以physicsAI 預測EV水冷散熱器性能

使用軟體 : physicsAI、Inspire、SimLab

成果

高效性能預測

• physicsAI 預測結果與CFD模擬高度一致，平均絕對誤差（Mean Absolute Error, MAE）低於0.01，模型信心度達90%以上。
• 單次預測僅需10秒，相比傳統建模與求解流程耗時30分鐘，效率提升超過 180倍。

靈活多樣的設計能力

• physicsAI 能夠準確處理不同流道設計與幾何參數變化，包括流道彎曲（Curved Channels）、窄道（Narrow Channels）、壓縮（Compressed Designs）等多種情境，表現出優秀的泛化能力。
• 結合 Inspire 的參數化建模（Parametric Modeling）和 SimLab 的腳本批次建模（Script-Based Batch Modeling）功能，快速生成大量設計變更作為訓練素材，顯著加快設計迭代速度。

硬體友好，成本可控

• 透過 RTX 4090 GPU，單物理量完整訓練僅需數小時，成本低且可行性高。
• physicsAI 訓練效率相較於 CPU 提升10倍，對企業資源需求更具適應性。

技術特點

參數化與自動化設計流程

• Inspire 用於構建參數化模型，定義散熱器的幾何空間與設計參數，確保靈活性與可調性。(如圖一)

圖一、Inspire模型參數化(來源：鴻海精密工業股份有限公司)

• SimLab 用於腳本化批次建模，實現設計變更的自動化生成，為 AI 訓練提供高質量素材。

預測的高效性

• physicsAI 預設參數（如寬度 30、深度 3、學習率 0.001 等）即可應對絕大多數應用場景，無需繁瑣的參數調整。
• 訓練與應用效率顯著，能快速生成高準確度的性能預測結果。

多物理場的精確模擬能力

• 支援表面熱對流強度（Surface Convective Heat Transfer Coefficient, HTC）、內部流速場（Flow Velocity Field）與壓力場（Pressure Field）的高精度預測。(如圖二)
• 聚焦於散熱器關鍵參數（如散熱面積與流場狀態），為優化設計提供可靠依據。

圖二、physicsAI預測流速場(來源：鴻海精密工業股份有限公司)

結論

       physicsAI 的應用大幅提升了 EV 水冷散熱器的設計效率與準確度。透過結合 Inspire 的參數化建模與 SimLab 的自動化建模技術，實現了從幾何設計到性能預測的完整優化流程。該技術以高效的訓練速度、準確的預測結果和出色的泛化能力，滿足了散熱設計對快速迭代與精準分析的需求。展望未來，結合設計實驗（Design of Experiments, DOE）與多目標優化技術（Multi-Objective Optimization），physicsAI 將進一步助力散熱器設計，縮短開發周期並提升產品性能，為市場提供更具競爭力的解決方案，推動散熱技術的不斷創新與進步。