人工智能在流体力学的应用
流体力学的数值仿真,即CFD,在机械、土木、采矿、医疗等领域得到广泛运用。
红牛F1赛车的空气动力学仿真(图源:ansys.com)
通常CFD仿真,需要非常强大的硬件配置,耗时很久才能完成。其根源在于,CFD仿真求解的微分方程形式复杂,数值计算的运算量极大。
流体力学微分方程的通用表达形式
如何在硬件成本、仿真速度、仿真精度之间取得平衡,成为CFD用户的重点问题。同时,在实际工作中不可避免存在多种设计方案的比较,从仿真角度来说就是重复劳动,如何提升重复工作的效率也是很重要的事项。
人工智能(AI)随着硬件性能上升和数据来源扩张而发展迅速,并在图片识别、信息安全等领域实现了商业化应用。AI如何应用于CFD,受到软件开发商、CFD用户、研究学者等利益相关方的关注。AI的处理方法以基于数理统计的概率推断为主,不涉及微分方程数值计算,从而相对于CFD求解可以实现数量级的耗时下降。
Application of Artificial Intelligence in Computational Fluid Dynamics
》,《Industrial & Engineering Chemistry Research》期刊)
目前基于AI推理的流场计算还有不少需要解决的问题,短期内AI推理不可能取代数值计算方法,成为CFD的主流模式。
不同AI模型的天气预报结果与实际气象数据对比(图源:deepmind.com)
设计过程中不可能仅考虑一种工况的影响,最终设计方案是多种工况之间设计妥协的结果。AI推理对于多种复杂工况下的设计寻优、控制策略等CFD的间接应用也有相关的应用。但整体而言,更多的是学者研究工作,实际应用于企业的较少。
设备控制逻辑的AI推理优化(图源:《Sloshing suppression with active controlled baffles through deep reinforcement learning-expert demonstrations-behavior cloning process》,《Physics of Fluids》期刊)
AI应用到实际工作场景,模型训练是必不可少的过程。通过已有的结果数据,对AI的机器学习模型进行训练,从而能够优化各类模型参数组合,保证模型的准确性。对于AI模型训练,高质量的模型数据集越多越好。
AI的CFD训练工作流程(图源:《Simulation of liquid flow with a combination artificial intelligence flow field and Adams–Bashforth method》,《Scientific Reports》期刊)
目前AI应用到CFD,无论企业界还是学界都有尝试,且有一些成功案例,例如DeepMind的天气预报。后续AI推理一定会逐渐完善,在更多领域并得到推广和商业化运用。
AI应用于通用CFD,目前主要受限于以下几个方面:
CFD的历史数据不足或其质量较差,导致AI模型的训练质量不佳
缺少具体场景中的AI模型选择标准,各类AI模型针对特定场景的优缺点不明确
部分CFD问题的理论不够完善,仿真结果不准确,AI推理更无从下手