کاربرد هوش مصنوعی در شبیه‌سازی CFD چیست؟ بررسی نقش یادگیری ماشین در دینامیک سیالات محاسباتی

هوش مصنوعی (Artificial Intelligence) در سال‌های اخیر به یکی از فناوری‌های اثرگذار در مهندسی محاسباتی تبدیل شده است. یکی از حوزه‌هایی که ظرفیت بالایی برای استفاده از این فناوری دارد، دینامیک سیالات محاسباتی (Computational Fluid Dynamics یا CFD) است. شبیه‌سازی CFD به مهندسان امکان می‌دهد جریان سیال، انتقال حرارت، اختلاط، احتراق، نیروهای آیرودینامیکی و بسیاری از پدیده‌های پیچیده را به‌صورت عددی بررسی کنند؛ اما اجرای این تحلیل‌ها، به‌ویژه در مسائل سه‌بعدی، گذرا و چندفیزیکی، ممکن است به شبکه‌های محاسباتی بزرگ و زمان پردازش قابل‌توجهی نیاز داشته باشد. هوش مصنوعی می‌تواند با تحلیل داده‌های حاصل از آزمایش‌ها و شبیه‌سازی‌های پیشین، بخشی از محاسبات تکراری را سریع‌تر کند، رفتار جریان را پیش‌بینی کند، در انتخاب پارامترهای مدل‌سازی کمک کند و حتی در طراحی هندسه‌های جدید نقش داشته باشد. با این حال، هوش مصنوعی جایگزین کامل حل عددی معادلات حاکم بر جریان نیست؛ بلکه در بسیاری از کاربردها به‌عنوان ابزاری مکمل در کنار روش‌های کلاسیک CFD استفاده می‌شود. در این مقاله، مهم‌ترین کاربردهای هوش مصنوعی در شبیه‌سازی CFD، روش‌های یادگیری ماشین، کاربرد آن در انسیس فلوئنت و سایر نرم‌افزارهای مهندسی، مزایا، محدودیت‌ها و مسیرهای آینده این فناوری بررسی می‌شود.

۱. ارتباط هوش مصنوعی و دینامیک سیالات محاسباتی

در روش متداول CFD، معادلات حاکم بر جریان سیال، شامل معادلات پایستگی جرم، مومنتوم و در صورت نیاز انرژی، به روش‌های عددی حل می‌شوند. برای این کار ابتدا هندسه مسئله آماده‌سازی می‌شود، دامنه محاسباتی شبکه‌بندی می‌شود، شرایط مرزی و مدل‌های فیزیکی تعیین می‌شوند و سپس حل‌گر عددی میدان سرعت، فشار، دما و سایر متغیرها را محاسبه می‌کند. این فرایند از نظر علمی قابل اتکا است، اما هزینه محاسباتی آن در مسائل پیچیده می‌تواند زیاد باشد. برای مثال، شبیه‌سازی جریان آشفته اطراف یک خودرو، بررسی انتقال حرارت در یک مبدل صنعتی یا تحلیل جریان چندفازی در یک تجهیز فرایندی ممکن است به تعداد زیادی سلول محاسباتی و گام زمانی نیاز داشته باشد. هوش مصنوعی با استفاده از داده‌های تولیدشده توسط شبیه‌سازی‌های CFD یا آزمایش‌های تجربی، می‌تواند رابطه میان ورودی‌های مسئله و خروجی‌های آن را یاد بگیرد. پس از آموزش، مدل هوش مصنوعی قادر است برای برخی شرایط جدید، پاسخ‌هایی را با سرعت بسیار بیشتر از یک شبیه‌سازی کامل پیش‌بینی کند. برای نمونه، اگر مجموعه‌ای از شبیه‌سازی‌های یک مبدل حرارتی با دبی‌ها، دماهای ورودی و هندسه‌های مختلف انجام شده باشد، می‌توان از داده‌های آن‌ها برای آموزش یک مدل یادگیری ماشین استفاده کرد. مدل آموزش‌دیده ممکن است بتواند افت فشار یا نرخ انتقال حرارت را برای شرایط جدید تخمین بزند؛ البته دقت آن باید در محدوده کاربرد موردنظر اعتبارسنجی شود.

۲. مهم‌ترین روش‌های هوش مصنوعی مورد استفاده در CFD

هوش مصنوعی یک روش واحد نیست و مجموعه‌ای از الگوریتم‌ها و معماری‌های محاسباتی را در بر می‌گیرد. برخی از این روش‌ها برای پیش‌بینی خروجی‌های مهندسی مناسب‌اند، برخی برای بازسازی میدان جریان و برخی دیگر برای حل یا تقریب معادلات فیزیکی توسعه یافته‌اند.

۲-۱. یادگیری ماشین (Machine Learning)

یادگیری ماشین به الگوریتم‌هایی گفته می‌شود که الگوها و روابط موجود در داده‌ها را استخراج می‌کنند و بر اساس آن‌ها پیش‌بینی انجام می‌دهند. در کاربردهای CFD، ورودی مدل می‌تواند شامل سرعت ورودی، فشار، دما، عدد رینولدز، مشخصات هندسی و خواص سیال باشد. خروجی نیز ممکن است شامل ضریب درگ، ضریب لیفت، افت فشار، دمای خروجی یا سایر شاخص‌های عملکردی باشد. از الگوریتم‌های متداول یادگیری ماشین در مسائل مهندسی می‌توان به موارد زیر اشاره کرد:

• رگرسیون خطی و چندجمله‌ای برای مدل‌سازی روابط نسبتاً ساده؛
• ماشین بردار پشتیبان (Support Vector Machine) برای پیش‌بینی روابط غیرخطی؛
• جنگل تصادفی (Random Forest) برای تحلیل داده‌های چندمتغیره و بررسی اهمیت پارامترها؛
• تقویت گرادیانی (Gradient Boosting) برای ساخت مدل‌های پیش‌بینی دقیق در داده‌های ساختاریافته؛
• شبکه‌های عصبی مصنوعی (Artificial Neural Networks) برای تقریب روابط پیچیده و غیرخطی.

برای مثال، در طراحی یک کانال خنک‌کاری می‌توان با استفاده از مجموعه‌ای از نتایج CFD، مدلی ساخت که با دریافت ابعاد کانال، دبی و دمای ورودی، افت فشار و عملکرد حرارتی آن را تخمین بزند.

۲-۲. یادگیری عمیق (Deep Learning)

یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی چندلایه برای استخراج الگوهای پیچیده استفاده می‌کند. این روش در مسائلی که داده‌ها ساختار مکانی یا زمانی دارند، کاربرد قابل‌توجهی پیدا کرده است. در CFD، خروجی حل‌گر معمولاً فقط یک عدد نیست؛ بلکه میدان‌های مکانی مانند توزیع فشار، سرعت و دما را شامل می‌شود. یادگیری عمیق می‌تواند برای بازسازی یا پیش‌بینی این میدان‌ها به کار رود. برای مثال، یک شبکه عصبی می‌تواند با دریافت هندسه یک جسم و شرایط جریان، توزیع تقریبی فشار در اطراف آن را پیش‌بینی کند. چنین مدلی ممکن است برای بررسی اولیه طرح‌ها مفید باشد، اما در تحلیل نهایی باید دقت آن با نتایج حل عددی معتبر یا داده‌های آزمایشگاهی مقایسه شود.

۲-۳. شبکه‌های عصبی کانولوشنی (CNN)

شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks) ابتدا در پردازش تصویر توسعه یافتند، اما به دلیل توانایی در استخراج الگوهای مکانی، در تحلیل میدان‌های فیزیکی نیز مورد استفاده قرار گرفته‌اند. در مسائل CFD، میدان سرعت، فشار و دما را می‌توان به‌صورت آرایه‌های دوبعدی یا سه‌بعدی نمایش داد. شبکه CNN می‌تواند الگوهای مکانی موجود در این میدان‌ها را یاد بگیرد و برای بازسازی یا پیش‌بینی آن‌ها استفاده شود. از کاربردهای این روش می‌توان به تخمین توزیع فشار اطراف ایرفویل، بازسازی میدان سرعت در کانال‌ها و پیش‌بینی تقریبی ساختارهای جریان در هندسه‌های تکرارشونده اشاره کرد.

۲-۴. شبکه‌های عصبی بازگشتی و مدل‌های زمانی

در شبیه‌سازی جریان‌های گذرا، متغیرهای جریان در طول زمان تغییر می‌کنند. به همین دلیل، علاوه بر موقعیت مکانی، وابستگی زمانی نیز اهمیت دارد. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks) و معماری‌هایی مانند LSTM برای یادگیری وابستگی‌های زمانی توسعه یافته‌اند. این روش‌ها می‌توانند از توالی داده‌های قبلی برای پیش‌بینی وضعیت آینده استفاده کنند. برای نمونه، در تحلیل جریان ناپایدار پشت یک استوانه، مدل یادگیری ماشین می‌تواند از داده‌های زمانی میدان سرعت استفاده کند تا تغییرات بعدی جریان را تخمین بزند. کیفیت چنین پیش‌بینی‌ای به دامنه داده آموزشی، کیفیت داده‌ها و شباهت شرایط جدید به شرایط آموزش وابسته است.

۲-۵. شبکه‌های عصبی آگاه از فیزیک (Physics-Informed Neural Networks)

یکی از رویکردهای مهم در پیوند هوش مصنوعی و مکانیک سیالات، شبکه‌های عصبی آگاه از فیزیک یا PINN است. در روش‌های معمول یادگیری ماشین، مدل عمدتاً از داده‌های ورودی و خروجی آموزش می‌بیند. اما در PINN، اطلاعات مربوط به قوانین فیزیکی نیز در فرایند آموزش وارد می‌شوند. برای مثال، می‌توان از معادلات پیوستگی و مومنتوم به‌عنوان بخشی از معیار آموزش استفاده کرد تا مدل فقط به تطبیق داده‌ها محدود نباشد و با قیود فیزیکی مسئله نیز سازگار شود. این روش در برخی مسائل جریان سیال، انتقال حرارت، جریان در محیط متخلخل و مسائل معکوس مورد مطالعه قرار گرفته است. با این حال، PINN همیشه سریع‌تر یا دقیق‌تر از حل‌گرهای کلاسیک نیست. در مسائل دارای آشفتگی شدید، هندسه پیچیده یا چندین مقیاس مکانی و زمانی، آموزش شبکه ممکن است دشوار و پرهزینه باشد.

۳. کاربردهای اصلی هوش مصنوعی در شبیه‌سازی CFD

هوش مصنوعی در CFD تنها برای پیش‌بینی یک مقدار عددی به کار نمی‌رود. این فناوری می‌تواند در مراحل مختلف فرایند شبیه‌سازی، از طراحی اولیه تا تحلیل نتایج و بهینه‌سازی، نقش داشته باشد.

۳-۱. پیش‌بینی سریع میدان سرعت، فشار و دما

یکی از مهم‌ترین کاربردهای هوش مصنوعی، ساخت مدل جانشین (Surrogate Model) برای تقریب نتایج شبیه‌سازی CFD است. مدل جانشین، یک مدل محاسباتی جایگزین و کم‌هزینه‌تر است که رفتار ورودی و خروجی یک سیستم را بر اساس داده‌های قبلی یاد می‌گیرد. به‌جای اجرای مجدد یک شبیه‌سازی سنگین برای هر حالت، می‌توان از مدل آموزش‌دیده برای تخمین سریع پاسخ استفاده کرد. برای مثال، در طراحی یک ایرفویل، اجرای شبیه‌سازی برای هر زاویه حمله و سرعت جریان ممکن است زمان‌بر باشد. اگر مجموعه‌ای از شبیه‌سازی‌های معتبر در شرایط مختلف تهیه شود، یک مدل جانشین می‌تواند ضریب لیفت، ضریب درگ یا توزیع تقریبی فشار را برای حالت‌های جدید پیش‌بینی کند. البته پیش‌بینی مدل جانشین باید در محدوده‌ای انجام شود که داده‌های آموزشی نماینده مناسبی از آن باشند. پیش‌بینی خارج از محدوده آموزش می‌تواند خطای زیادی داشته باشد.

۳-۲. کاهش زمان محاسباتی شبیه‌سازی

در بسیاری از پروژه‌های CFD، تعداد زیادی حالت عملیاتی باید بررسی شود. برای مثال، ممکن است لازم باشد عملکرد یک مبدل حرارتی در ده‌ها ترکیب مختلف از دبی و دمای ورودی ارزیابی شود. اجرای کامل حل عددی برای تمام این حالت‌ها می‌تواند هزینه محاسباتی زیادی داشته باشد. در چنین شرایطی، استفاده از مدل‌های جانشین آموزش‌دیده می‌تواند تعداد شبیه‌سازی‌های موردنیاز را کاهش دهد. این موضوع به‌ویژه در طراحی پارامتریک، مطالعات حساسیت و بهینه‌سازی اهمیت دارد. با این وجود، مدل هوش مصنوعی معمولاً برای ایجاد داده آموزشی به تعدادی شبیه‌سازی CFD معتبر نیاز دارد و نباید کاهش زمان پیش‌بینی را با حذف کامل نیاز به حل عددی اشتباه گرفت.

۳-۳. بهینه‌سازی هندسه و طراحی تجهیزات

بهینه‌سازی هندسی یکی از حوزه‌های مهم استفاده از هوش مصنوعی در مهندسی سیالات است. در این روش، الگوریتم‌های یادگیری ماشین می‌توانند رابطه میان پارامترهای هندسی و عملکرد سیستم را تخمین بزنند. برای مثال، در طراحی یک مبدل حرارتی، پارامترهایی مانند قطر لوله، فاصله بین لوله‌ها، آرایش لوله‌ها و دبی سیال بر انتقال حرارت و افت فشار اثر می‌گذارند. مدل هوش مصنوعی می‌تواند با تحلیل نتایج شبیه‌سازی‌های قبلی، نواحی امیدوارکننده فضای طراحی را شناسایی کند. سپس الگوریتم بهینه‌سازی می‌تواند طرح‌هایی را جست‌وجو کند که هم‌زمان انتقال حرارت مناسب و افت فشار قابل قبول داشته باشند. در این فرایند، هوش مصنوعی به‌تنهایی جایگزین تحلیل فیزیکی نمی‌شود؛ طرح نهایی باید با شبیه‌سازی دقیق‌تر و در صورت امکان آزمایش تجربی ارزیابی شود.

۳-۴. پیش‌بینی و تحلیل جریان آشفته

جریان آشفته (Turbulent Flow) یکی از پیچیده‌ترین موضوعات در CFD است. مدل‌سازی این جریان به دلیل وجود ساختارهای گردابه‌ای، نوسانات سرعت و فشار و گستردگی مقیاس‌های مکانی و زمانی دشوار است. مدل‌های کلاسیک آشفتگی مانند خانواده مدل‌های K-Epsilon، مدل K-Omega و روش شبیه‌سازی گردابه‌های بزرگ (Large Eddy Simulation یا LES) برای کاربردهای مختلف توسعه یافته‌اند. هوش مصنوعی می‌تواند به‌عنوان ابزاری مکمل برای بهبود برخی جنبه‌های مدل‌سازی آشفتگی مورد استفاده قرار گیرد. از جمله کاربردهای پژوهشی آن می‌توان به تخمین تنش‌های رینولدز، اصلاح برخی روابط بستار آشفتگی، شناسایی ساختارهای گردابه‌ای و پیش‌بینی ویژگی‌های آماری جریان اشاره کرد. با این حال، یک مدل یادگیری ماشین که در یک جریان خاص آموزش دیده است، لزوماً برای هندسه یا رژیم جریان دیگری معتبر نیست. به همین دلیل، استفاده از این مدل‌ها در مسائل صنعتی نیازمند ارزیابی دقیق و بررسی سازگاری فیزیکی است.

۳-۵. تشخیص خطا و تحلیل کیفیت نتایج CFD

هوش مصنوعی می‌تواند در بررسی کیفیت داده‌های شبیه‌سازی نیز کاربرد داشته باشد. برای مثال، با تحلیل مجموعه‌ای از نتایج می‌توان الگوهایی را شناسایی کرد که احتمال وجود خطا در تنظیمات یا خروجی مدل را نشان می‌دهند. برخی کاربردهای بالقوه عبارت‌اند از:

• شناسایی نتایج غیرعادی در فشار، سرعت یا دما؛
• تشخیص الگوهای تکرارشونده در عدم همگرایی حل؛
• شناسایی حساسیت غیرمنتظره خروجی‌ها به شرایط مرزی؛
• دسته‌بندی نتایج شبیه‌سازی بر اساس رفتار فیزیکی؛
• کمک به اولویت‌بندی مواردی که به بررسی مهندسی بیشتری نیاز دارند.

نکته مهم این است که همگرایی عددی با صحت فیزیکی یکسان نیست. حتی اگر مدل هوش مصنوعی یک نتیجه را عادی یا قابل قبول تشخیص دهد، این موضوع به‌تنهایی اعتبار نتایج CFD را اثبات نمی‌کند. بررسی استقلال از شبکه، موازنه جرم و انرژی و اعتبارسنجی با داده‌های مرجع همچنان ضروری است.

۳-۶. تحلیل انتقال حرارت و خنک‌کاری تجهیزات

در مسائل انتقال حرارت، هوش مصنوعی می‌تواند برای پیش‌بینی دمای قطعات، تخمین نرخ انتقال حرارت و بهینه‌سازی سامانه‌های خنک‌کاری به کار رود. یکی از حوزه‌های مهم، خنک‌کاری باتری خودروهای برقی است. در این کاربرد، مدل‌های یادگیری ماشین می‌توانند با استفاده از داده‌های CFD و آزمایش، ارتباط میان دبی خنک‌کننده، هندسه مسیر جریان، بار حرارتی و توزیع دما را یاد بگیرند. در خنک‌کاری دیتاسنترها نیز می‌توان از هوش مصنوعی برای تخمین توزیع دمای هوا، شناسایی نواحی دارای تهویه نامناسب و ارزیابی طرح‌های مختلف چیدمان تجهیزات استفاده کرد. ترکیب CFD و هوش مصنوعی در این کاربردها می‌تواند به کاهش تعداد طرح‌های نیازمند شبیه‌سازی کامل و سرعت‌بخشیدن به فرایند طراحی کمک کند.

۳-۷. طراحی آیرودینامیکی و کاهش نیروی درگ

در آیرودینامیک، هوش مصنوعی می‌تواند برای تحلیل و بهینه‌سازی شکل اجسام استفاده شود. طراحی خودرو، هواپیما، توربین بادی و پره‌های تجهیزات دوار از جمله زمینه‌های مرتبط هستند. برای نمونه، در طراحی بدنه خودرو، مجموعه‌ای از شبیه‌سازی‌های CFD می‌تواند برای آموزش مدلی استفاده شود که ضریب درگ را بر اساس پارامترهای هندسی تخمین بزند. سپس می‌توان از این مدل برای غربالگری سریع طرح‌های اولیه استفاده کرد. در طراحی پره توربین بادی نیز امکان بررسی ارتباط میان هندسه پره، شرایط باد و عملکرد آیرودینامیکی وجود دارد. مدل هوش مصنوعی می‌تواند به شناسایی طرح‌های مناسب کمک کند، اما ارزیابی نهایی باید اثرات سه‌بعدی، شرایط واقعی بهره‌برداری و محدودیت‌های سازه‌ای را نیز در نظر بگیرد.

۳-۸. کاربرد در مسائل جریان خون و مهندسی پزشکی

در مهندسی پزشکی، CFD برای بررسی جریان خون در عروق، جریان هوا در مجاری تنفسی و انتقال حرارت در بافت‌ها به کار می‌رود. هوش مصنوعی می‌تواند با تحلیل داده‌های تصویربرداری پزشکی، نتایج شبیه‌سازی و داده‌های تجربی، در بازسازی هندسه، پیش‌بینی شاخص‌های جریان و تحلیل سریع سناریوهای مختلف کمک کند. برای مثال، در شبیه‌سازی جریان خون در یک رگ دارای تنگی، مدل یادگیری ماشین می‌تواند برای تخمین اولیه افت فشار یا برخی شاخص‌های همودینامیکی استفاده شود. با این حال، به دلیل حساسیت کاربردهای پزشکی، خروجی چنین مدلی نباید بدون اعتبارسنجی تخصصی مبنای تصمیم‌گیری بالینی قرار گیرد.

۴. مقایسه روش سنتی CFD با روش ترکیبی CFD و هوش مصنوعی

تفاوت اصلی میان روش سنتی و روش ترکیبی، در نحوه استفاده از داده‌ها و هزینه محاسباتی مراحل تکراری است. روش سنتی بر حل مستقیم معادلات فیزیکی تکیه دارد؛ در حالی که روش ترکیبی، از نتایج حل عددی برای آموزش یک مدل پیش‌بینی‌کننده نیز استفاده می‌کند.

در عمل، این دو روش رقیب مطلق یکدیگر نیستند. ترکیب آن‌ها در بسیاری از مسائل می‌تواند از نظر دقت و هزینه محاسباتی مناسب‌تر باشد.

۵. چگونه هوش مصنوعی را با انسیس فلوئنت ترکیب کنیم؟

یکی از مسیرهای عملی استفاده از هوش مصنوعی در پروژه‌های مهندسی، تولید داده با نرم‌افزار انسیس فلوئنت و سپس تحلیل این داده‌ها با ابزارهای یادگیری ماشین است. در این رویکرد، فلوئنت وظیفه حل فیزیکی مسئله را بر عهده دارد و ابزار هوش مصنوعی از نتایج حاصل برای پیش‌بینی، تحلیل حساسیت یا بهینه‌سازی استفاده می‌کند.

۵-۱. تولید داده‌های آموزشی در انسیس فلوئنت

در اولین مرحله باید مسئله CFD به‌درستی تعریف شود. هندسه، شبکه محاسباتی، شرایط مرزی، خواص سیال و مدل‌های فیزیکی باید متناسب با هدف تحلیل انتخاب شوند. سپس مجموعه‌ای از شبیه‌سازی‌ها با تغییر کنترل‌شده پارامترهای ورودی انجام می‌شود. برای مثال، در بررسی عملکرد یک کانال خنک‌کاری می‌توان پارامترهایی مانند سرعت ورودی، دمای سیال، ارتفاع کانال و عرض آن را تغییر داد. برای هر حالت، خروجی‌هایی مانند افت فشار، دمای بیشینه و یکنواختی توزیع دما استخراج می‌شوند. این داده‌ها مجموعه آموزشی اولیه مدل یادگیری ماشین را تشکیل می‌دهند. کیفیت این مجموعه به دقت شبیه‌سازی‌ها، تنوع شرایط بررسی‌شده و صحت استخراج داده‌ها وابسته است.

۵-۲. استخراج داده از نتایج شبیه‌سازی

پس از اجرای حل‌ها، باید متغیرهای موردنیاز به شکل منظم استخراج شوند. بسته به نوع مسئله، داده‌های موردنیاز می‌توانند شامل موارد زیر باشند:

• سرعت ورودی و خروجی سیال؛
• فشار استاتیک و افت فشار؛
• دمای ورودی، خروجی و بیشینه؛
• ضریب درگ و ضریب لیفت؛
• نرخ انتقال حرارت؛
• توزیع مکانی سرعت، فشار و دما؛
• مشخصات هندسی و خواص مواد.

برای آموزش یک مدل پیش‌بینی‌کننده، لازم است هر ردیف داده ورودی‌ها و خروجی‌های متناظر یک شبیه‌سازی را در بر بگیرد. اگر هدف بازسازی میدان جریان باشد، ساختار داده باید اطلاعات مکانی و در صورت نیاز زمانی را نیز حفظ کند.

۵-۳. آموزش مدل یادگیری ماشین

داده‌های استخراج‌شده را می‌توان با ابزارهایی مانند پایتون و کتابخانه‌های متداول یادگیری ماشین پردازش کرد. در این مرحله، داده‌ها معمولاً به سه بخش تقسیم می‌شوند: داده آموزشی، داده اعتبارسنجی و داده آزمون. داده آموزشی برای یادگیری روابط استفاده می‌شود. داده اعتبارسنجی به انتخاب ساختار و تنظیمات مدل کمک می‌کند و داده آزمون برای سنجش عملکرد مدل روی نمونه‌هایی به کار می‌رود که در آموزش مستقیم آن دخالت نداشته‌اند. انتخاب الگوریتم به نوع خروجی و حجم داده بستگی دارد. برای پیش‌بینی یک مقدار مانند ضریب درگ، روش‌هایی مانند جنگل تصادفی، تقویت گرادیانی یا شبکه عصبی می‌توانند گزینه‌های مناسبی برای بررسی اولیه باشند. برای پیش‌بینی میدان‌های مکانی و زمانی، ممکن است معماری‌های عمیق‌تر مناسب‌تر باشند.

۵-۴. ارزیابی دقت و استفاده از مدل

پس از آموزش، عملکرد مدل باید با داده‌های مستقل ارزیابی شود. معیارهایی مانند میانگین قدرمطلق خطا (MAE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین (R²) می‌توانند برای ارزیابی پیش‌بینی‌های عددی استفاده شوند. البته یک معیار آماری به‌تنهایی برای تأیید مدل کافی نیست. برای مثال، ممکن است مدل در پیش‌بینی دمای خروجی دقت خوبی داشته باشد، اما توزیع مکانی دما را به‌درستی بازسازی نکند. بنابراین، معیار ارزیابی باید با هدف مهندسی مسئله هماهنگ باشد. در پایان، مدل آموزش‌دیده می‌تواند برای تخمین سریع شرایط جدید در محدوده اعتبارسنجی‌شده استفاده شود. هرگاه شرایط جدید با دامنه داده‌های آموزشی تفاوت زیادی داشته باشد، بهتر است شبیه‌سازی CFD مستقلی انجام شود.

۶. مثال کاربردی: ترکیب CFD و هوش مصنوعی در طراحی مبدل حرارتی

فرض کنیم هدف، طراحی یک مبدل حرارتی برای خنک‌کردن یک سیال صنعتی است. دو شاخص اصلی در این مسئله، میزان انتقال حرارت و افت فشار جریان هستند. افزایش سرعت سیال ممکن است انتقال حرارت را بهبود دهد، اما معمولاً با افزایش افت فشار و نیاز بیشتر به توان پمپاژ همراه است. بنابراین، طراحی مناسب باید میان این دو معیار تعادل برقرار کند. در روش متداول، مهندس چندین هندسه و شرایط عملیاتی را در نرم‌افزار فلوئنت شبیه‌سازی می‌کند. برای هر حالت، دمای خروجی، نرخ انتقال حرارت و افت فشار استخراج می‌شود. اگر تعداد حالت‌ها زیاد باشد، اجرای همه شبیه‌سازی‌ها می‌تواند زمان‌بر شود. در روش ترکیبی، ابتدا تعدادی شبیه‌سازی معتبر برای پوشش فضای طراحی انجام می‌شود. سپس داده‌های حاصل برای آموزش یک مدل یادگیری ماشین به کار می‌روند. مدل می‌تواند با دریافت پارامترهای هندسی و عملیاتی، عملکرد تقریبی مبدل را پیش‌بینی کند. در مرحله بعد، الگوریتم بهینه‌سازی از مدل جانشین برای بررسی سریع تعداد زیادی طرح استفاده می‌کند. چند طرح مناسب انتخاب می‌شوند و در نهایت با شبیه‌سازی دقیق‌تر CFD مورد بررسی قرار می‌گیرند. این روش می‌تواند تعداد تحلیل‌های کامل موردنیاز در مرحله جست‌وجوی طراحی را کاهش دهد. با این حال، مدل جانشین باید در محدوده طراحی موردنظر اعتبارسنجی شود و نباید نتایج پیش‌بینی آن بدون کنترل فیزیکی جایگزین حل نهایی شود.

۷. نقش هوش مصنوعی در بهینه‌سازی پارامتریک و طراحی آزمایش‌ها

در پروژه‌های CFD، گاهی تعداد پارامترهای ورودی بسیار زیاد است. تغییر هم‌زمان چندین متغیر می‌تواند فضای بزرگی از حالت‌های ممکن ایجاد کند. اجرای تمام ترکیب‌ها معمولاً عملی نیست. در این شرایط، روش‌های طراحی آزمایش‌ها (Design of Experiments یا DOE) به انتخاب مجموعه‌ای از حالت‌های نماینده کمک می‌کنند. روش‌هایی مانند نمونه‌برداری لاتین هایپرکیوب (Latin Hypercube Sampling) نیز برای پوشش مناسب فضای پارامترها به کار می‌روند. پس از اجرای شبیه‌سازی‌های منتخب، مدل یادگیری ماشین آموزش داده می‌شود. سپس می‌توان با استفاده از تحلیل حساسیت، مشخص کرد کدام پارامترها بیشترین اثر را بر خروجی دارند. برای مثال، در شبیه‌سازی آیرودینامیکی یک ایرفویل ممکن است زاویه حمله، عدد رینولدز، زاویه نصب و شکل هندسی از متغیرهای مهم باشند. تحلیل حساسیت کمک می‌کند مشخص شود کدام متغیرها بیشترین تأثیر را بر ضریب لیفت و درگ دارند. این روش به مهندس کمک می‌کند منابع محاسباتی را روی متغیرهای اثرگذارتر متمرکز کند. البته اهمیت یک پارامتر ممکن است به محدوده بررسی‌شده و برهم‌کنش آن با سایر متغیرها وابسته باشد.

۸. محدودیت‌ها و چالش‌های استفاده از هوش مصنوعی در CFD

با وجود مزایای قابل توجه، استفاده از هوش مصنوعی در دینامیک سیالات محاسباتی با محدودیت‌هایی همراه است. شناخت این محدودیت‌ها برای جلوگیری از برداشت نادرست از نتایج ضروری است.

۸-۱. وابستگی به کیفیت داده‌های آموزشی

مدل یادگیری ماشین کیفیتی بهتر از داده‌هایی که با آن‌ها آموزش دیده است، تضمین نمی‌کند. اگر داده‌های CFD به دلیل شبکه نامناسب، شرایط مرزی اشتباه، انتخاب نادرست مدل آشفتگی یا همگرایی ناکافی دارای خطا باشند، مدل هوش مصنوعی ممکن است همان خطاها را یاد بگیرد. بنابراین، پیش از تولید داده آموزشی باید از کیفیت شبیه‌سازی‌ها اطمینان حاصل شود.

۸-۲. ضعف در پیش‌بینی خارج از محدوده آموزش

یکی از چالش‌های مهم مدل‌های یادگیری ماشین، پیش‌بینی شرایطی است که با داده‌های آموزشی تفاوت زیادی دارند. برای مثال، مدلی که با داده‌های جریان آرام آموزش دیده است، لزوماً در پیش‌بینی جریان آشفته عملکرد مناسبی ندارد. همچنین تغییر شدید هندسه، خواص سیال یا شرایط مرزی ممکن است باعث کاهش دقت شود. به همین دلیل، مدل باید در محدوده کاربرد واقعی خود ارزیابی شود.

۸-۳. حفظ قوانین فیزیکی

یک مدل هوش مصنوعی ممکن است از نظر آماری پیش‌بینی مناسبی ارائه دهد، اما خروجی آن با قوانین فیزیکی سازگار نباشد. برای نمونه، ممکن است در بازسازی میدان سرعت، موازنه جرم به‌خوبی رعایت نشود یا در پیش‌بینی دما، روندی غیرواقعی ایجاد شود. استفاده از قیود فیزیکی، طراحی مناسب معیار آموزش و ارزیابی موازنه‌های جرم و انرژی می‌تواند این مشکل را کاهش دهد؛ اما تضمین مطلق ایجاد نمی‌کند.

۸-۴. هزینه تولید داده و آموزش مدل

اگرچه پیش‌بینی با مدل آموزش‌دیده ممکن است بسیار سریع باشد، تولید داده‌های آموزشی و تنظیم مدل هزینه دارد. برای برخی مسائل ساده، اجرای مستقیم CFD از توسعه یک مدل هوش مصنوعی مقرون‌به‌صرفه‌تر است. بنابراین، استفاده از هوش مصنوعی زمانی توجیه بیشتری دارد که تعداد تحلیل‌های تکراری زیاد باشد، فضای طراحی گسترده باشد یا نیاز به پیش‌بینی سریع در شرایط متعدد وجود داشته باشد.

۸-۵. دشواری تفسیر برخی مدل‌ها

در حل‌گرهای کلاسیک CFD، ارتباط میان معادلات، شرایط مرزی و خروجی‌ها از چارچوب فیزیکی مشخصی پیروی می‌کند. اما در برخی شبکه‌های عصبی عمیق، توضیح دقیق اینکه چرا مدل به یک پیش‌بینی مشخص رسیده است دشوارتر است. در کاربردهای حساس مهندسی، این مسئله اهمیت زیادی دارد. استفاده از روش‌های تحلیل اهمیت ویژگی‌ها، بررسی حساسیت و مقایسه با نتایج فیزیکی می‌تواند به افزایش قابلیت اعتماد کمک کند.

۹. نرم‌افزارها و ابزارهای مورد استفاده برای ترکیب هوش مصنوعی و CFD

برای اجرای پروژه‌های ترکیبی CFD و هوش مصنوعی، معمولاً از چند ابزار در کنار یکدیگر استفاده می‌شود. هر ابزار بخشی از فرایند را انجام می‌دهد و انتخاب آن به نوع مسئله، حجم داده و روش مورد استفاده بستگی دارد.

در یک پروژه متداول، می‌توان هندسه و شبکه را آماده کرد، شبیه‌سازی‌ها را در فلوئنت یا اوپن‌فوم انجام داد، داده‌های خروجی را استخراج کرد و سپس با پایتون مدل یادگیری ماشین را توسعه داد. این فرایند الزاماً به معنای وجود یک اتصال مستقیم و آماده میان تمام نرم‌افزارها نیست؛ گاهی تبادل داده از طریق فایل‌های خروجی و اسکریپت‌های پردازشی انجام می‌شود.

۱۰. آینده هوش مصنوعی در دینامیک سیالات محاسباتی

روند پژوهش‌های جدید نشان می‌دهد که ترکیب هوش مصنوعی با روش‌های عددی کلاسیک می‌تواند زمینه‌ساز نسل جدیدی از ابزارهای مهندسی شود. در این مسیر، چند حوزه اهمیت ویژه‌ای دارند. مدل‌های جانشین دقیق‌تر: توسعه مدل‌هایی که بتوانند میدان‌های کامل سرعت، فشار و دما را با هزینه محاسباتی کمتر تخمین بزنند، یکی از زمینه‌های فعال پژوهشی است. حل‌گرهای ترکیبی فیزیک و داده: در این رویکرد، روش‌های عددی و مدل‌های یادگیری ماشین در کنار یکدیگر قرار می‌گیرند تا از مزایای هر دو استفاده شود. بهینه‌سازی خودکار طراحی: الگوریتم‌های هوش مصنوعی می‌توانند فضای بزرگی از طرح‌های هندسی را بررسی کنند و گزینه‌های مناسب را برای تحلیل دقیق‌تر پیشنهاد دهند. مدل‌سازی سریع جریان‌های پیچیده: پیش‌بینی رفتار جریان‌های آشفته، چندفازی و واکنشی با استفاده از مدل‌های داده‌محور و فیزیک‌محور از موضوعات مهم تحقیقات آینده است. دوقلوی دیجیتال (Digital Twin): ترکیب مدل‌های CFD، داده‌های حسگرها و الگوریتم‌های هوش مصنوعی می‌تواند امکان پایش و پیش‌بینی عملکرد تجهیزات واقعی را فراهم کند. برای مثال، می‌توان از این رویکرد در پایش عملکرد مبدل‌های حرارتی، سیستم‌های تهویه، توربین‌ها و تجهیزات صنعتی استفاده کرد.

۱۱. چه زمانی استفاده از هوش مصنوعی در پروژه CFD توصیه می‌شود؟

استفاده از هوش مصنوعی برای تمام پروژه‌های CFD ضروری نیست. تصمیم‌گیری باید بر اساس هدف مهندسی و هزینه محاسباتی انجام شود.

اگر هدف فقط بررسی یک حالت مشخص از جریان باشد، ممکن است اجرای مستقیم CFD بهترین انتخاب باشد. اما اگر قرار باشد صدها حالت مختلف بررسی شوند یا طراحی یک تجهیز در فضای بزرگی از پارامترها بهینه شود، توسعه مدل جانشین و استفاده از یادگیری ماشین می‌تواند ارزشمند باشد.

۱۲. جمع‌بندی: آیا هوش مصنوعی جایگزین انسیس فلوئنت خواهد شد؟

هوش مصنوعی در حال تغییر روش انجام بسیاری از تحلیل‌های مهندسی است و دینامیک سیالات محاسباتی نیز از این تحول مستثنا نیست. یادگیری ماشین، یادگیری عمیق، شبکه‌های عصبی کانولوشنی و شبکه‌های عصبی آگاه از فیزیک می‌توانند برای پیش‌بینی میدان جریان، کاهش هزینه تحلیل‌های تکراری، بهینه‌سازی هندسه، بررسی آشفتگی و تحلیل انتقال حرارت مورد استفاده قرار گیرند. با این حال، هوش مصنوعی به معنای حذف فیزیک و حل عددی از CFD نیست. نتایج قابل اعتماد همچنان به تعریف صحیح مسئله، انتخاب مدل فیزیکی مناسب، شبکه‌بندی استاندارد، شرایط مرزی صحیح، همگرایی عددی و اعتبارسنجی نیاز دارند. یکی از رویکردهای کاربردی، استفاده از انسیس فلوئنت برای تولید داده‌های معتبر و سپس بهره‌گیری از الگوریتم‌های یادگیری ماشین برای تحلیل سریع‌تر و بهینه‌سازی نتایج است. این ترکیب می‌تواند در طراحی مبدل‌های حرارتی، سیستم‌های خنک‌کاری، خودروهای برقی، دیتاسنترها، تجهیزات آیرودینامیکی و مسائل مهندسی پزشکی بسیار مفید باشد. برای مجموعه‌هایی که در زمینه تحلیل و اجرای پروژه‌های CFD فعالیت می‌کنند، آشنایی با روش‌های هوش مصنوعی یک فرصت مهم برای توسعه روش‌های طراحی، تحلیل داده و بهینه‌سازی مهندسی محسوب می‌شود. در وب‌سایت شریف CFD نیز می‌توان این دو حوزه را در قالب پروژه‌های تخصصی شبیه‌سازی، تحلیل و بهینه‌سازی دنبال کرد.