全文內容選自 Altair 區域技術交流會華東站

Altair 高級技術經理 陳剛《 AI 驅動 CFD 仿真》演講

大家好，我這次演講的主題和流體力學結合AI相關，接下來分成幾個主題進行。首先我們把 Altair CFD 的解決方案簡單介紹一下。 

1.流體仿真求解器

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

• AcuSolve：FEM 算法，通用熱-流體分析
• ultraFluidX：LBM 算法，虛擬風洞、車輛空氣動力學、氣動噪聲
• nanoFluidX： SPH 算法，傳動系統潤滑、液體晃動、車輛涉水、水管理
• EletroFlo：FVM 算法，PCB 板級，電子設備機箱散熱仿真
• Flow Simulator：一維流動和熱網絡，系統級 CFD 仿真

2.流體仿真建模工具

HyperMesh CFD 和結構有限元建模工具 HyperMesh 是基于相同的平臺開發，并集成了虛擬風洞模塊VWT，主要用于空氣動力學、氣動噪聲的建模，并集成了 CFD post 工具，以及流致噪聲信號處理。

SimLab 是多學科集成平臺，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。

3.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，仿真方法是采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，并涉及多輪設計變動，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，仿真也不便宜。

Altair PhysicsAI 是學科中立的，基于幾何深度學習，本質是數據驅動的，不論預測的是結構、電磁還是流體場都可以適用。在空氣動力學仿真中，我們通常關注一些氣動參數，比如阻力系數 Cd 或升力系數 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。這里我們使用了 DrivAer 標模，因為是公開數據，有詳細的數據可供下載。PhysicsAI 優勢在于無需參數化，傳統參數優化需要用戶定義尺寸參數，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。如果已有歷史數據，車身表面數據，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，比如調整后視鏡或車尾。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。

訓練完成后，形成一個 AI 代理模型，用于快速預測空氣動力學性能。預測時只需輸入表面網格或 CAD 數據，輸出為h3d格式的仿真結果，在 CFD-Post 模塊中可以查看表面壓力、剪切力，并通過輸入參考速度等參數計算氣動系數。

整個流程并不復雜：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系數。

預測存在誤差的原因包括超參數的設置、樣本數量和質量，以及噪聲點（outlier）的影響。盡管訓練樣本還不夠充分，但整體趨勢已經相當不錯。

4.PhysicsAI 預測風扇噪聲

接下來是風扇性能預測案例，可預測云圖或性能參數如流量和噪聲。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%樣本用于訓練，20%樣本用于測試。CFD 計算使用4張A100，單個風扇噪聲模型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。

5.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，使用多層感知網絡進行狀態預測。分析對象是齒輪箱攪油分析，采用 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系數（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范圍。romAI 不預測云圖，僅預測物理量變化的時間歷程，因此訓練成本較低，預測速度是仿真的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。用戶只需輸入齒輪轉速，潤滑油量和環境溫度即可實時預測齒輪溫度。

6.根據應用場景選擇 AI 工具

總結一下，根據應用場景選擇工具：若需場值預測，可使用 PhysicsAI，訓練成本取決于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 文件可部署在系統級仿真模型中進行快速預測。

以上就是我與計算流體力學相關的一些 AI 案例介紹，謝謝大家。

全球100個AI應用案例電子書下載

△Altair 正式發布全球100個AI應用案例電子書，內容覆蓋10+行業的100個AI應用場景。點擊圖片立即獲取，了解全球AI驅動工程設計應用成功案例，以及AI技術如何為工業制造業的產品全生命周期帶來賦能與革新。

如您對 Altair 軟件及解決方案感興趣

歡迎掃描二維碼申請免費試用：

關于 Altair 澳汰爾

Altair 是計算智能領域的全球領導者之一，在仿真、高性能計算 (HPC) 和人工智能等領域提供軟件和云解決方案，服務于16000多家全球企業，應用行業包括汽車、消費電子、航空航天、能源、機車車輛、造船、國防軍工、金融、零售等。

近期，Altair被全球工業軟件領導者西門子收購，成為西門子數字化工業軟件(Siemens Digital Industries Software)旗下成員，進一步鞏固西門子在仿真和工業人工智能領域的全球領導者地位，其技術正與西門子Xcelerator解決方案進行深度整合。

欲了解更多信息，歡迎訪問：

www.altair.com.cn