基于 CFD 预测的机器学习第 2 部分：在 Benchmark 应用程序上使用 Stochos 预测流场

了解机器学习和 Stochos 如何彻底改变制造业的 CFD 预测。

挑战

预测复杂流体动力学场景中的流场一直是工程师和科学家面临的重大挑战。传统的计算流体动力学 （CFD） 方法需要大量的计算资源和时间，因此难以处理实时预测和大规模模拟。

此外，与这些仿真相关的高成本以及需要微调大量参数通常会导致效率低下。应对这些挑战需要将准确性、速度和成本效益相结合的创新方法。

工程解决方案

将 Stochos 集成到工程工作流程中涉及一个无缝过程，其中机器学习模型在历史 CFD 数据上进行训练。经过训练后，Stochos 可以预测新场景的流场，而无需进行广泛的模拟。

这种集成使工程师能够将更多精力放在创新上，而不是重复性任务上，从而提高工程流程的整体生产力和效率。

以前，用于预测标量的 Stochos 应用程序是在基准案例中演示的1.在本博客中，将扩展该 App 以预测场属性。

Benchmark 应用程序：

使用了带阀门的压缩管。典型的 CFD 工作流程如图 1 所示。该基准研究针对医疗器械应用，因此作液设置为血液特性。考虑的变量是压力、速度和溶血指数 （HI）

 

图 1.基准测试应用程序的 CFD 工作流程

 

为了给 Stochos 模型提供数据，考虑了之前应用程序中的 12 个训练条件。将新数据点（测试 4）添加到测试条件中（图 2）。

 

图 2.训练和测试条件

对于所有这些条件，都遵循 CFD 工作流，并预测字段属性。提取整个流场的数据，并用于馈送 Stochos 模型。因此，Stochos 模型的初始步骤是读取数据并创建训练组和测试组。该模型使用回归分析，并使模型与训练数据拟合。然后，模型使用测试数据进行预测。r2 的计算考虑了所提供模型的所有节点（图 3）。

 

图 3.Stochos 代码的主体

该代码进一步计算字段变量的绝对误差和相对误差以进行比较。

这个 r2的结果表明，Stochos 模型与 CFD 预测非常一致（表 1）。

表 1.r2 用于测试条件

 

图 4 显示了 CFD 预测、Stochos 预测和测试 2 的绝对误差的场变量的轮廓。Stochos 预测在定性和定量上都与 CFD 预测非常一致。考虑到获得 Stochos 预测所需的处理时间，这是非常有希望的。

 

图 4.测试 2 的预测字段变量和绝对误差

 

对于测试 4，与其他预测相比，预测中的误差较高，即使 r2的值仍大于 0.83。为了增强模型，可以将这些测试条件添加到列车列表中，并可以考虑新的测试条件。数据越多，设计空间内的 Stochos 预测就越好。