首页/文章/ 详情

Luminary相继发布导弹、汽车碰撞、潜艇、无人僚机等一系列AI CFD代理模型

AIE加速工业进化

3月前浏览165

继之前发布了Shift-SUV汽车空气动力学AI模型后，Luminary近期又相继发布了一系列Shift系列AI代理模型，并且通过更先进的模型架构，在超音速、碰撞场景以及泛化性等方向上又取得了突破。

同时，不同于之前的Shift-SUV开源和开放，此次发布的模型都并不开放，很多可能是因为涉及国防军工不便开放，有些则是提供在线试用，将AI模型作为产品发布，吸引潜在客户与他们接触做进一步沟通。

SHIFT-Missile导弹空气动力学模型：超音速分析

不同于之前AI CFD更多应用在低速流场，如汽车、水泵等，导弹飞行速度经常高于音速。超音速状态下气流流经尖锐、复杂的几何形状会产生由激波-激波和激波-边界层相互作用驱动的强非线性，这些效应对几何形状、控制面配置和运行条件高度敏感，

SHIFT-Missile就是一个基于高保真RANS模拟数据集训练出来，用于分析超音速范围内强非线性气动行为的AI CFD模型。

SHIFT-Missile训练数据集共6000组，在四个离散的马赫数（1.5、2.0、2.5、3.0）下生成，每个马赫条件约有 1,500 个样本。

模型能够预测表面压力分布和壁面剪切应力场，从而能够提供详细的流动洞察并推导出综合力和力矩。这些输出也使得工程师能够评估振动载荷和峰值压力等高阶效应。

模型的预测可以在单个消费级 GPU 上在几秒钟内生成，在高端硬件上可以实现亚秒级延迟。

训练的模型预设了一个基础具备鸭翼和尾翼的导弹形状，并设定了9个可变参数：鼻半径、鸭翼高度、鸭翼轴向位置、鸭翼前缘角、鸭翼根部长度、尾翼高度、尾翼前缘角、自由流马赫数和攻角。模型固定了一些几何特征作为假设，如鼻部轮廓被定义为卵形，鸭翼前缘和后缘角被设置为相等。

SHIFT-Missile 使用了基于 NVIDIA 的 PhysicsNeMo 库开发的内部变体 GeoTransolver 架构进行训练。GeoTransolver 比早期的 DoMINO 和 Transolver 架构表现出更强的物理感知能力，并且该模型进一步针对复杂的超音速流动预测进行了适配。

精度方面，Luminary 求解器与空军研究实验室进行的 Finner 导弹实验之间的验证结果如下图。

在2500个测试样本上，轴向力、法向力和俯仰力矩的R2都在0.99以上。

原文：https://luminary.ai/resources/shift-missile-physics-ai-for-supersonic-missile-aerodynamics/

SHIFT-Crash全车碰撞模型：碰撞和自学习

碰撞也是AI代理模型之前难解决的问题之一。它具有高度非线性、强瞬态和空间异质性。在正面碰撞中，车辆的不同部分在同一时间经历不同的行为，前部结构可能发生严重的塑性变形和坍塌，驾驶舱可能经历更有限的运动和载荷传递，而其他区域可能基本保持不变。

Shift-Crash正是Luminary发布的用于汽车证明碰撞全车相应的AI模型。ft-Crash基于2010 年丰田 Yaris 的 5000 次碰撞模拟数据集构建，给定一个初始网格和一组设计条件，模型预测节点位移随时间的变化以及整个碰撞事件中的 Von Mises 应力。

在涵盖建模设计空间的保留测试用例中，SHIFT-Crash 预测峰值减速度与模拟值相差在 3% 以内，峰值防火墙侵入量相差在 2%，以及 delta-V 相差在 2%。

SHIFT-Crash 在单个 NVIDIA T4 GPU 上进行推理大约需要 50 秒

SHIFT-Crash 利用迁移学习将碰撞物理知识从一个车辆项目传递到下一个项目，并跨越不同的车辆类别。

对于第一个 SUV 项目，汽车制造商可以通过使用大约 5,000 次碰撞模拟或现有的历史模拟数据来训练 SHIFT-Crash。随着模型从后续项目中积累知识，评估未来设计所需的新仿真数量可能会大幅减少。到第三个 SUV 项目时，可能需要的额外仿真次数少于 300 次。

SHIFT-Crash 数据集可在 Hugging Face 上下载

原文地址：https://luminary.ai/resources/shift-crash-bringing-physics-ai-to-full-vehicle-crashworthiness-prediction/

SHIFT-CCA无人僚机气动模型

无人僚机/协同作战飞机（Collaborative Combat Aircraft，CCA）被定义为与有人驾驶五代或六代战斗机协同执行任务的伙伴，通过人机协同而非直接取代飞行员来扩展作战力量、感知范围和武器能力。

Luminary 与nTop公司共同开发了CCA的AI代理模型，用于早期设计探索和方案研究，支持对数千种几何变体进行快速筛选和敏感性分析，在早期项目决策过程中对设计空间中最关键区域提供高精度预测。

nTop 通过隐式建模提供了快速参数化创建不同样式的飞机外形，Luminary 提供了一个端到端的物理 AI 平台来训练和部署模型。

SHIFT-CCA 训练数据是使用 Luminary 的 CFD 求解器在符合 CCA 类操作包络的典型巡航条件下生成的。初始版本模拟了约 4,000 种几何变体，目标扩展覆盖范围至 6,000 个案例。

在验证样本集中，部分结果的准确率如下：

SHIFT-Submarine潜艇水动力AI模型

SHIFT-Submarine是一个用于潜艇水动力学的 AI 模型，能够在几秒钟内提供基于物理的性能预测，主要用于无人水下航行器（UUV）开发。

模型的基础是在 Onshape 中创建的完全参数化的潜艇几何形状，跨越了前体、中体、帆、舵和后体等二十三个几何参数，通过参数变化创建训练大量样本训练AI模型。

SHIFT-Submarine初始模型专注于零攻角和阻力。模型成功捕捉了前驻点处的高压区域以及船体后部锥形区域的低压等流体力学特性。模型在预测潜艇船帆处的马蹄形涡流及其与后部区域下游尾流的相互作用方面表现出现，这个是流体动力学中最重要、最复杂的流动特征之一。

模型在阻力预测上实现了百分之几的误差，同时将边际评估成本降低到每个设计几十美元。

原文地址：https://luminary.ai/resources/shift-submarine-physics-ai-driven-submarine-design/

SHIFT-Pump 离心泵性能模型

SHIFT-Pump是面向工业用离心泵的AI模型，接收 13 个设计变量作为输入：包括叶片几何参数（如进出口角度和曲率轮廓）、蜗壳几何参数（如喉部面积）以及运行参数（如转速和流量），预测三个关键量：实际扬程、扭矩和效率。

模型基于超过 5,500 次针对不同设计参数的泵几何形状的高保真 RANS 模拟进行训练。SHIFT-Pump 不是为每个运行点训练单独的替代模型，而是将流量作为直接输入，与几何参数一起，这使得能够在广泛的运行范围内快速生成完整的效率曲线。工程师可以在几秒钟内评估泵在 70%至 120%设计流量范围内的性能，而不是几周。