案例實績

所有實績分類

汽車空調管路CFD流場預測｜physicsAI

Apr.10,2024

.......業界的CAE工程師在大部分時間裡都在處理類似的模型，比如空調管路的CFD、汽車保險桿的CAE工作。通過設計實驗 (DOE) 迭代，不斷優化尺寸參數和產品外形，以降低管路流動阻力、提高風速均勻性，或者實現結構的輕量化、提高安全性和耐久性。

.......在一般的情況下，項目分析完成後，電腦伺服器端上的大量模擬結果文件會被刪除。即使有備份，也很少有機會被再次利用。每當有新的分析項目時，CAE工程師會需要重新進行幾何清理、網格劃分、求解分析等步驟。

設計人員提出新設計時，CAE工程師能夠立即預測結果？

.......physicsAI利用CAE的歷史數據作為機器學習的訓練樣本，每當輸入新的CAD數據或面網格，能夠快速預測出壓力、溫度、應力、變形等物理場分佈結果。這樣一來，CAE工程師就能更迅速地進行預測和優化，提高工作效率。

接下來在本文將透過一個空調管路的模型示範如何使用physicsAI，基本操作共分為 4 步：

最後，求解器的驗證步驟是可選擇的。

.......示範模型採用 Inspire 設計造型，由 HyperStudy 驅動5個CAD參數建立DOE分析，流體求解器 AcuSolve 計算流場，產生7個訓練樣本，2個測試樣本，並用2個新設計模型用於預測。

Inspire設計參數

physicsAI運行在筆記型電腦（Intel CPU i7-10850H，32GB RAM），對流場的預測速度比CFD求解器快了7~8倍：

Epochs=300，訓練時間18 min, 15sec

Epochs=100，訓練時間6 min, 18sec

.......在進行預測時，physicsAI將以信心程度 (confidence score)的形式量化輸入設計與訓練數據的相似程度，並顯示在視窗右上角。

.......確定性 Determinism：近似確定性可以透過在規範文件中設置隨機種子來實現。然而即使在這樣做之後，通常也會觀察到使用相同設置和數據訓練的兩個模型之間的細微差異，這是正常現象。更多的樣本數量且樣本包含更多的設計概念，可以提高預測的泛化能力。

.......為了保證在案例示範的效果，對示範模型進行擴展訓練，共280個樣本點（7種管路類型，每種管路40個尺寸組合），在GPU伺服器上訓練3小時。

AcuSolve（左）和 physicsAI 預測（右）的壓力分佈對比

AcuSolve（左）和 physicsAI 預測（右）的流速對比
physicsAI 也可以在Inspire中開啟，直接在CAD模型上預測。

對預測結果可靠性的評估信賴度分數

保險桿碰撞安全模型預測：

Q：什麼是幾何深度學習？
A：幾何深度學習（Geometric Machine Learning）是從非歐幾里得資料類型中學習的一種神經網路方法。

歐幾里得結構資料(Euclidean Structure Data)包括圖像、文字、聲音等：
非歐幾里得結構資料(Non-Euclidean Structure Data)可以比一維或二維表達更複雜的結構，比如分子結構，神經網路，費曼圖，流型資料(maniflods)等等：

較大的Learning rate會迅速朝向最佳方向發展，但如果太大，則可能無法達到收斂位置。
小的Learning rate更有可能收斂，但可能會需要花較長時間才能達到收斂。
一個好的Learning rate應該足夠大，可以快速收斂，但又不能太大導致在收斂之前就卡住而無法完成優化。日誌中的Noisy Loss顯示Learning rate可能過大。從預設值1e-3開始，如果Noisy嘗試1e-4。