ChatCFD：基于结构化知识与推理的 LLM 驱动端到端 CFD 自动化智能体
计算与语言
2026-02-10 v3
摘要
计算流体力学（CFD）对科学进步至关重要，但其受制于操作复杂性和极高的专业知识门槛。本文介绍了 ChatCFD，一个由大语言模型（LLM）驱动的多智能体系统，旨在使用 OpenFOAM 实现端到端的 CFD 自动化。在 DeepSeek-R1/V3 的驱动下，ChatCFD 集成了结构化领域知识库、精确的错误定位器和迭代反思机制，从而显著优于现有方法。在 315 个基准案例上，ChatCFD 实现了 82.1% 的执行成功率（相比之下 MetaOpenFOAM 为 6.2%，Foam-Agent 为 42.3%）和 68.12% 的物理保真度——这是一项评估超越单纯可运行性的科学意义的新指标。专用的物理解释器达到了 97.4% 的摘要保真度，弥合了叙事流畅性与严格物理约束执行之间的差距。资源分析证实了其高效性，平均每个案例消耗 192.1k tokens 且成本为 0.208 美元，显著低于基线成本。消融研究表明错误定位器和求解器模板数据库至关重要，后者的移除会使准确率下降至 48%。该系统表现出鲁棒的灵活性，在自主求解器选择中达到 95.23% 的成功率，在湍流建模中达到 100% 的成功率，同时在基线方法失败的复杂文献案例（如 NACA0012、超音速喷管）中实现了 60-80% 的成功率。ChatCFD 采用模块化、兼容 MCP 的设计，促进了可扩展、协作的 AI 驱动 CFD。代码可在以下地址获取：https://github.com/ConMoo/ChatCFD
引用
@article{arxiv.2506.02019,
title = {ChatCFD: An LLM-Driven Agent for End-to-End CFD Automation with Structured Knowledge and Reasoning},
author = {E Fan and Kang Hu and Zhuowen Wu and Jiangyang Ge and Jiawei Miao and Yuzhi Zhang and He Sun and Weizong Wang and Tianhan Zhang},
journal= {arXiv preprint arXiv:2506.02019},
year = {2026}
}
备注
19 pages, 8 figures