基于机器学习的瞬态 CFD 加速：流动初始化方法
机器学习
2025-06-16 v3 流体动力学
摘要
瞬态计算流体动力学 (CFD) 仿真是许多工业应用的必备工具，但相对于稳态仿真而言计算成本高昂。这主要是由于：(a) 需要通过物理性地将初始场中的误差足够远地输送下游，以达到统计稳态；以及 (b) 需要收集足够的流动数据样本来估计时间平均的感兴趣量。我们提出了一种基于机器学习的初始化方法，旨在通过提供更准确的初始场来降低瞬态求解的成本。通过对汽车空气动力学中的一个案例研究（1700 万网格的不可压缩 RANS 不稳定仿真），我们评估了三个 proposed 的基于机器学习的初始化策略与现有方法的效果。本文演示了相对于传统均匀场和势流基于初始化的 50% 汇解时间缩减。两个基于机器学习的初始化策略被推荐用于通用使用：(1) 将机器学习预测与势流解结合的混合方法；以及 (2) 将机器学习预测与均匀流结合的方法。这两种策略使 CFD 求解器能够实现与计算密集型稳态 RANS 初始化相当的收敛时间，而计算初始化场所需的墙面时间更少。值得注意的是，这些改进是使用在不同汽车几何结构数据集上训练的 ML 模型实现的，展示了对特定工业应用领域具有的泛化能力。由于该 Hybrid-ML 工作流程仅修改了现有 CFD 求解器的输入，而不修改求解器本身，因此可以以相对较少的更改适用于现有 CFD 工作流程，这为使用现有 ML 代理模型加速工业 CFD 仿真提供了实用方法。
引用
@article{arxiv.2503.15766,
title = {Accelerating Transient CFD through Machine Learning-Based Flow Initialization},
author = {Peter Sharpe and Rishikesh Ranade and Kaustubh Tangsali and Mohammad Amin Nabian and Ram Cherukuri and Sanjay Choudhry},
journal= {arXiv preprint arXiv:2503.15766},
year = {2025}
}