利用CFD和机器学习快速发展空气动力学

汽车市场正在迅速发展。新的参与者正在进入市场，车辆电气化的动力正在进行中，在冻结设计前对许多车辆的变种进行了调查，可持续性是一个主要议题。在这方面，车辆的空气动力学变得越来越重要。它直接影响车辆的射程，并在达到管制目标方面发挥重要作用。

 

汽车制造商还必须牢记缩短市场时间的必要性，在市场上设计必须更快，不允许后期重新设计。这一切都意味着必须更快地评估车辆的空气动力学。在过去和现在，计算流体动力学(CFD)为虚拟空气动力学测试打开了大门，允许制造商测试他们的车辆形状之前，开发一个昂贵和时间密集的原型，然后需要实验使用风洞。

 

而高保真CFD，如动力流提供的软件，将继续是主要OEM空气动力学发展过程中不可或缺的一部分，机器学习的发展及其算法的持续改进为加速计算空气动力学打开了大门。

 

目前的工作说明了从3DSCFD动力流软件获得的空气动力学数据与数据驱动方法相结合，如何能够使汽车制造商获得车辆表面x力分布、相关的车辆综合阻力的三维轮廓图，以及(在训练了ML模型之后)在数分钟内在一个GSP上获得更多的数据。这意味着计算成本和时间的显著减少，因为运行高保真空气动力学CFD模拟需要几百个CPU和几个小时。

 

更重要的是，该方法预测的阻力与实际功率流值之间的误差不大于3%。所研究的几何学是一个具有不同轮距数和宽度的开放源代码的德勒维汽车模型。

 

导言

数字孪生一词的使用越来越普遍.它代表了一个概念，在这个概念中，一个物体，甚至一个活着的存在的数字复制品被创造出来，以更好地理解、设计和优化现实生活中的双胞胎。到目前为止，在汽车空气动力学领域，低保真和高保真计算流体动力学(CFD)软件已被用于预测和改进空气动力学行为(例如。汽车的阻力、升力和偏航特性)，从而绕过了昂贵的物理原型的需要，直到车辆设计周期的最后阶段。

 

然而，一个适当的数字双生车辆应该能够说明几何变化的影响在近实时，这，迄今为止，使用传统的计算架构是不可能的。量子计算，一种非常新生的技术，也许能解决这个问题，但是，目前，唯一的选择是求助于快速代理机器学习(ML)模型。这些模型从过去的空气动力学数据中学习，以预测在ML模型训练阶段没有看到的车辆形状的新的空气动力学性能。

 

这一预测解决了一个全球性问题，即在日益竞争的市场环境中，越来越需要缩短汽车电气化的时间对市场，而且还有更严格的可持续性规定(见图1)。这一预测解决了一个全球性问题，即在日益竞争的市场环境中，越来越需要缩短汽车电气化的时间对市场，而且还有更严格的可持续性规定(见图1)。

 

这一预测解决了一个全球性问题，即在日益竞争的市场环境中，越来越需要缩短汽车电气化的时间对市场，而且还有更严格的可持续性规定(见图1)。

 

 

1：在CFD中需要基于ML模型的代理人

 

其想法是将训练有素的ML模型嵌入设计阶段,从而使以前仅在详细设计阶段才可能达到的保真度在概念设计阶段也成为可能,从而使概念车辆设计人员能够更深入地了解其拟议的车辆形状,并防止后期设计失败(见图2)。具体来说,这项工作的目的是要证明ML可以作为一个替代模型,以减少使用cpuh密集型动力流CFD模拟气动阻力预测,同时大大加快计算时间从几个小时到仅仅几分钟。

 

2：如何将ML模型嵌入空气动力学开发工作流

 

方法论

作为一个用例,本文分析了以下优化研究：一个设计实验(DOE),其中不同的轮胎分枝数和分枝宽度的开放源驱动汽车几何(见图3),优化目标是确定最低车辆阻力配置。图4中描述了指定经营实体设计空间。红色正方形是用来训练语言模型的模拟集,绿色圆是在语言模型训练过程中用来观察语言模型收敛的验证数据点,而蓝色三角形则是用来观察语言模型如何很好地推广到看不见的车辆的几何形状的盲测试集。设计空间的极端情况见图5。

 

 

3：德利维汽车几何学

 

 

4：能源部设计空间

 

5：设计空间极端

 

 

6：来自电力流模拟的流场和场场表示--本研究的兴趣之一是表面x力分布(3DSE-汽车几何图的样本数据)

 

研究可分为两部分：CFD部分和ML模型部分。在CFD阶段,准备了40个高保真的模拟,在电力案例中设置,运行与电力流和一些结果随后可视化的电力,作为一个健全的检查,数据是合理的。每次模拟大约需要6个小时,最多需要300个CPU核心。

 

图6展示了达索系统(3DS)电子汽车几何的气动结果可视化。在本研究中,临界场表示是表面x力分布。一旦收集了CFD数据,就用34个模拟点来训练深度学习神经网络模型。图7用3DSE汽车几何形式再次表示输出数据,描述了所应用的向前反馈神经网络模型的示意图。

 

神经网络模型的输入层由X、Y、Z坐标数据以及分数和分宽度构成。然后通过神经网络的隐藏层传播这些信息,最后,在输出层上得到车辆的表面x力分布。训练神经网络模型大约需要三天的时间在一个窗口工作站上使用一个单一的GPU卡。同时,对神经网络模型训练阶段未见的车辆几何形状的表面x力分布进行了预测,仅需几分钟的时间。

 

神经网络模型的输入层由X、Y和Z坐标数据以及分数和分宽度构成。然后通过神经网络的隐藏层传播这些信息,最后,在输出层上得到车辆的表面x力分布。训练神经网络模型大约需要三天的时间在一个窗口工作站上使用一个单一的GPU卡。同时,对神经网络模型训练阶段未见的车辆几何形状的表面x力分布进行了预测,仅需几分钟的时间。神经网络模型的输入层由X、Y和Z坐标数据以及分数和分宽度构成。

 

然后通过神经网络的隐藏层传播这些信息,最后,在输出层上得到车辆的表面x力分布。训练神经网络模型大约需要三天的时间在一个窗口工作站上使用一个单一的GPU卡。同时,对神经网络模型训练阶段未见的车辆几何形状的表面x力分布进行了预测,仅需几分钟的时间。

 

在输出层上得到车辆的表面x力分布。训练神经网络模型大约需要三天的时间在一个窗口工作站上使用一个单一的GPU卡。同时,对神经网络模型训练阶段未见的车辆几何形状的表面x力分布进行了预测,仅需几分钟的时间。在输出层上得到车辆的表面x力分布。训练神经网络模型大约需要三天的时间在一个窗口工作站上使用一个单一的GPU卡。同时,对神经网络模型训练阶段未见的车辆几何形状的表面x力分布进行了预测,仅需几分钟的时间。

 

7：外部车辆空气动力学研究中所使用的深度学习神经网络模型示意图(样本输出再次用于3DSE车几何)

 

结果

在评估训练有素的计算机辅助训练模型的预测能力之前,必须检查这些模型是否不适合或不适合训练数据。这是通过将模型的平均平方错误(MSE)作为训练时代的函数来完成的。图8提供了两个样块。尽管3DSE型汽车的研究,也获得了类似的数量级。显然,MSE几乎单调地下降,并且保持低,说明模型应该很好地推广,当暴露在看不见的车辆几何形状。此外,最低标准教育的数量级为O(10) -3 ),这也是合理的。

 

8：MSE样图(用于3DS电子车几何)

 

现在，我们可以看看ML模型的预测能力。对于盲点测试,表1显示了真实的动力流结果和ML模型结果之间的阻力三角关系,更重要的是,百分比误差。显然,三个测试用例的错误率在2%左右,这是一个非常好的结果。除此之外,还将经过培训的ML模型应用于所有模拟点：培训点、验证点和测试点。

 

图9描述了相关的预测的准确性。在这里,你可以清楚地看到错误在3%的错误绑定中。还值得注意的是,ML模型的结果存在偏差;ML模型始终低估了综合阻力。在观察了一体化的阻力之后,表面X力分布图提供了进一步的深入了解的预测能力的ML模型。图10显示了从不同角度和角度绘制的这些表面轮廓图,用于运行37(所有其他运行都获得了类似的图)。

 

很明显,真正的能量流结果和ML预测结果几乎没有区别。这证实了一个说法,即ML模型是昂贵的高保真动力流气动模拟的良好替代物。这证实了一个说法,即ML模型是昂贵的高保真动力流气动模拟的良好替代物。这证实了一个说法,即ML模型是昂贵的高保真动力流气动模拟的良好替代物。

 

表1：真实的动力流阻力与阻力。测试点的ML模型预测

 

9：综合预测能力评估

 

 

10：动力流结果与。运行37的表面X力分布结果

 

结论

从总体上看,基于简单的前送人工神经网络的多模型机器学习方法已被验证,可用于诸如汽车的外部气动阻力预测。一旦在单一的GPU上进行了三天的多功能模型训练,推论(即：预测)看不见的车辆几何形状的阻力大约需要2分钟,而不是运行一个cpuhr密集的高保真功率流模拟,在300个CPU核心上花费约6小时。重要的是,真实的CFD动力流数据与综合阻力的ML模型预测之间的百分比误差小于3%。