智流：面向工程场景的AI-CFD多智能体加速仿真平台
计算流体力学仿真门槛高、流程繁琐。从几何建模、网格划分到求解器配置、后处理分析，传统流程不仅依赖资深工程师的经验，还充斥着大量重复性人工操作。近日，哈尔滨工业大学（深圳）研究团队在《空气动力学学报》发表论文，正式推出“智流”—一个面向工程场景的 AI-CFD 多智能体加速仿真平台，为这一难题提供了全新的解题思路。
传统 CFD 仿真：效率瓶颈何在？
现代工程设计中，CFD 已是分析复杂流动、优化产品性能的核心工具。然而，传统流程存在四大痛点：门槛高、流程配置复杂、经验依赖强、收敛与调参成本高。几何建模与网格划分相互独立，设计改动便需重新生成网格；大量人工参与不仅周期长、缺乏标准，还易引入人为误差，难以支撑工程设计的快速迭代。
“智流”平台：让 CFD 仿真像聊天一样简单
“智流”平台的核心突破在于，以大语言模型为中枢，将自然语言需求直接转化为可执行的仿真任务。用户只需像聊天一样输入需求，比如“分析风力发电机在风速 2~4.5 m/s 下的升力系数”，系统便自动完成从需求解析、建模、求解到可视化报告的全流程。
平台采用模块化架构，分为用户交互层、AI 智能层、仿真计算层和可视化展示层。其中 AI 智能层是核心，由多智能体协作体系驱动——任务解析、几何建模、网格生成、物理建模、求解流程、后处理、知识推理、中控调度等智能体各司其职，通过中控调度统一协调。
关键技术：不止是“AI 套壳”
“智流”并非简单调用大模型，而是构建了一套完整的工程智能基础设施：
检索增强生成与工程知识图谱：系统构建了结构化的向量数据库，包含仿真手册、求解器文档、科研论文、历史任务等，让智能体在生成内容时能实时检索最相关的 CFD 知识。
多阶段 Prompt 调度机制：将复杂任务划分为需求识别、建模准备、网格生成、物理建模、数值求解、结果分析等多个逻辑阶段，动态触发后续指令生成，确保信息有序传递。
多模态输入支持：用户可上传几何图纸、网格截图、流场云图等，系统通过图像识别与语义提取技术将其转化为可执行的 Prompt 上下文。
本地化部署与合规保障：平台支持本地部署、权限控制与日志审计，满足工业场景的安全合规要求。
平台主要基于国产开源 CFD 平台——风雷软件（NNW-PHengLEI）构建，并调用其核心求解器模块，为推动国产 CFD 软件智能化转型提供了可落地路径。
效果如何？数据说话
研究团队通过标准算例对“智流”平台与常规仿真方法进行了对比实验：
端到端响应时间缩短 21.17%，从 23.4 小时降至 18.5 小时
人为主动工时减少 65.26%，从 9.5 小时减至 3.3 小时
人为操作步数仅为常规仿真的八分之一，从 1200 步降至 150 步
设置与准备时间减少 84.62%
在精度方面，以风力发电机仿真为例，“智流”平台仿真结果与风洞实测值的最大误差仅为 3.27%，验证了其高精度仿真能力。求解稳定性方面，平台的标准差也显著低于人工流程，有效抑制了人为操作差异带来的误差积累。
值得一提的是，平台并非“黑盒”自动化，而是设计了灵活的人工介入接口，用户在关键节点可手动调整参数，形成“自动主导、人工修正”的协同模式。
意义与展望
“智流”平台的诞生，标志着 CFD 正从工具驱动向智能协同转型。它不仅大幅降低了 CFD 的使用门槛，让更多工程师能够快速上手复杂仿真，更通过标准化、可复用的智能流程，为批量化仿真与设计空间探索提供了技术基础。
团队表示，未来将进一步拓展多物理场耦合建模能力，并针对航空航天、汽车工程、环境模拟等行业构建标准化仿真模板，为 CFD 工程应用提供更可靠、可控的技术支撑。
当大语言模型遇上计算流体力学，“智流”让我们看到了工程仿真的另一种可能——让复杂变简单，让专业更普惠。
引用及参考：刘承, 杨思尧, 魏昕楠, 等. 智流：面向工程场景的AI-CFD多智能体加速仿真平台[J].空气动力学学报, 2026, 44(3): 123-131.
