行业分享丨 AI 赋能流体仿真：从虚拟风洞到智能设计的实践与案例

全文内容选自 Altair 区域技术交流会华东站

Altair 高级技术经理 陈刚《 AI 驱动 CFD 仿真》演讲

大家好，我这次演讲的主题和流体力学结合 AI 相关，接下来分成几个主题进行。首先我们把 Altair CFD 的解决方案简单介绍一下。 

1、流体仿真求解器

HyperWorks 产品包里面包含了通用的 CFD 工具，也就是解 NS 方程的工具，用于解决常见的管路问题、外流问题。同时也有无网格 CFD 算法，适用于特殊的应用场景，比如空气动力学、气动噪声，以及水管理。

• AcuSolve：FEM 算法，通用热-流体分析

• ultraFluidX：LBM 算法，虚拟风洞、车辆空气动力学、气动噪声

• nanoFluidX： SPH 算法，传动系统润滑、液体晃动、车辆涉水、水管理

• EletroFlo：FVM 算法，PCB 板级，电子设备机箱散热仿真

• Flow Simulator：一维流动和热网络，系统级 CFD 仿真

2、流体仿真建模工具

HyperMesh CFD 和结构有限元建模工具 HyperMesh 是基于相同的平台开发，并集成了虚拟风洞模块 VWT，主要用于空气动力学、气动噪声的建模，并集成了 CFD post 工具，以及流致噪声信号处理。

SimLab 是多学科集成平台，目前嵌入了 3 个流体求解器：AcuSolve / ElectoFlo / nanoFluidX，还包括流体拓扑优化、DOE 参数优化、流固耦合 FSI、流体+多体动力学耦合、流体+离散元耦合以及电池包热分析、电池热失控分析功能。

3、PhysicsAI 预测汽车风阻

首先我们来看 AI 和汽车空气动力学结合的案例。在汽车主机厂通常需要进行风洞实验，仿真方法是采用虚拟风洞模拟汽车的空气动力学，通常这类模型规模较大，并涉及多轮设计变动，需要花费很多时间建模、修改、消耗计算资源和人工。总之、实验成本较高，仿真也不便宜。

Altair PhysicsAI 是学科中立的，基于几何深度学习，本质是数据驱动的，不论预测的是结构、电磁还是流体场都可以适用。在空气动力学仿真中，我们通常关注一些气动参数，比如阻力系数 Cd 或升力系数 Cl。

接下来我们看一下在 PhysicsAI 中如何快速预测这些空气动力学参数。这里我们使用了 DrivAer 标模，因为是公开数据，有详细的数据可供下载。PhysicsAI 优势在于无需参数化，传统参数优化需要用户定义尺寸参数，如悬架高度、车身宽度等，而参数定义本身就会带来约束，且整车气动外形很难用少量参数精确表达。因此，用几何深度学习方法预测风阻是一种较理想的方式。

第一步是准备样本。如果已有历史数据，车身表面数据，Pressure 和 Wall Shear Stress 可直接作为训练集。如果没有，可以使用 HyperMesh 中的 Morph 功能进行形状变形，比如调整后视镜或车尾。在这个例子中，训练集包含 98 个样本，测试集 20 个，训练使用了 1 张 A100 GPU，峰值显存消耗 23G，训练时间 13 小时，但预测速度仅需几十秒。

训练完成后，形成一个 AI 代理模型，用于快速预测空气动力学性能。预测时只需输入表面网格或 CAD 数据，输出为 h3d 格式的仿真结果，在 CFD-Post 模块中可以查看表面压力、剪切力，并通过输入参考速度等参数计算气动系数。

整个流程并不复杂：准备训练集、进行训练、再做预测。结果显示。预测值与求解器计算值存在一定偏差，我们使用平均绝对误差（MAE）评估预测精度。除了积分值 Cd，还可以预测风阻发展曲线，即在 CFD post 工具中沿车身长度切多个截面，每个截面的风阻贡献累加得到风阻发展曲线，曲线末端即为总风阻系数。

预测存在误差的原因包括超参数的设置、样本数量和质量，以及噪声点（outlier）的影响。尽管训练样本还不够充分，但整体趋势已经相当不错。

4、PhysicsAI 预测风扇噪声

接下来是风扇性能预测案例，可预测云图或性能参数如流量和噪声。通过 HyperStudy 对风扇角度、厚度等参数进行 DOE 设计变动，用 ultraFluidX 计算产生样本。80%样本用于训练，20%样本用于测试。CFD 计算使用 4 张 A100，单个风扇噪声模型 2.5 亿个格子，计算 13 小时。预测使用 RTX3050，仅需 13 秒，得到的曲线非常接近。

5、romAI 预测齿轮箱温度

另一个工具是 romAI，它是一种降阶模型工具，使用多层感知网络进行状态预测。分析对象是齿轮箱搅油分析，采用 nanoFluidX 两相流模型计算，单个模型在 A100 GPU 上需 12 小时。我们使用 5 个样本点训练齿轮表面的对流换热系数（HTC）。选择样本时需覆盖整个运行区域，包括润滑油油量和齿轮转速的变化范围。romAI 不预测云图，仅预测物理量变化的时间历程，因此训练成本较低，预测速度是仿真的 130 倍。

通过模型降价，形成 FMU 格式的 AI 代理模型，嵌入 Activate 一维系统模型，实现快速部署和温度预测。用户只需输入齿轮转速，润滑油量和环境温度即可实时预测齿轮温度。

6、根据应用场景选择 AI 工具

总结一下，根据应用场景选择工具：若需场值预测，可使用 PhysicsAI，训练成本取决于样本数量和网格规模，可能需几小时到几天，大模型训练 GPU 加速效果显著；若需时间历程预测，如温度变化，力的变化曲线等等，可使用 romAI，且训练好的降价模型 FMU 文件可部署在系统级仿真模型中进行快速预测。

以上就是我与计算流体力学相关的一些 AI 案例介绍，谢谢大家。

全球 100 个 AI 应用案例电子书下载

△Altair 正式发布全球 100 个 AI 应用案例电子书，内容覆盖 10+行业的 100 个 AI 应用场景。点击以下按钮立即获取，了解全球 AI 驱动工程设计应用成功案例，以及 AI 技术如何为工业制造业的产品全生命周期带来赋能与革新。

立即获取《全球100个AI应用案例电子书》

如您对 Altair 软件及解决方案感兴趣

欢迎关注 Altair 公众号，申请免费试用

Altair 是计算智能领域的全球指引者之一，在仿真、高性能计算 (HPC) 和人工智能等领域提供软件和云解决方案，服务于 16000 多家全球企业，应用行业包括汽车、消费电子、航空航天、能源、机车车辆、造船、国防军工、金融、零售等。

近期，Altair 被全球工业软件指引者西门子收购，成为西门子数字化工业软件(Siemens Digital Industries Software)旗下成员，进一步巩固西门子在仿真和工业人工智能领域的全球指引者地位，其技术正与西门子 Xcelerator 解决方案进行深度整合。

更多内容欢迎关注 AltairChina 公众号