CFD 预测中的机器学习：在 Benchmark 应用程序上使用 Stochos

利用机器学习的力量，通过 Stochos 彻底改变计算流体动力学预测。

挑战

计算流体动力学 （CFD） 是一个复杂的领域，需要大量的计算资源和时间。传统的 CFD 方法通常难以应对高计算成本和时间消耗，因此很难将这些技术应用于大规模问题或运行多个仿真以进行优化。

工程解决方案

为了应对这些挑战，需要创新的工程解决方案。这涉及利用先进的计算技术并将其与现代技术集成。在 CFD 中使用机器学习 （ML） 就是这样一种有望克服传统限制的解决方案。

通过整合 ML 算法，工程师可以提高 CFD 仿真的效率和准确性。这些算法可以从数据中学习、识别模式并进行预测，从而减少计算负载并加快仿真过程。这种方法不仅可以节省时间，还可以为优化和实验开辟新的可能性。

Stochos：CFD 预测的游戏规则改变者

Stochos 代表了 CFD 预测领域的重大进步。它是一种创新工具，利用机器学习的强大功能来提高 CFD 仿真的准确性和速度。通过使用复杂的 ML 算法，Stochos 可以从以前的模拟中学习，并对新场景做出更准确的预测。

此功能使 Stochos 成为游戏规则的改变者，因为它减少了对大量计算资源的需求，并允许更快速的原型设计和测试。工程师现在可以在传统方法所需时间的一小部分内运行多个仿真，从而缩短开发周期并改进产品设计。

Benchmark 应用程序：

用阀门从中间位置压缩的管子被用作基准应用。具有不同闭合程度的管材几何结构是从 Ansys Mechanical 中保存的。对几何结构进行后处理，在 SpaceClaim 中生成流体域，并进一步划分网格。Ansys CFX 用于执行 CFD 计算（图 1）。

图 1.基准测试应用程序的 CFD 框架

这项基准研究是针对医疗设备应用考虑的。因此，将血液特性应用于液体。CFD 模型输入是管道的闭合（由几何形状决定）和流速。模型输出为压降 （DP） 和最大溶血指数 （MaxHI）。溶血是红细胞的破坏导致血红蛋白的释放。溶血预测应用的细节之前已经演示过1.

对于 Stochos 应用程序，上述输入用于确定 DOE （实验设计） 矩阵。输入范围任意确定为 [0.6， 2.75] 用于闭合（以 mm 为单位）和 [0.5， 4] 用于流量（以 L/min 为单位）。矩阵的大小被选为 2，这意味着需要执行 <> 种不同的 CFD 模拟来为 ML 应用程序生成数据。图 <> 显示了相应的代码。请注意，需要相应的 Stochos 优化库和 numpy （众所周知的 Pyhton 库） 来执行此任务。

图 3 显示了具有 Stochos 建议输入和 CFD 预测输出的 DOE 矩阵。输入和输出的组合矩阵将用于 Stochos 回归分析，以生成 Stochos 模型。

图 3.DOE 矩阵、输入和输出

Stochos 回归和敏感性分析从读取数据、执行评估和开发模型开始（图 4）。

图 4.用于回归、敏感度分析和模型生成的代码

考虑到输入和输出，最佳拟合模型结果与相关的等值线一起呈现（图 5）。

图 5.Stochos 使用八个数据点（黑点）对整个设计空间进行模型预测。DP 在左侧，MaxHI 在右侧。

可以看出，整个设计空间都是用代码预测的。人们还可以注意到，MaxHI 图上的某个区域表示负值，这在物理上是不可能的。这表明，特别是在该区域需要更多的 CFD 数据来增强 Stochos 模型。

敏感性分析表明，对于 DP 预测，系统输入彼此之间并不显著。但是，对于溶血闭合有更大的影响！（图 6）。

图 6.输入参数对输出的影响：DP 在左侧，MaxHI 在右侧

为了测试模型，我们使用了三种测试条件。将映射在设计空间上的相应条件以及 ML 模型预测与 CFD 预测进行了比较（图 7）。

图 7.测试 ML 模型

可以看出，DP 的测试 1 和 2 数据的 ML 预测相当接近。对于 MaxHI，测试 1 数据 ML 预测与 CFD 数据非常接近。测试 3 数据预测没有那么接近，这表明还有改进的空间。

为了增强模型，有一个 Stochos 函数来建议额外的设计点。图 8 显示了询问 <> 个新设计建议的相应代码。

图 8.新设计建议的代码

建议的设计点如图 9 中的红点所示。为了使溶血模型在负预测区域上更好，添加了另一个数据点（绿点）。原始设计以蓝点显示。

使用这些新数据的 Stochos 模型增强了灵敏度响应（图 10 - 左）。较高的 K 折叠数和明显的颜色表明，流量和闭合分别是 DP 和 MaxHI 的重要贡献者。

同样，等值线图也有所改善，特别是消除了负溶血区域（图 10-右）。

图 10，灵敏度分析（左）和输入/输出等值线（右）

下一步是使用之前的测试点测试这个新的改进模型（图 11）。

图 11.设计空间上的测试数据点，以及预测的比较

这一次，对于测试点 1 和 2，使用 ML 可以很好地预测 DP 和 MaxHI。对于测试点 3，结果仍然不正常，但与之前的 ML 模型相比更接近。

为了更好地进行 ML 预测，添加少量数据点肯定会增强模型。

好处

关于上述基准应用程序，可以得出结论，将机器学习与 CFD 集成的好处很多。首先，它显著减少了仿真所需的时间和计算资源，从而能够更有效地运行多次迭代和优化设计。

其次，ML 增强型 CFD 预测的准确性提高，可以提高性能并降低出错风险。这种可靠性在航空航天和汽车工程等关键应用中至关重要。最后，快速原型设计和测试不同场景的能力为创新和实验开辟了新的途径，推动了各个工程领域的进步。