人工智能融合CFD仿真-教你使用机器学习建立流体力学中的数据驱动

导读：流体力学作为研究流体（液体和气体）运动规律的基础学科，在航空航天、能源、环境、汽车、化工等众多领域发挥着不可替代的作用。然而，传统流体力学仿真在处理湍流问题时，因湍流高度非线性和多尺度的特性，即便借助高性能计算资源，仍存在计算成本高昂、复杂边界条件下预测精度受限的难题。

近年来，人工智能（AI）技术，特别是深度学习方法，凭借在数据驱动建模方面的巨大潜力，成为辅助流体仿真的新兴力量。不过，AI 方法也存在局限性，如缺乏物理解释性、训练依赖数据质量、边界外推性能不足等问题亟待解决。因此，将物理机制与 AI 深度融合，发展具有强解释性的 AI 模型，成为未来流体仿真技术突破的关键方向。强烈推荐读者关注我首发仿真秀官网的原创视频课程《基于OpenFoam和AI机器学习14讲：使用人工智能建立流体力学中的数据驱动模型》详情见后文。

一、写在文前

随着 AI 与流体力学的加速融合，仿真技术迎来快速发展，在湍流预测、流场重建、实时控制等领域展现出显著优势。本文将以“基于AI的湍流预测与流场重建”为实例，介绍流体力学如何结合AI算法开展高效仿真，并给出具体建模流程和结果展示。

1、湍流问题难点

湍流是流体运动中普遍存在的一种复杂现象，其特点是高度不稳定、具有多尺度涡结构。在数值模拟中，求解Navier-Stokes方程往往需要精细网格和较小时间步长，从而导致大规模计算量。

2、AI在流体中的优势  

人工智能AI，特别是神经网络，擅长在海量数据中提取规律。通过训练模型学习复杂流场之间的映射关系，AI可以实现：  

• 流场的快速重建；    

• 小尺度细节的预测；    

• 在不可达或难建模的区域中进行补全预测。    

二、二维圆柱绕流中的AI湍流预测  

我们选择一个经典问题——二维圆柱绕流（Re=1000），这是湍流中常见的基准问题之一。其主要特点是在圆柱下游形成周期性涡街（Kármán Vortex Street）。  

1、模拟目标

• 使用传统CFD（例如OpenFOAM）获取真实流场数据；    

• 构建AI模型，对圆柱后方流场进行重建或快速预测；    

• 评估AI模型的预测精度和重构效率。    

2、数据获取与预处理  

（1）CFD模拟

• 使用OpenFOAM对二维圆柱绕流进行仿真；    

• 得到多个时间帧的速度场（u,v）和压力场（p）分布；    

• 模拟空间分辨率为256×128，时间步为0.01秒。    

（2）数据格式化

• 选取圆柱下游一定区域，提取速度场组成训练样本；    

• 使用滑动窗口生成时间序列样本，如过去5帧预测未来1帧。    

（3）可视化示例

 图1：二维圆柱绕流中形成的Kármán涡街结构（Re=1000）  

3、AI模型构建

采用典型的U-Net卷积神经网络结构，模型输入为过去5帧的速度场，输出为未来第6帧的预测图像。  

模型结构：  

• 输入层：5帧（256×128×2）；    

• 下采样卷积层（提取局部流场特征）；    

• 上采样反卷积层（重建预测流场）；    

• 损失函数：MSE + 梯度损失（保留边界结构）；    

训练过程使用GPU加速，在10000帧数据上训练50轮。  

4、仿真结果与分析  

（1）AI预测 vs CFD真值：  

图2：左为CFD模拟结果，右为AI预测结果，色图为速度大小  

从图中可以看出，AI模型成功捕捉到了主要的旋涡结构和流动趋势，尤其在速度变化剧烈的区域仍能维持较高精度。尽管在细节纹理上略有损失，但总体误差低于5%，预测速度相比CFD提升了约200倍。  

（2）误差分析：  

• 在靠近圆柱表面附近，AI模型误差较大，原因在于训练样本中数据不均匀；    

• 在周期性涡街区域，模型效果稳定，表明对动态结构学习能力较强；    

• 边界条件推理尚有不足，可通过加入物理先验改进。    

三、物理感知AI的前沿进展  

为了进一步提高模型的物理一致性，当前研究趋势如下：  

1、物理约束神经网络（PINNs）

物理约束神经网络（PINNs）是一种极具创新性的技术手段。在传统的机器学习模型中，尤其是面对复杂的物理系统时，往往因缺乏对物理规律的深入理解，导致预测结果与实际物理现象存在偏差。而 PINNs 巧妙地将 Navier - Stokes 方程这类物理规律作为神经网络训练过程中的约束项。

例如在流体力学研究里，Navier - Stokes 方程从质量、动量和能量守恒定律推导得出，能够精准描述流体运动。以往想要求解这些方程，需要依赖有限差分、有限元、有限体积等数值方法，且求解过程需考虑诸多前提假设、线性化处理以及合适的时间和空间离散化，过程极为复杂。PINNs 借助神经网络强大的函数逼近能力，在训练时不仅要拟合给定的训练数据，还需满足这些物理方程的约束。如此一来，即使在小样本数据的情况下，模型也能够生成高度符合物理规律的预测结果，极大地提升了模型在复杂物理场景下的可靠性与准确性。

图片来自DeepXDE: A deep learning library for solving differential equations(2019)  

2、模型压缩与迁移学习  

为使 AI 模型能在不同雷诺数、不同几何形状等多样场景下实现迁移泛化，研究者提出了领域自适应、few-shot 训练、LSTM 融合的时间预测等策略。其中，领域自适应作为迁移学习的重要方式，针对训练数据和测试数据常来自数据分布有差异的不同 “领域” 这一情况，将数据丰富且带监督信息的源领域和测试样本所在、可能无标签或标签稀少的目标领域的数据特征映射到同一特征空间，利用源领域数据增强目标领域模型性能，如在图像识别中应对不同光照条件；few-shot 训练致力于解决模型在少量样本下的学习问题，克服传统模型数据量不足时性能下降的缺陷，借助少量样本和在其他相关任务上的先验知识，让模型快速适应新任务场景，像医疗图像诊断中对罕见疾病的准确识别；LSTM 融合的时间预测则基于长短期记忆网络处理时间序列数据、捕捉长期依赖关系的优势，在涉及时间维度的物理过程预测中，与其他模型融合以更好地预测物理量随时间的变化，例如在电力系统负荷变化预测中综合多因素给出精准结果。

四、人工智能AI与CFD仿真

《基于OpenFoam和AI机器学习14讲：使用人工智能建立流体力学中的数据驱动模型》视频课程，是我近日原创首发仿真秀官网的AI+CFD视频课程，本课程通过具体的案例，简要概述了如何使用机器学习建立流体力学中的数据驱动模型（提供学习资料和VIP群答疑服务）。其中机器学习的过程分为五个阶段：

（1）确定和形成模型的问题，

（2）收集和管理训练数据以训练模型

（3）选择表示模型的架构

（4）设计损失函数以评估模型的性能

（5）选择和实现优化算法以训练模型。

在每个阶段，我们都会讨论如何将先验物理知识嵌入到过程中，并举例说明流体力学领域的具体例子。以下是我课程安排：

第一部分、经典流体力学与OPENFOAM入门

（1）经典流体力学

核心要点：

• 回顾经典流体力学理论，掌握NS方程的基本求解方法和模型

• 探索流体力学在工业领域的多元应用

• 运用开源软件OpenFOAM进行流体计算模拟的基本操作

• 流体力学求解模型认知(RNAS, LES)

实操环节：

• OpenFOAM学习：

• 掌握OpenFOAM后处理操作

• 通过OpenFOAM获取流动信息

• OpenFOAM多种功能使用教程：网络生成，模拟设置

• 基于OpenFOAM的矩形柱体LES模拟案例（提供数据与代码）

• OpenFOAM模拟信息的后处理获取流场与压力信息（提供数据与代码）

第二部分：计算流体动力学与人工智能

（1）机器学习基础与应用

核心要点：

• 了解Python语言的特征，熟悉常见的机器学习算法

• 掌握使用python语言用于数据后处理

• 了解计算流体动力学与AI的结合

实操环节：

• 基于Python语言的CFD数据后处理

• 计算流体动力学与AI的结合案例讲解

可回放，开发票，奖学金，加餐

讲师提供vip交流群/答疑/相关学习资料

加入VIP群，可获得主讲老师推荐的行业相关进阶学习资料，一起梳理CFD+机器学习知识体系和学习路线，为学员提供内推高薪就业、奖学金，答疑解惑和加餐等服务。

与作者或仿真秀开展技术咨询

来源：仿真秀App