình nhiễu loạn k-omega SST.Kết quả: CL=0,62, CD=0,0091. Mạng: 180k ô, y+ ~1.Task:1) Liệt kê các bước xác minh mà tôi cần kiểm tra trước khi xem xét kết quả hợp lệ (hội tụ, tính độc lập của mạng, y+).2) Tính tỷ lệ CL/CD và so sánh với phạm vi điển hình cho lớp cấu hình này.3) Hiển thị các nguồn lỗi có thể xảy ra nếu giá trị có vẻ đáng ngờ. Ràng buộc: Đơn vị ghi; Đánh dấu chỗ bạn không chắc chắn; Đừng đưa ra phán đoán “tốt/xấu” dứt khoát, hãy đưa ra kế hoạch xác minh.
Mẫu lời nhắc có thể sao chép
Mẫu 1 - Lý do thiết lập CFD:
Đưa ra khuyến nghị thiết lập CFD cho điều kiện dòng chảy sau (giá trị đại diện): Re=[...], Mach=[...], hình học=[...]. Đề xuất cho tôi các lý do sau: tùy chọn mô hình nhiễu loạn phù hợp, mục tiêu y+ cho lớp biên và tính toán chiều cao ô ban đầu, điều kiện biên. Đối với mỗi lựa chọn, hãy thêm ghi chú "tại sao" và "trong trường hợp đó nó sẽ sai". Viết đơn vị của số
Mẫu 2 - Thiết kế thí nghiệm (DoE) và kế hoạch mô hình thay thế:
Tôi có [N] biến thiết kế: [danh sách, có phạm vi]. Để đào tạo một mô hình thay thế: (a) bạn đề xuất bao nhiêu điểm mẫu và phương pháp lấy mẫu nào (ví dụ: Latin Hypercube); (b) loại mô hình thay thế nào phù hợp và tại sao; (c) làm cách nào để xác thực mô hình (xác thực chéo, bộ kiểm tra phân tách). Tôi nên áp dụng quy tắc nào để chống lại nguy cơ ngoại suy?
Mẫu 3 - Tập lệnh trích xuất hệ số từ tệp kết quả CFD:
Từ CSV báo cáo lực CFD (các cột: lần lặp, Fx, Fy, Fz) Với Python: (a) tính toán CL và CD hội tụ bằng cách lấy trung bình 500 lần lặp cuối cùng; (b) viết độ lệch chuẩn của 500 lần lặp cuối cùng và so sánh nó với ngưỡng để kiểm tra độ hội tụ; (c) Vẽ CL-alpha cho góc quét tấn công. Đặt vùng tham chiếu và áp suất động làm thông số; Giải thích tài khoản bằng dòng bình luận.
Mẫu 4 - Truy vấn độ tin cậy dự đoán mô hình thay thế:
Mô hình proxy kriging mà tôi đã đào tạo cho CL=0,71, độ không đảm bảo (std) 0,02 cho dự đoán sau; điểm truy vấn là [bên trong/bên ngoài] phạm vi đào tạo.(a) Mức độ không chắc chắn này có đủ để đưa ra quyết định không, tôi phải quyết định như thế nào? (b) Nếu độ không chắc chắn cao, tại thời điểm nào tôi nên thêm một phiên bản CFD mới (logic học chủ động)? (c) Khi nào tôi nên xác nhận dự đoán này với CFD đầy đủ?
Hộp đựng nhỏ
Trường hợp 1 - Kết quả không hội tụ bị bắt. Một sinh viên nhận được kết quả CD=0,0065 cho chiếc máy bay và rất vui mừng; CD điển hình cho lớp hồ sơ nằm trong khoảng 0,008-0,012, kết quả có vẻ quá tốt. Áp dụng kiểm tra độ hội tụ do AI gợi ý cho thấy hệ số lực vẫn dao động (độ lệch chuẩn 8% so với giá trị trung bình) ở những lần lặp cuối cùng. Khi nghiệm hội tụ với nhiều lần lặp hơn, nó đạt CD = 0,0094. Bài học: kết quả "quá tốt" thường là kết quả không hội tụ.
Trường hợp 2 - Mô hình thay thế tăng tốc lên 200 lần. Một nhóm chạy 60 lần chạy CFD đầy đủ (~2 giờ mỗi lần) cho một cánh có 6 thông số hình học và huấn luyện mô hình thay thế giết chết. Sau đó, nó quét 5000 cấu hình ứng viên bằng mô hình proxy trong 40 giây, xác thực 4 ứng cử viên tốt nhất với đầy đủ CFD. Với tổng số 64 lần chạy CFD, ước tính sơ bộ tương đương với 5000 lần chạy. Thời gian giảm từ vài tuần xuống còn hai ngày. Bài học: chỉ chạy mô phỏng đắt tiền tại các điểm xác thực, không phải ở mọi điểm.
Trường hợp 3 - Bẫy ngoại suy. Một kỹ sư đặt câu hỏi về độ nâng ở góc 18 độ cho một mô hình thay thế đã được huấn luyện với góc tấn 3-12 độ; Mô hình cho giá trị tăng đều như CL=1,6. Trên thực tế, cánh mất độ bám khoảng 15 độ và lực nâng giảm, nhưng mô hình thay thế kéo nó thẳng ra vì nó không "nhìn thấy" vật lý này. Kỹ sư từ chối kết quả bằng việc kiểm tra tính hợp lý về mặt vật lý (dự đoán sự mất độ bám dính) và chạy CFD đầy đủ cho khu vực đó. Bài học: mô hình thay thế không biết vật lý ngoài phạm vi đào tạo của nó.
Những lỗi thường gặp
- Không kiểm tra sự hội tụ. Các hệ số của nghiệm không hội tụ là vô nghĩa; Vẻ đẹp của đồ thị không đảm bảo cho sự hội tụ.
- Bỏ qua sự độc lập của mạng. Nếu kết quả phụ thuộc vào mạng, các câu trả lời khác nhau sẽ xuất hiện với các mạng khác nhau; Không thể biết cái nào là đúng.
- Phép ngoại suy trong mô hình thay thế. Dự đoán bên ngoài phạm vi huấn luyện mang lại sự mở rộng về mặt toán học chứ không phải sự thật vật lý.
- Bỏ qua sự không chắc chắn. Nếu thông tin về độ tin cậy của dự đoán Kriging không được sử dụng thì vùng mà mô hình có độ tin cậy cao nhất và vùng có độ tin cậy thấp nhất sẽ được xử lý như nhau.
- Lựa chọn mô hình nhiễu loạn tùy ý. Mô hình nhiễu loạn sai khiến ngay cả một giải pháp hội tụ và độc lập với mạng cũng không chính xác về mặt vật lý.
Tóm lại
CFD là một công cụ mạnh mẽ nhưng đắt tiền; AI tăng tốc nó từ hai nơi: quản lý quy trình (cài đặt, nhận xét, tập lệnh) và quét không gian thiết kế lớn trong vài giây bằng các mô hình thay thế. Mô hình thay thế được đào tạo với một số lượng nhỏ các lần chạy CFD đầy đủ, được sử dụng với khoảng tin cậy và các ứng cử viên tốt nhất nhất thiết phải được xác thực bằng CFD đầy đủ. Không có kết quả hợp lý nào được chấp nhận mà không kiểm tra sự hội tụ, tính độc lập của mạng và tính hợp lý về mặt vật lý. AI đưa ra giả thuyết và tốc độ; Trọng tài cuối cùng của vật lý là dữ liệu.
Nhiệm vụ ứng dụng
Xác định kịch bản chạy CFD cho một cánh máy bay hoặc một hình học đơn giản (dữ liệu đại diện, không phải dữ liệu dự án thực tế). Sử dụng AI, (a) liệt kê các bước xác thực trước khi xem kết quả là hợp lệ, (b) in tập lệnh Python trích xuất các hệ số từ tệp kết quả và kiểm tra từng dòng logic của nó, (c) chuẩn bị kế hoạch xây dựng mô hình thay thế (có bao nhiêu mẫu, phương pháp nào, cách xác thực). So sánh kết quả với phạm vi điển hình và đánh giá tính hợp lý của nó.
danh sách kiểm tra
- [ ] Tôi đã thực hiện kiểm tra độ hội tụ cho từng kết quả CFD.
- [ ] Tôi đặt câu hỏi liệu tính độc lập của mạng có được thể hiện hay không.
- [ ] Tôi đã so sánh các hệ số như CL/CD với phạm vi lớp điển hình.
- [ ] Tôi chỉ sử dụng mô hình thay thế trong phạm vi đào tạo.
- [ ] Tôi đã đưa ra quyết định về tính không chắc chắn của các dự đoán mô hình thay thế.
- [ ] Tôi đã xác minh những ứng viên tốt nhất với CFD đầy đủ.