基于机器学习的CFD模型降阶

基于机器学习的CFD模型降阶

引用

CSDN

1.

https://blog.csdn.net/altala/article/details/139684463

降阶模型 ROM

降阶模型ROM（Reduced Order Models）是一种对高保真度静态或动态模型的简化方法。模型降阶在保留了模型的基本特性与主导效应的同时，大大减少复杂模型的CPU计算时间及存储空间。
ROM的用途：

加速大规模系统的仿真速度

将ROM运行在硬件在环环境

数字孪生 Digital twins
降阶方法:

静态：曲线、曲面拟合，查表法

动态: 通过一个高保真度模型来生成样本，机器学习算法训练样本模型

romAI 介绍
romAI是集成在 Altair 系统控制模块Activate和可视化编程模块Compose的模型降阶工具，用于加速大模型的预测，系统集成和实时控制。
romAI基于多层感知机技术Multilayer Perceptron (MLP)，因此，从本质上讲，它在内部生成输入和输出之间的映射。这种映射的质量将取决于一些因素，例如训练样本的质量和数量，超参数的选择（神经网络隐藏层数或激活函数等等），以及可用于训练样本的时间。
romAI基于数据驱动，给定一个任意物理问题，使用任意软件建模。使用过程非常简单：首先，读入训练样本*csv，样本由输入、输出和系统状态组成。样本可以来自仿真结果或实验测试。然后根据这些数据和选定的超参数训练神经网络。训练好的ROM可以应用于Activate进行系统级仿真, 或通过FMI接口部署在其他的系统。
romAI 使用流程
案例1：CFD管路模型降阶
打开Activate模块，在Demo Browser目录下找到 romAI → nolinear → cfd_heated_pipe，这是一个简单的CFD管路加热模型，包含了一个输入变量：固体的发热功率Pel；一个输出变量：管路出口空气温度Tout；以及一个状态变量：固体的表面温度The
Activate中的CFD模型降阶例题
训练样本的数据来自AcuSolve的三维瞬态CFD仿真，CFD模型的时间步长为0.01秒，物理时间32秒，迭代3200步。
训练样本

CFD输入：固体发热功率

CFD输出：固体温度
CFD输出：出口空气温度
romAI完成降阶后，再用一组新的数据进行验证
验证新数据：发热功率曲线

出口空气温度预测
案例2：电磁阀CFD模型降阶
电磁阀是一个简单的开/关阀。它是两个基本功能单元的组合：电磁铁和包含一个或多个孔的阀体。当电磁阀通电或断电时，流经孔口的流量由阀芯的运动控制。
电磁阀原理

电磁阀受力分析
查表法生成静态ROM
训练样本来自AcuSolve的12个稳态工况，流量：0.225kg/s, 0.5 kg/s, 0.7 kg/s；阀门开度：1mm, 2 mm, 3 mm, 4 mm
CFD计算参数表
CFD结果：不同阀门开度下，流量-压差曲线

CFD结果：不同阀门开度下，液力-压差曲线

AcuSolve阀门稳态流场
Activate的阀门系统建模
动态ROM

训练样本来自acuSolve的的4个瞬态工况：入口压力=2bar,4bar; 阀门开启时间10毫秒，100毫秒。

romAI的3个输入参数：阀芯位置，运动速度，上下游压差；1个输出变量：流量和阀芯的液力；1个状态参数：流量

romAI参数定义

动态ROM的输入，输出和状态参数
瞬态CFD动画：入口2bar, 阀门开启100毫秒

瞬态CFD监测变量曲线
验证工况：入口压力3bar，阀门50毫秒开启时间。动态ROM预测精度最大误差<10%
红色-CFD仿真数据
蓝色-romAI预测数据
阀门动态ROM用于Activate系统仿真
案例3：电池包CFD模型降阶

训练样本来自AcuSolve的3个瞬态工况

romAI的2个输入参数：电流，对流换热系数；3个输出参数和状态变量：监测点的温度
AcuSolve电池包液冷模型
电池包的动态ROM
蓝色-CFD仿真数据
红色-romAI预测数据
电池动态ROM部署在Activate的新能源车系统仿真模型：

案例4：齿轮箱CFD模型降阶
训练样本来自nanoFluidX（ 基于SPH算法）齿轮箱搅油模型，共计算5个瞬态工况作为训练样本和一个瞬态工况作为验证样本。每个工况须采用2块GPU计算8小时。
romAI的2个输入参数：输入轴转速和润滑油体积；1个输出参数和状态变量：齿轮表面的平均对流换热系数HTC。

nanoFluidX仿真生成训练样本
齿轮箱搅油瞬态动画

nanoFluidX 模型工况参数表
5个训练样本
齿轮箱动态ROM的精度验证






蓝色-CFD仿真数据
红色-romAI预测数据
齿轮箱动态ROM应用于Activate热系统仿真，快速预测不同运行工况下的齿轮箱温度。

案例5：挖土机离散元EDEM模型降阶
挖掘机的仿真采用了4个求解器的耦合：

离散元模块EDEM，模拟颗粒(石块)；

多体动力学MotionSolve，模拟挖斗、机械臂和车辆的运动；

固体力学模块OptiStruct，模拟铲车臂的应力应变；

系统控制模块Activate，模型降阶和耦合控制。
共计算5个工况作为romAI的训练样本：

6个输入参数
：挖斗的水平位移，垂直位移，角度，以及水平速度，垂直速度，角速度；

4个输出参数：

挖斗在XYZ方向的受力和挖斗内颗粒的总质量；

1个状态变量
：挖斗内的颗粒总质量。
romAI的训练样本：


动态ROM的精度验证
红色-EDEM耦合仿真数据
蓝色-romAI预测数据
Activate部署动态ROM进行耦合仿真

动态ROM作为EDEM求解器的代理模型参与耦合仿真
通过模型降阶，EDEM耦合仿真效率提升了34倍。
EDEM挖掘过程仿真
液压力分析对比，动态ROM的最大误差<1.4%
左（动态ROM），右（耦合仿真）
挖斗臂的受力分析对比，动态ROM的最大误差<1.3%。
上（动态ROM），下（耦合仿真）
总 结

romAI无需采用传统的DOE方法，采用较少的训练样本即可预测模型的整个运行工况区间。这对计算资源消耗大的CFD仿真有工程实用价值。

romAI目前并不生成2D/3D云图，可以用于模型多工况的降阶。但如果系统设计发生了变化（比如冷却系统的风扇从轴流变成了离心），需要重新生成样本，和训练样本。

训练样本的数据最好能覆盖整个运行工况的极大/小值的范围，虽然romAI可以预测样本范围外的工况，但是那些未知区域如果也呈现高度非线性，预测可能产生偏差。

对于高度非线性的系统，动态ROM精度有可能不太理想。这是因为在估计一种状态时，一个非常小的误差，通常与其他状态耦合，随着时间的推移，很容易导致解的背离，我们需要更多的输入“形状”。永远记住，我们从数据中学习非线性！