AI 賦能流體模擬丨從虛擬風洞到智慧設計的實踐與案例

作者：Altair 高級技術經理 陳剛

流體模擬求解器

       HyperWorks 產品包裡面包含了通用的 CFD 工具，也就是解 NS 方程的工具，用於解決常見的管路問題、外流問題。同時也有無網格 CFD 演算法，適用于特殊的應用場景，比如空氣動力學、氣動雜訊，以及水管理。

• AcuSolve：FEM 演算法，通用熱流體分析

• ultraFluidX：LBM 演算法，虛擬風洞、車輛空氣動力學、氣動雜訊

• nanoFluidX：SPH 演算法，傳動系統潤滑、液體晃動、車輛涉水、水管理

• EletroFlo：FVM 演算法，PCB 板級，電子設備主機殼散熱模擬

• Flow Simulator：一維流動和熱網路，系統級 CFD 模擬

流體模擬建模工具

       HyperMesh CFD 和結構有限元建模工具 HyperMesh 是基於相同的系統平台開發，並集成了虛擬風洞模組 VWT，主要用於空氣動力學、氣動雜訊的建模，並集成了 CFD post 工具，以及流致雜訊信號處理。


       SimLab 是多學科整合平台，目前嵌入了3個流體求解器：AcuSolve / ElectoFlo / nanoFluidX，還包括流體拓撲優化、DOE 參數優化、流固耦合 FSI、流體+多體動力學耦合、流體+離散元耦合以及電池包熱分析、電池熱失控分析功能。

 

PhysicsAI 預測汽車風阻

       首先我們來看 AI 和汽車空氣動力學結合的案例。在汽車主機廠通常需要進行風洞實驗，模擬方法是採用虛擬風洞模擬汽車的空氣動力學，通常這類模型規模較大，並涉及多輪設計變動，需要花費很多時間建模、修改、消耗計算資源和人工。總之、實驗成本較高，模擬也不便宜。


       Altair PhysicsAI 是學科中立的，基於幾何深度學習，本質是資料驅動的，不論預測的是結構、電磁還是流體場都可以適用。在空氣動力學模擬中，我們通常關注一些氣動參數，比如阻力係數 Cd 或升力係數 Cl。


       接下來我們看一下在 PhysicsAI 中如何快速預測這些空氣動力學參數。這裡我們使用了 DrivAer 標準模型，因為是公開資料，有詳細的資料可供下載。PhysicsAI 優勢在於無需參數化，傳統參數優化需要使用者定義尺寸參數，如懸架高度、車身寬度等，而參數定義本身就會帶來約束，且整車氣動外形很難用少量參數精確表達。因此，用幾何深度學習方法預測風阻是一種較理想的方式。

 

       第一步是準備樣本。如果已有歷史資料，車身表面資料，Pressure 和 Wall Shear Stress 可直接作為訓練集。如果沒有，可以使用 HyperMesh 中的 Morph 功能進行形狀變形，比如調整後視鏡或車尾。在這個例子中，訓練集包含98個樣本，測試集20個，訓練使用了1張 A100 GPU，峰值顯存消耗23G，訓練時間13小時，但預測速度僅需幾十秒。


       訓練完成後，形成一個 AI 代理模型，用於快速預測空氣動力學性能。預測時只需輸入表面網格或 CAD 資料，輸出為 h3d 格式的模擬結果，在 CFD-Post 模組中可以查看表面壓力、剪切力，並通過輸入參考速度等參數計算氣動係數。

 

       整個流程並不複雜：準備訓練集、進行訓練、再做預測。結果顯示。預測值與求解器計算值存在一定偏差，我們使用平均絕對誤差（MAE）評估預測精度。除了積分值 Cd，還可以預測風阻發展曲線，即在 CFD post 工具中沿車身長度切多個截面，每個截面的風阻貢獻累加得到風阻發展曲線，曲線末端即為總風阻係數。


       預測存在誤差的原因包括超參數的設置、樣本數量和品質，以及雜訊點（outlier）的影響。儘管訓練樣本還不夠充分，但整體趨勢已經相當不錯。

 

PhysicsAI 預測風扇雜訊

       接下來是風扇性能預測案例，可預測雲圖或性能參數如流量和雜訊。通過 HyperStudy 對風扇角度、厚度等參數進行 DOE 設計變動，用 ultraFluidX 計算產生樣本。80%樣本用於訓練，20%樣本用於測試。CFD 計算使用4張 A100，單個風扇雜訊模型2.5億個格子，計算13小時。預測使用 RTX3050，僅需13秒，得到的曲線非常接近。

romAI 預測齒輪箱溫度

       另一個工具是 romAI，它是一種降階模型工具，使用多層感知網路進行狀態預測。分析物件是齒輪箱攪油分析，採用 nanoFluidX 兩相流模型計算，單個模型在 A100 GPU 上需12小時。我們使用5個樣本點訓練齒輪表面的對流換熱係數（HTC）。選擇樣本時需覆蓋整個運行區域，包括潤滑油油量和齒輪轉速的變化範圍。romAI 不預測雲圖，僅預測物理量變化的時間歷程，因此訓練成本較低，預測速度是模擬的130倍。

 

       通過模型降價，形成 FMU 格式的 AI 代理模型，嵌入 Activate 一維系統模型，實現快速部署和溫度預測。使用者只需輸入齒輪轉速，潤滑油量和環境溫度即可即時預測齒輪溫度。

 

根據應用場景選擇 AI 工具

       根據應用場景選擇工具：若需場值預測，可使用 PhysicsAI，訓練成本取決於樣本數量和網格規模，可能需幾小時到幾天，大模型訓練 GPU 加速效果顯著；若需時間歷程預測，如溫度變化，力的變化曲線等等，可使用 romAI，且訓練好的降價模型 FMU 檔可部署在系統級模擬模型中進行快速預測。


       以上是計算流體力學相關的一些 AI 案例介紹，謝謝大家。

資料提供 : Altair