大型語言模型已成為 AI/ML 的頭版新聞，但與許多計算技術(shù)一樣，CFD 行業(yè)長期以來一直在該領(lǐng)域取得突破，而 Cadence Fidelity CFD 軟件就是其中之一。但與處理從互聯(lián)網(wǎng)上抓取的 JPEG 或文本片段不同，CFD 計算可能需要數(shù)小時，因此我們需要機器學習算法以盡可能少的輸入提供結(jié)果 - 我們談?wù)摰氖蔷哂袛?shù)十個輸入的模型，而不是數(shù)十億個參數(shù)。話雖如此，尋找最佳設(shè)計的自動化、人工智能/機器學習加速流程仍然比手動調(diào)整所有內(nèi)容快幾個數(shù)量級。

自動化設(shè)計優(yōu)化取代了手動對 CAD 模型和流動條件進行小幅修改以尋求更好設(shè)計的費力過程。與許多其他技術(shù)一樣，它不會取代工程師，而是讓工程師能夠騰出時間來完成其他任務(wù)。在這種情況下，設(shè)計工程師的重點和精力從設(shè)置和運行模擬轉(zhuǎn)移到理解和分析設(shè)計空間。由于 CFD 計算非常耗時，因此開發(fā)快速找到最佳值的高效設(shè)計空間探索方法對于使自動化設(shè)計優(yōu)化成為渦輪機械部件設(shè)計的可行技術(shù)至關(guān)重要。在本文中，

該優(yōu)化項目的目標是通過新設(shè)計對該級進行改造，以提高系統(tǒng)的功率。由于情況是我們正在用新的動力改造舊機器，因此原始機器的幾何形狀提出了新設(shè)計中必須遵守的基本約束和要求。因此，定子腔、軸承和噴嘴葉片是固定的，而葉輪葉片和轉(zhuǎn)子尖端泄漏腔是優(yōu)化的目標。

設(shè)計空間概覽

Cadence 的 Fidelity 軟件套件包括與 Concepts NREC 合作的設(shè)計工具 Fine Agile，這是一種用于渦輪機械的設(shè)計、分析和幾何生成工具。使用 Fine Agile，我們可以適當?shù)貐?shù)化設(shè)計空間并施加約束。表 1 顯示了如何對葉尖泄漏腔進行參數(shù)化，而表 2 顯示了葉片形狀的值。優(yōu)化運行期間總共調(diào)整了八個參數(shù)。

	型腔設(shè)計參數(shù)	允許范圍
1	迷宮密封齒頂寬	2-5毫米
2	迷宮密封齒不對稱	0-1
3	迷宮密封齒軸向偏移	±5毫米

表1：型腔設(shè)計空間

	型腔設(shè)計參數(shù)	允許范圍
1	迷宮密封齒頂寬	2-5毫米
2	迷宮密封齒不對稱	0-1
3	迷宮密封齒軸向偏移	±5毫米

表2：葉片設(shè)計空間

Fidelity Fine Design3D 軟件基于復(fù)雜的機器學習內(nèi)核，該內(nèi)核使用進化算法來驅(qū)動基于初始實驗設(shè)計 (DoE) 的替代模型，使其運行到保持在定義的約束范圍內(nèi)的最佳狀態(tài)。首先，通過使用提供的八個參數(shù)進行完整的 CFD 模擬來運行 DoE，并用幾個點填充設(shè)計空間。代理模型被定義為擬合這些點的響應(yīng)面。Fine Design3D 然后智能地探索這個空間，改變輸入?yún)?shù)，運行更多模擬，更新模型，并迭代細化，直到找到最佳值。

為了生成初始解決方案，根據(jù)最佳實踐設(shè)置 CFD 模擬。單次傳代生成 1.8m 細胞的低分辨率網(wǎng)格，并使用 Fine Turbo 運行模擬。使用水蒸汽作為流體，并使用 Spalart-Allmaras 湍流模型生成穩(wěn)態(tài)解。表3給出了更詳細的模擬參數(shù)。

\

圖 1：初始模擬幾何結(jié)構(gòu)

湍流模型	斯帕拉特-阿爾馬拉斯
節(jié)能燈	3
體液	水蒸汽（熱力學表）
初步解決方案	用于渦輪機械+技術(shù)效果
進口	施加總壓力和熱函，流量垂直于入口
墻壁	轉(zhuǎn)子 - 絕熱轉(zhuǎn)速 (3000rpm) 定子 - 靜態(tài)和絕熱
出口	靜壓（徑向平衡）
時間配置	穩(wěn)定的
遙控/遙控	全非匹配混合平面
輸出數(shù)量	功率、軸向推力、質(zhì)量流量、（收斂）

表3：仿真參數(shù)

LP 渦輪級的設(shè)計空間有 12 個維度。表 2 和表 3 中顯示了八個輸入，以及三個感興趣的輸出量 (QoI)：功率、軸向推力和質(zhì)量流量。最后，我們還必須考慮CFD模擬的收斂性，因為不能考慮收斂性差的結(jié)果。最初的 DoE 運行是使用 20 組輸入?yún)?shù)完成的，從而允許合理的初始空間填充。美國能源部的方差分析 (ANOVA) 顯示，感興趣的三個輸出對不同的輸入最敏感。功率受護罩出口角度的影響最大，軸向推力受輪轂出口角度的影響最大，質(zhì)量流量受輪轂出口角度和護罩入口角度的影響大致相等。在全球范圍內(nèi)，后兩個是最有影響力的參數(shù)。

模型評估

進行留一分析以評估替代模型的穩(wěn)健性。使用 19 個樣本生成的模型不應(yīng)與使用所有 20 個樣本生成的模型有顯著差異，因此使用所有 19 個元素子集重新生成模型，并且可以根據(jù)完整模型計算簡化模型的相關(guān)性。在全球范圍內(nèi)，相關(guān)系數(shù)計算如下：

軸向推力	0.987
質(zhì)量流量	0.964
力量	0.669

相關(guān)系數(shù)高于 0.6 表明該模型與數(shù)據(jù)擬合良好，并且分辨率足夠高，可以作為自動優(yōu)化的基礎(chǔ)。

可視化 DOE 空間對于考慮該優(yōu)化方案是否合理非常重要。畢竟，如果我們選擇改變對輸出影響很小或沒有影響的參數(shù)，那么現(xiàn)有最復(fù)雜的 AI/ML 內(nèi)核的加速程度將無法讓我們得到有用的結(jié)果。然而，繪制 12 維圖是不可能的。然而，對于任何空間，都可以找到一個映射，我們可以根據(jù)它生成等高線圖和熱圖。自組織映射是一種使用無監(jiān)督機器學習來查找映射的方法，該映射可確保具有相似參數(shù)的實驗集聚集在一起，并將輸入映射到使得空間拓撲在視覺上直觀。請注意，自組織映射的垂直軸和水平軸是沒有意義的。

在圖 2 中，我們看到軸向偏移 (AXIAL_OFFSET)、功率 (Restart_U_POWER) 和護罩出口角度 (SHROUD_EXITANGLE) 的自組織映射。我們看到的是，功率和護罩出口角是相關(guān)的，高頻帶和低頻帶遵循大致相同的形狀，而軸向偏移頻帶完全不相關(guān)。

圖 2：軸向偏移、功率和護罩出口角的自組織圖。重疊的紅色區(qū)域表示功率和出射角密切相關(guān)

驗證設(shè)計空間有意義后，使用替代模型和額外的 CFD 運行進行優(yōu)化。每次 CFD 運行大約需要 45 分鐘，因此最大限度地減少了完整 CFD 的使用。首先，使用計算成本低的替代模型執(zhí)行內(nèi)部優(yōu)化循環(huán)，在尊重設(shè)計約束的同時尋求最佳功效。這導(dǎo)致新的候選人被確定。然后，對候選執(zhí)行 CFD，并更新代理模型。執(zhí)行該過程直到獲得收斂。需要進行 22 次連續(xù) CFD 運行才能全面優(yōu)化設(shè)計，該過程在 24 小時內(nèi)完成。

圖3：功率優(yōu)化

結(jié)果、總結(jié)和結(jié)論

優(yōu)化后的設(shè)計比原始設(shè)計提高了近 1% 的功率。圖 4 顯示，這種改進主要是通過減少轉(zhuǎn)子吸力側(cè)的分離流區(qū)域來實現(xiàn)的。

圖 4：新設(shè)計的馬赫數(shù)等高線圖

Cadence Fidelity 軟件用于在嚴格的設(shè)計約束下設(shè)計和優(yōu)化低壓汽輪機級。Fine Agile、Fine Turbo和Fine Design3D一起使用，自動優(yōu)化設(shè)計，比之前的設(shè)計實現(xiàn)了近1%的功率提升。Fine Design3D 環(huán)境中的數(shù)據(jù)分析工具，特別是自組織地圖，被證明能夠驗證設(shè)計空間是否已正確參數(shù)化，以找到有用的最佳值。事實證明，代理建模與偶爾基于 CFD 的更新相結(jié)合能夠在 24 小時內(nèi)生成最佳解決方案。

文章來源：cadence博客