В современном мире практически во всех отраслях наблюдается высокая конкуренция. Разработка и вывод нового изделия на рынок в таких условиях требует рассмотрения все большего рассмотрения вариантов, при этом сроки на проектирование неумолимо сокращаются. В таких условиях традиционные подходы часто были ограничены точностью и скоростью расчетов, опирающихся на опыт и скорость отдельных специалистов.
Современные подходы к автоматизации процесса расчета и внедрение технологий искусственного интеллекта открывают новое возможности для сокращения сроков проектирования, а использование технологий воспроизводительных вычислений (HPC) позволяют раскрыть максимально потенциал технологии. Это направление является ключевым у мировых гегемонов в области CAE.
Работают ли эти технологии в отечественных реалиях?
На самом деле, у «Адванс Инжиниринг» уже был ответ на этот вопрос. Компания давно применяла подобные методики, создавая предиктивные модели для решения прикладных инженерных задач. Например, летом этого года специалисты провели вебинар, где наглядно показали переход от вычислительно затратной трехмерной задачи к быстрой аппроксимационной модели. Однако у всех таких решений была общая особенность: в качестве результата рассматривалась интегральная величина. Так, в том же вебинаре поле давлений из CFD-расчета сводилось к усредненному значению по площади. Это оставляло открытым ключевой вопрос: можно ли с помощью технологий искусственного интеллекта получать не усредненные показатели, а точное, «полноценное» поле результатов?
Проведение тестирования
Чтобы получить окончательный ответ, специалисты «Адванс Инжиниринг» провели практическое тестирование, используя отечественное программное обеспечение. Основными требованиями к тесту были: значительное увеличение скорости вычислений при обязательном сохранении высокой точности результатов. Для этого была использована связка программных продуктов, включающая платформу DT SEVEN (разработчик: DATADVANCE) и ПО для расчета аэродинамики Star CCM+.
Постановка задачи
В качестве тестового примера была выбрана задача аэродинамического обтекания тела простой геометрии. Целью являлось построение поля давления по результатам CFD-моделирования. Решение было разбито на три ключевых этапа:
1. Обработка и подготовка исходных данных.
2. Обучение модели.
3. Валидация и проверка адекватности полученной модели.
Этап 1 – Генерация и подготовка исходных данных
Поскольку задача была тестовой и готовый набор данных отсутствовал, на первом этапе необходимо было одновременно генерировать и обрабатывать исходные данные. Для этого на платформе DT SEVEN был настроен автоматизированный процесс расчета, который позволял получать поля давления без ручного вмешательства (рис. 1). Для запуска вычислений требовалось лишь задать диапазон изменения варьируемого параметра (в нашем случае — скорость потока) и необходимое количество расчетных случаев.
Рисунок 1 – Автоматизированная расчетная цепочка по генерации исходных данных
Этап 2 – Обучение модели
На втором этапе предстояло обучить модель. Ключевой сложностью здесь является работа с полями данных, где каждая точка (а их может быть больше миллиона) традиционно рассматривается как отдельный выходной параметр. Прямое прогнозирование для такого количества параметров классическими методами невозможно. Чтобы обойти это ограничение, был применен метод интеллектуального сжатия данных. С помощью встроенных в DT SEVEN инструментов была создана промежуточная модель, задачей которой было сжать исходное поле давления в компактный вектор переменных, на котором обучается основная модель, а затем восстановить полное поле давления из этого вектора с заданной точностью. Уровень сжатия (размер вектора) определялся автоматически исходя из допустимой погрешности восстановления.
Непосредственное создание предсказательной модели выполнялось в модуле ApproxBuilder. Этот инструмент поддерживает множество алгоритмов машинного обучения. В рамках тестирования была задействована функция SmartSelection, которая автоматически перебирает доступные методы и выбирает оптимальный для каждого прогнозируемого параметра на основе результатов встроенной валидации.
Все перечисленные этапы были объединены в единый автоматизированный процесс для создания и валидации предсказательной модели (рис.2).
Рисунок 2 – Автоматизированная расчетная цепочка единого процесса создания и валидации предсказательной модели
Этап 3 – Валидация модели
Качество работы итоговой модели оценивалось на тестовой выборке, не участвовавшей в обучении. Результаты тестирования показали следующие результаты:
- Точность восстановления поля: ≈99% (норма L2 = 2.4474 Па).
- Среднеквадратичная ошибка (MSE): 0.0012.
Полученные метрики демонстрируют минимальный уровень отклонений и высокую точность модели. Это подтверждает, что она может служить надежной заменой прямым вычислительным методам в задачах инженерной оптимизации.
На рисунке 3 представлено визуальное сравнение поля давления, полученного в результате прямого CFD-моделирования, и поля давления, полученного с помощью предсказательной модели.
Рисунок 3 – Сравнение полей давления
По результатам можно сделать следующие выводы:
1. Подтверждена высокая эффективность подхода. Разработанная предсказательная модель продемонстрировала возможность сокращения времени получения полей результатов на 99% по сравнению с прямыми CFD-расчетами при сохранении высокой точности.
2. Достигнута необходимая точность. Метрики (L2-норма ≈ 2.45 Па, MSE = 0.0012) доказывают, что модель достоверно восстанавливает полную картину поля давлений.
3. Решена ключевая проблема масштабирования. Применение методов интеллектуального сжатия данных позволило успешно работать с многомиллионными сетками, преодолев ограничения "классического" машинного обучения.
4. Открыты перспективы для оптимизации. Полученные результаты позволяют использовать данную методологию в итерационных процессах оптимизации и концептуального проектирования, где скорость расчета критически важна.
