从物理公式到智能预测-探索流体力学CFD中AI建模框架及仿真

导读：在当今科学与工程领域，计算流体动力学（CFD）技术尽管历经长期发展与实践，却依旧面临众多棘手难题。一方面，模拟复杂流体现象时，其计算成本极为高昂。以航空航天领域为例，飞行器在不同飞行条件下的流场模拟，需要对大量网格进行计算，耗费大量的计算资源与时间。另一方面，准确捕获湍流等亚尺度特征始终是 CFD 的一大挑战。湍流具有高度的非线性和随机性，传统方法难以精确描述其复杂的流动结构和能量传递过程。此外，数值算法的稳定性问题也时常困扰着研究人员，在一些极端工况或复杂边界条件下，算法可能出现不收敛或计算结果偏差较大的情况。

与此同时，机器学习（ML）技术凭借其强大的数据分析和模式识别能力，正逐渐在各个科学领域崭露头角，为解决传统难题带来新的曙光。在流体动力学领域，将 ML 与 CFD 相结合，利用丰富的流体动力学数据进行模型训练，有望突破传统 CFD 的局限，推动该领域实现跨越式发展。这一新兴的交叉领域 ——AI for Science，尤其是在流体力学中的应用，正成为科研人员关注的焦点，蕴含着巨大的研究价值与应用潜力。

《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》是力学AI有限元-梁老师的原创视频教程，他通过具体的案例，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，获得用户高度关注。7月3日20时，力学AI有限元—梁老师，计划对课程学员加餐内容。旨在帮助科研人员与工程从业者深入理解这一交叉前沿，掌握深度学习在流体模拟中的应用思路、建模方法与工程实践技巧，探索从“物理公式”到“智能预测”的新范式。详情见后文.

一、深度学习如何赋能传统流体模拟

深度学习在流体模拟领域展现出了巨大的优势。在传统的圆柱绕流瞬态特性模拟中，采用传统 CFD 求解往往需要耗费大量时间进行数值差分计算。而将深度学习与流体方程相结合，基于物理规则构建通用神经网络（PINNs），可将整个求解过程转变为神经网络的优化过程。相关研究表明，在达到与传统 CFD 同等计算精度的情况下，神经网络的推理速度相比传统 CFD 计算至少提升 1000 倍。这一显著的速度提升，使得在一些对计算效率要求极高的场景中，如飞行器设计的初步流场评估阶段，可以快速得到模拟结果，为后续设计优化节省大量时间。

在处理流固耦合这类复杂的多场耦合问题时，传统方法求解难度极大。深度学习手段则可以将流固耦合的物理方程作为神经网络的设计约束，同时结合少量的结构振动位移与受力信息来监督网络训练，从而实现对涡激振动求解过程的模拟。在此过程中，还能够对复杂结构的等效刚度、阻尼进行反演分析。并且利用训练好的网络，可正向预测不同约化速度下的涡激振动情况，推测流场各位置的压力、速度以及结构振动与受力信息。这为航空发动机叶片等在复杂流固耦合环境下工作的部件设计提供了有力的模拟分析工具。

两相流传热问题中，相界面的变化极为复杂，其识别和追踪是数值计算的关键难题。由于计算域边界不确定且界面随时间动态变化，传统 CFD 计算面临巨大挑战。基于物理信息的神经网络（PINNs）通过采集少量真实域内的速度、温度数据，并结合物理方程构建统一的神经网络，不仅能够逆向分析界面的动态变化，还可预测整个计算域内流场以及界面随时间的变化情况，为高效准确地模拟两相流传热过程提供了新途径。

图片来自网络

二、流体力学中的 AI 建模框架

1、数据驱动建模

数据驱动的替代模型完全依赖观测数据来训练算法，以模拟复杂的流体动力学过程。这类模型发展迅速，根据其空间离散化方法可广泛分为依赖离散化和独立于离散化两类。

依赖离散化的模型需要将数据域划分为特定的网格、网状或粒子结构，并据此设计模型架构。根据离散化类型，又可细分为在规则网格上、在不规则网格上以及在拉格朗日粒子上这三种情况。例如，在一些基于规则网格的模型中，通过对网格节点上的数据进行处理和学习，来模拟流体在网格区域内的流动特性。

独立于离散化的方法主要基于神经算子的思想，在函数空间中进行映射。根据实现积分函数近似的不同方式，现有方法可分为深度算子网络、物理空间中的方法以及傅里叶空间中的方法。此类模型摆脱了对特定离散化技术的依赖，能够直接在连续空间中学习解决方案，为处理一些复杂边界或不规则区域的流体问题提供了更灵活的手段。

图片来自网络

2、物理引导建模

尽管数据驱动模型在流体动力学仿真中具有潜力，但数据收集成本高、泛化能力和鲁棒性存疑等问题限制了其应用。因此，融入物理先验知识的物理引导建模方法应运而生。

根据嵌入知识类型，物理引导建模可分为物理信息化和约束信息化。物理信息化方法将物理知识转化为神经网络的约束条件，确保模型预测遵循已知的物理原则。在模拟流体流动时，将质量守恒、动量守恒等物理定律以约束的形式融入神经网络，使模型在训练过程中自动满足这些基本物理规律，从而提高模型预测的可靠性。

约束信息化方法则从传统的偏微分方程求解器中获取灵感，将相关方法整合到神经网络的训练过程中。在求解某些流体问题时，借鉴传统有限元等方法的思路，对神经网络的训练过程进行约束和优化，以提升模型的性能和准确性。

三、AI+CFD仿真公开课

近年来，随着人工智能技术的迅猛发展，深度学习与物理建模的融合正在重塑传统计算科学格局。特别是在流体力学与多孔介质渗流模拟领域，面对微观结构复杂、参数不确定性高、传统数值方法计算成本昂贵等问题，基于数据驱动或物理引导的深度学习方法展现出前所未有的潜力。

《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》是力学AI有限元-梁老师的原创视频课程，他通过具体的案例，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，获得用户高度关注。7月3日20时，本课程作者力学AI有限元——梁老师，计划对课程学员加餐内容。以下是直播具体安排：

1、主讲嘉宾

力学AI有限元-梁老师，985高校博士，长期从事流体力学、多孔介质渗流模拟与深度学习建模方法的交叉研究。讲师在微尺度流动建模、多尺度渗流行为分析、裂缝网络构建与模拟、物理引导型深度学习等领域具有深厚积累，主持/参与多项国家重点科研项目。讲师擅长将传统数理模型与人工智能技术相结合，推动流体力学模拟的智能化转型，其开发的多孔介质AI建模框架已成功应用于页岩气、CO₂封存、地热开采等多个实际工程场景。

2、报告内容

• 前沿趋势与挑战概述

• 微尺度流动模拟中的难点与需求

• 深度学习如何赋能传统流体模拟

• 流体力学中的AI建模框架

• 数据驱动建模 vs. 物理引导建模

• 卷积神经网络（CNN）、图神经网络（GNN）在渗流模拟中的案例介绍

3、如何观看

请识别下方二维码报名观看，支持反复回看。

《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》