دینامیک سیالات محاسباتی (Computational Fluid Dynamics یا CFD) یکی از مهم‌ترین ابزارهای مهندسی برای تحلیل جریان سیال، انتقال حرارت، احتراق، آیرودینامیک و پدیده‌های پیچیده انتقال جرم است. با وجود پیشرفت چشمگیر نرم‌افزارهایی مانند انسیس فلوئنت، افزایش پیچیدگی هندسه‌ها، بزرگ‌تر شدن شبکه محاسباتی و نیاز به بررسی تعداد زیادی از شرایط عملیاتی، همچنان زمان محاسبات یکی از محدودیت‌های اصلی پروژه‌های CFD محسوب می‌شود. در بسیاری از پروژه‌های صنعتی و تحقیقاتی، مهندس باید ده‌ها یا حتی صدها حالت مختلف را شبیه‌سازی کند. برای مثال، در طراحی یک مبدل حرارتی ممکن است لازم باشد تأثیر دبی ورودی، دمای سیال، هندسه کانال‌ها و خواص مواد بر عملکرد سیستم بررسی شود. اجرای جداگانه تمام این حالت‌ها در یک حل‌گر CFD کلاسیک می‌تواند به زمان محاسباتی قابل توجهی نیاز داشته باشد. هوش مصنوعی (Artificial Intelligence یا AI) و به‌ویژه یادگیری ماشین (Machine Learning یا ML) این امکان را فراهم کرده‌اند که بخشی از فرایندهای محاسباتی با استفاده از مدل‌های داده‌محور انجام شوند. این روش‌ها می‌توانند از نتایج شبیه‌سازی‌های قبلی یاد بگیرند، پاسخ مسائل جدید را با سرعت بیشتری تخمین بزنند، نقاط حساس طراحی را شناسایی کنند و تعداد دفعات اجرای حل‌گرهای پرهزینه را کاهش دهند. نکته مهم این است که هوش مصنوعی لزوماً جایگزین کامل حل‌گر CFD نمی‌شود. در بسیاری از کاربردهای مهندسی، بهترین راهکار استفاده ترکیبی از شبیه‌سازی عددی و مدل‌های هوشمند است؛ به‌گونه‌ای که CFD برای تولید داده‌های معتبر و بررسی نهایی استفاده شود و هوش مصنوعی وظیفه پیش‌بینی سریع، غربالگری طرح‌ها و کاهش تعداد محاسبات را بر عهده بگیرد. در این مقاله، مهم‌ترین روش‌های کاهش زمان محاسبات CFD با هوش مصنوعی، نحوه ترکیب یادگیری ماشین با انسیس فلوئنت، کاربرد مدل‌های جانشین، شبکه‌های عصبی و مدل‌های فیزیک‌آگاه و همچنین محدودیت‌های این روش‌ها بررسی می‌شود.

چرا محاسبات CFD زمان‌بر هستند؟

برای درک نقش هوش مصنوعی در افزایش سرعت شبیه‌سازی، ابتدا باید عوامل اصلی افزایش زمان محاسبات را شناخت. در یک شبیه‌سازی CFD، معادلات حاکم بر جریان سیال، شامل معادلات پایستگی جرم، مومنتوم و در صورت نیاز انرژی، به‌صورت عددی حل می‌شوند. این معادلات روی شبکه‌ای از سلول‌های محاسباتی گسسته‌سازی می‌شوند و حل‌گر باید مقادیر مجهول را در سلول‌های مختلف محاسبه کند. هرچه تعداد سلول‌های شبکه بیشتر باشد، تعداد مجهولات و حجم عملیات عددی نیز افزایش پیدا می‌کند. برای مثال، یک مدل دوبعدی با چند هزار سلول معمولاً بسیار ساده‌تر از یک مدل سه‌بعدی با چندین میلیون سلول است. علاوه بر اندازه شبکه، عوامل دیگری نیز بر زمان حل تأثیر دارند. مدل‌های آشفتگی پیچیده، انتقال حرارت، تشعشع، واکنش‌های شیمیایی، جریان چندفازی و اندرکنش سیال و جامد می‌توانند هزینه محاسباتی را افزایش دهند. همچنین، شبیه‌سازی‌های ناپایا (Transient) به دلیل نیاز به حل تعداد زیادی گام زمانی، ممکن است بسیار زمان‌بر باشند. از طرف دیگر، در پروژه‌های بهینه‌سازی، مسئله فقط یک بار حل نمی‌شود. برای یافتن بهترین طراحی ممکن است لازم باشد هندسه یا شرایط مرزی بارها تغییر کند و حل‌گر CFD مجدداً اجرا شود. هوش مصنوعی دقیقاً در همین مرحله می‌تواند نقش مهمی ایفا کند: کاهش تعداد حل‌های تکراری و جایگزین کردن بخشی از محاسبات پرهزینه با پیش‌بینی‌های سریع.

۱. استفاده از مدل جانشین برای جایگزینی محاسبات تکراری CFD

یکی از مؤثرترین روش‌های کاهش زمان محاسبات CFD، استفاده از مدل جانشین (Surrogate Model) است.

مدل جانشین یک مدل ریاضی یا یادگیری ماشین است که رفتار یک سیستم پیچیده را با استفاده از داده‌های حاصل از شبیه‌سازی‌های قبلی تقریب می‌زند. به‌جای آنکه برای هر تغییر کوچک در شرایط ورودی، حل‌گر CFD از ابتدا اجرا شود، مدل جانشین می‌تواند پاسخ سیستم را در مدت زمان بسیار کوتاه‌تری پیش‌بینی کند. فرض کنید هدف، طراحی یک مبدل حرارتی با بیشترین نرخ انتقال حرارت و کمترین افت فشار باشد. متغیرهای طراحی ممکن است شامل قطر کانال، طول مبدل، سرعت ورودی و دمای سیال باشند. در روش سنتی، برای هر ترکیب جدید از این پارامترها باید یک شبیه‌سازی CFD انجام شود. اما در روش مبتنی بر مدل جانشین، ابتدا تعدادی شبیه‌سازی مرجع انجام می‌شود و خروجی‌های آن‌ها برای آموزش یک مدل هوش مصنوعی مورد استفاده قرار می‌گیرند. پس از آموزش، مدل می‌تواند برای ترکیب‌های جدیدی از پارامترها، مقادیر تقریبی افت فشار و انتقال حرارت را پیش‌بینی کند. مراحل اصلی ساخت مدل جانشین عبارت‌اند از:

1. تعریف پارامترهای ورودی و خروجی مسئله.
2. انتخاب مجموعه‌ای از حالت‌های طراحی برای شبیه‌سازی.
3. اجرای شبیه‌سازی‌های مرجع در نرم‌افزار CFD.
4. استخراج نتایج و تشکیل مجموعه داده.
5. آموزش مدل یادگیری ماشین.
6. ارزیابی دقت مدل با داده‌هایی که در آموزش استفاده نشده‌اند.
7. استفاده از مدل برای پیش‌بینی سریع حالت‌های جدید.
8. بررسی نهایی طرح‌های منتخب با اجرای مجدد CFD.

مزیت اصلی این روش آن است که هزینه محاسباتی بالای حل‌گر فقط برای تولید مجموعه داده اولیه و اعتبارسنجی طرح‌های منتخب پرداخت می‌شود.

۲. استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی نتایج CFD

یادگیری ماشین به مجموعه‌ای از روش‌های محاسباتی گفته می‌شود که می‌توانند الگوهای موجود در داده‌ها را شناسایی کرده و بر اساس آن‌ها پیش‌بینی انجام دهند. در مسائل CFD، داده‌های مورد نیاز معمولاً از خروجی شبیه‌سازی‌های عددی استخراج می‌شوند. این داده‌ها می‌توانند شامل سرعت، فشار، دما، افت فشار، نیروی پسا، نیروی برآ و نرخ انتقال حرارت باشند.

چند الگوریتم مهم در این زمینه عبارت‌اند از:

رگرسیون جنگل تصادفی (Random Forest Regression)

جنگل تصادفی یکی از الگوریتم‌های یادگیری ماشین است که از مجموعه‌ای از درخت‌های تصمیم تشکیل می‌شود. این الگوریتم می‌تواند رابطه میان پارامترهای ورودی و خروجی‌های شبیه‌سازی را یاد بگیرد. برای مثال، در شبیه‌سازی جریان اطراف یک ایرفویل، پارامترهای ورودی می‌توانند شامل زاویه حمله، سرعت جریان آزاد و عدد رینولدز باشند. خروجی نیز می‌تواند ضریب برآ و ضریب پسا باشد.

پس از آموزش مدل، می‌توان ضرایب آیرودینامیکی را برای شرایط جدید در محدوده داده‌های آموزشی با سرعت بیشتری تخمین زد.

رگرسیون بردار پشتیبان (Support Vector Regression)

رگرسیون بردار پشتیبان یا SVR برای مدل‌سازی روابط غیرخطی میان متغیرهای ورودی و خروجی استفاده می‌شود. این روش در مسائل دارای تعداد نمونه محدود می‌تواند مفید باشد، البته عملکرد آن به انتخاب هسته، تنظیم پارامترها و مقیاس‌بندی داده‌ها وابسته است. برای مثال، می‌توان از SVR برای پیش‌بینی افت فشار در یک مجرای پیچیده بر اساس دبی، قطر هیدرولیکی و ویژگی‌های هندسی استفاده کرد.

شبکه‌های عصبی مصنوعی (Artificial Neural Networks)

شبکه‌های عصبی مصنوعی از ساختار لایه‌ای شامل نورون‌های محاسباتی تشکیل شده‌اند و توانایی یادگیری روابط پیچیده و غیرخطی را دارند. این شبکه‌ها در صورتی که داده‌های آموزشی کافی و نماینده مناسبی از فضای طراحی در اختیار داشته باشند، می‌توانند برای پیش‌بینی خروجی‌های CFD استفاده شوند. برای نمونه، یک شبکه عصبی می‌تواند با دریافت پارامترهای هندسی و شرایط مرزی، مقدار افت فشار یا دمای خروجی یک سیستم را پیش‌بینی کند.

مقایسه روش‌های یادگیری ماشین در کاربردهای CFD

انتخاب الگوریتم باید بر اساس ماهیت مسئله، حجم داده، نوع خروجی و دقت مورد نیاز انجام شود. هیچ الگوریتمی برای تمام مسائل CFD بهترین گزینه نیست.

۳. کاهش زمان بهینه‌سازی هندسه با هوش مصنوعی

یکی از پرهزینه‌ترین کاربردهای CFD، بهینه‌سازی طراحی مهندسی است. در روش سنتی، مهندس مجموعه‌ای از هندسه‌ها را تولید می‌کند و برای هر هندسه یک شبیه‌سازی انجام می‌دهد. سپس نتایج مقایسه شده و طرح بهتر انتخاب می‌شود. اگر تعداد پارامترهای طراحی زیاد باشد، تعداد حالت‌های ممکن به‌سرعت افزایش پیدا می‌کند. این مسئله به‌ویژه در طراحی پره توربین، مبدل حرارتی، کانال‌های جریان، سیستم‌های تهویه و تجهیزات آیرودینامیکی اهمیت دارد. هوش مصنوعی می‌تواند این فرایند را با استفاده از بهینه‌سازی مبتنی بر مدل جانشین سریع‌تر کند. در این روش، ابتدا یک مجموعه از طرح‌ها با روش‌هایی مانند طراحی آزمایش‌ها (Design of Experiments یا DOE) انتخاب می‌شوند. سپس برای هر طرح، شبیه‌سازی CFD انجام می‌شود و نتایج در اختیار مدل یادگیری ماشین قرار می‌گیرند.

پس از آموزش مدل، الگوریتم بهینه‌سازی می‌تواند طرح‌های جدیدی را پیشنهاد کند که احتمال دستیابی به عملکرد بهتر در آن‌ها بیشتر است. یکی از روش‌های مناسب برای این کار، بهینه‌سازی بیزی (Bayesian Optimization) است. این روش می‌تواند با استفاده از مدل جانشین، نقاطی از فضای طراحی را انتخاب کند که ارزش بررسی بیشتری دارند. به این ترتیب، به‌جای بررسی تصادفی تعداد زیادی هندسه، منابع محاسباتی روی گزینه‌های امیدوارکننده متمرکز می‌شوند. البته طرح نهایی باید با شبیه‌سازی CFD مستقل بررسی شود تا مشخص شود مدل جانشین در آن نقطه نیز پیش‌بینی قابل اعتمادی ارائه می‌دهد.

۴. پیش‌بینی میدان جریان با شبکه‌های عصبی عمیق

در برخی کاربردها، هدف فقط پیش‌بینی یک عدد مانند افت فشار یا نیروی پسا نیست؛ بلکه مهندس به میدان کامل سرعت، فشار یا دما نیاز دارد. برای این منظور می‌توان از شبکه‌های عصبی عمیق (Deep Neural Networks) استفاده کرد. این شبکه‌ها در صورت آموزش مناسب می‌توانند رابطه میان هندسه، شرایط مرزی و میدان‌های فیزیکی را یاد بگیرند. به‌عنوان مثال، یک مدل می‌تواند هندسه یک کانال و سرعت ورودی را دریافت کرده و توزیع تقریبی سرعت در نقاط مختلف دامنه را پیش‌بینی کند. معماری‌های مختلفی برای این کار توسعه یافته‌اند. شبکه‌های کانولوشنی (CNN) برای پردازش داده‌های شبکه‌ای و میدان‌های دوبعدی کاربرد دارند. همچنین، معماری‌هایی مانند شبکه‌های اپراتور عصبی (Neural Operators) برای یادگیری نگاشت میان توابع ورودی و خروجی طراحی شده‌اند. یکی از خانواده‌های شناخته‌شده در این زمینه، Fourier Neural Operator یا FNO است که برای یادگیری روابط میان میدان‌های فیزیکی در مسائل مختلف مورد استفاده قرار گرفته است. مزیت چنین مدل‌هایی آن است که در صورت آموزش موفق، می‌توانند میدان جریان را بسیار سریع‌تر از اجرای مجدد حل‌گر عددی پیش‌بینی کنند. با این حال، دقت آن‌ها به کیفیت داده‌های آموزشی، تنوع هندسه‌ها و شرایط مرزی و میزان شباهت مسئله جدید به مسائل آموزشی وابسته است. همچنین، پیش‌بینی سریع میدان جریان به معنای تضمین رعایت کامل قوانین پایستگی جرم و مومنتوم نیست؛ بنابراین ارزیابی فیزیکی نتایج ضروری است.

۵. استفاده از شبکه‌های عصبی فیزیک‌آگاه برای کاهش هزینه محاسبات

شبکه‌های عصبی فیزیک‌آگاه (Physics-Informed Neural Networks یا PINNs) یکی دیگر از رویکردهای مهم ترکیب هوش مصنوعی و مکانیک سیالات هستند. در شبکه‌های عصبی معمولی، مدل عمدتاً از داده‌های ورودی و خروجی یاد می‌گیرد. اما در PINN، معادلات فیزیکی حاکم بر مسئله نیز در فرایند آموزش وارد می‌شوند. برای مثال، در یک مسئله جریان دوبعدی، شبکه می‌تواند مؤلفه‌های سرعت و فشار را پیش‌بینی کند. سپس معادلات پیوستگی و مومنتوم به‌عنوان محدودیت‌های فیزیکی در تابع خطا قرار می‌گیرند. به این ترتیب، مدل فقط به دنبال نزدیک شدن به داده‌های آموزشی نیست، بلکه تلاش می‌کند پاسخ‌هایی تولید کند که با معادلات حاکم نیز سازگار باشند. این روش در برخی مسائل مستقیم و معکوس، بازسازی میدان‌های جریان، تخمین پارامترهای مجهول و تحلیل مسائل دارای داده‌های محدود کاربرد دارد. با این حال، PINN همیشه سریع‌تر از CFD کلاسیک نیست. آموزش شبکه ممکن است زمان‌بر باشد و در مسائل پیچیده، به‌ویژه جریان‌های آشفته، چندفازی یا دارای چند مقیاس زمانی، آموزش پایدار و دقیق دشوار شود. بنابراین، باید PINN را یک ابزار مکمل برای حل برخی مسائل CFD دانست، نه جایگزینی عمومی برای تمام حل‌گرهای عددی.

۶. کاهش تعداد شبیه‌سازی‌ها با طراحی هوشمند آزمایش‌ها

یکی از راه‌های مهم کاهش زمان محاسبات، کم کردن تعداد حالت‌هایی است که باید شبیه‌سازی شوند.

در بسیاری از پروژه‌ها، انتخاب شرایط ورودی برای اجرای CFD به‌صورت تجربی یا با فاصله‌های یکنواخت انجام می‌شود. در نتیجه ممکن است تعداد زیادی شبیه‌سازی انجام شود که اطلاعات جدید چندانی به مجموعه داده اضافه نمی‌کنند. روش طراحی آزمایش‌ها می‌تواند این فرایند را بهینه کند. برای مثال، اگر سه پارامتر هندسی و عملیاتی در یک مسئله وجود داشته باشد، انتخاب تمام ترکیب‌های ممکن می‌تواند به تعداد زیادی شبیه‌سازی نیاز داشته باشد. اما روش‌هایی مانند طراحی فاکتوریل، طراحی باکس–بنکن و روش سطح پاسخ می‌توانند مجموعه‌ای محدودتر و هدفمندتر از حالت‌ها را پیشنهاد دهند. هوش مصنوعی می‌تواند این فرایند را با یادگیری از نتایج قبلی بهبود دهد. در روش یادگیری فعال (Active Learning)، مدل ابتدا با تعداد محدودی داده آموزش داده می‌شود. سپس نقاطی را که در آن‌ها عدم قطعیت پیش‌بینی بیشتر است یا اطلاعات بیشتری به مدل اضافه می‌کنند، برای اجرای شبیه‌سازی جدید پیشنهاد می‌دهد. پس از اجرای CFD در این نقاط، داده‌های جدید به مجموعه آموزشی اضافه می‌شوند و مدل دوباره آموزش می‌بیند. این چرخه تا رسیدن به دقت مورد نیاز ادامه پیدا می‌کند. مزیت این رویکرد آن است که به‌جای افزایش بی‌هدف تعداد شبیه‌سازی‌ها، هر اجرای جدید با هدف بهبود دانش مدل انتخاب می‌شود.

۷. ترکیب هوش مصنوعی و انسیس فلوئنت در یک فرایند محاسباتی

یکی از کاربردی‌ترین راهکارها برای مهندسان، ترکیب نرم‌افزار انسیس فلوئنت با زبان برنامه‌نویسی پایتون و کتابخانه‌های یادگیری ماشین است. در این روش، فلوئنت نقش حل‌گر اصلی را دارد و پایتون برای مدیریت داده‌ها، آموزش مدل و پیش‌بینی نتایج مورد استفاده قرار می‌گیرد. فرایند کلی را می‌توان به شکل زیر اجرا کرد:

مرحله اول: تعریف مسئله و پارامترهای طراحی

ابتدا باید متغیرهایی که قرار است در شبیه‌سازی تغییر کنند مشخص شوند. این متغیرها می‌توانند شامل سرعت ورودی، دمای ورودی، فشار، ابعاد هندسی، زاویه پره یا خواص مواد باشند. همچنین باید خروجی‌های مورد نظر تعیین شوند؛ مانند افت فشار، دمای خروجی، نیروی پسا، نیروی برآ یا بیشینه دما.

مرحله دوم: تولید داده با انسیس فلوئنت

برای مجموعه‌ای از حالت‌های طراحی، شبیه‌سازی‌های CFD انجام می‌شوند. در این مرحله باید شرایط مرزی، مدل آشفتگی، کیفیت شبکه و معیارهای همگرایی به‌درستی کنترل شوند. داده‌های استخراج‌شده باید از نظر فیزیکی معتبر باشند. اگر نتایج شبیه‌سازی‌های اولیه نادرست باشند، مدل هوش مصنوعی نیز ممکن است همان خطاها را یاد بگیرد.

مرحله سوم: استخراج نتایج

نتایج مورد نیاز را می‌توان از طریق گزارش‌های فلوئنت، خروجی‌های جدولی، فایل‌های CSV و ابزارهای خودکارسازی استخراج کرد. برای مثال، یک فایل داده می‌تواند شامل ستون‌های سرعت ورودی، قطر کانال، دمای ورودی، افت فشار و دمای خروجی باشد.

مرحله چهارم: آموزش مدل در پایتون

کتابخانه‌هایی مانند Scikit-learn، TensorFlow و PyTorch برای توسعه مدل‌های یادگیری ماشین قابل استفاده هستند. برای شروع، می‌توان از الگوریتم‌هایی مانند Random Forest یا Gradient Boosting استفاده کرد. در مسائل پیچیده‌تر نیز شبکه‌های عصبی قابل بررسی هستند.

مرحله پنجم: ارزیابی دقت مدل

مدل باید با داده‌هایی ارزیابی شود که در فرایند آموزش استفاده نشده‌اند. معیارهایی مانند میانگین قدر مطلق خطا (MAE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین (R²) می‌توانند برای سنجش عملکرد مدل به کار روند. صرفاً بالا بودن R² کافی نیست. باید خطا در محدوده‌های مختلف طراحی، به‌خصوص نزدیک شرایط بحرانی، نیز بررسی شود.

مرحله ششم: پیش‌بینی و انتخاب طرح‌های جدید

پس از اطمینان نسبی از عملکرد مدل، می‌توان از آن برای ارزیابی سریع ترکیب‌های جدید پارامترها استفاده کرد. طرح‌هایی که عملکرد بهتری دارند یا از نظر فیزیکی اهمیت بیشتری دارند، برای شبیه‌سازی مجدد در فلوئنت انتخاب می‌شوند. این روش باعث می‌شود تعداد اجرای حل‌گر اصلی کاهش پیدا کند و زمان بیشتری برای بررسی گزینه‌های مهم باقی بماند.

۸. مثال کاربردی: کاهش زمان طراحی یک مبدل حرارتی با هوش مصنوعی

فرض کنید هدف، بررسی عملکرد یک مبدل حرارتی پوسته و لوله است. مهندس می‌خواهد تأثیر پارامترهای هندسی و عملیاتی را بر افت فشار و نرخ انتقال حرارت بررسی کند. پارامترهای ورودی می‌توانند شامل موارد زیر باشند:

• سرعت ورودی سیال سرد
• سرعت ورودی سیال گرم
• قطر لوله‌ها
• طول مبدل
• دمای ورودی سیال‌ها
• فاصله بین لوله‌ها

خروجی‌های مورد نظر نیز شامل افت فشار سمت گرم، افت فشار سمت سرد و نرخ انتقال حرارت هستند. در روش سنتی، هر بار که یکی از این پارامترها تغییر می‌کند، باید یک شبیه‌سازی جدید انجام شود. اما در روش ترکیبی CFD و هوش مصنوعی، ابتدا مجموعه‌ای از حالت‌های طراحی به‌صورت هدفمند انتخاب می‌شوند. پس از اجرای شبیه‌سازی‌ها، داده‌ها در پایتون ذخیره شده و یک مدل یادگیری ماشین آموزش داده می‌شود. مدل آموزش‌دیده می‌تواند عملکرد ترکیب‌های جدید را تخمین بزند. سپس طرح‌هایی که از نظر انتقال حرارت و افت فشار مناسب‌تر هستند، برای اعتبارسنجی نهایی در فلوئنت بررسی می‌شوند. در این مثال، هوش مصنوعی جایگزین تمام شبیه‌سازی‌ها نشده است؛ بلکه از اجرای تعداد زیادی حالت غیرضروری جلوگیری کرده و زمان لازم برای جست‌وجوی فضای طراحی را کاهش داده است.

۹. مقایسه روش سنتی CFD و روش ترکیبی CFD و هوش مصنوعی

نکته مهم این است که روش ترکیبی در تمام پروژه‌ها الزاماً سریع‌تر یا دقیق‌تر نیست. اگر فقط یک شبیه‌سازی مورد نیاز باشد، ساخت و آموزش مدل هوش مصنوعی ممکن است هزینه اضافی ایجاد کند. بیشترین مزیت این رویکرد در پروژه‌هایی دیده می‌شود که تعداد زیادی حالت طراحی یا شرایط عملیاتی باید بررسی شوند.

۱۰. آیا هوش مصنوعی می‌تواند زمان حل مستقیم در فلوئنت را کاهش دهد؟

باید میان دو مفهوم تفاوت قائل شد: نخست، کاهش زمان اجرای خود حل‌گر CFD است. دوم، کاهش زمان کل مورد نیاز برای رسیدن به پاسخ مهندسی. بسیاری از روش‌های هوش مصنوعی مستقیماً سرعت حل معادلات در فلوئنت را افزایش نمی‌دهند، بلکه تعداد دفعاتی را که به اجرای حل‌گر نیاز داریم کاهش می‌دهند. برای کاهش زمان اجرای خود حل‌گر نیز روش‌های متداولی وجود دارند؛ از جمله بهبود کیفیت شبکه، انتخاب مدل فیزیکی متناسب با مسئله، استفاده مناسب از پردازش موازی، تنظیم حل‌گر و کنترل همگرایی. هوش مصنوعی می‌تواند در برخی پروژه‌های پیشرفته برای تخمین شرایط اولیه مناسب، تشخیص رفتار همگرایی یا پیشنهاد تنظیمات محاسباتی نیز استفاده شود؛ اما چنین کاربردهایی باید با کنترل عددی و فیزیکی همراه باشند. به‌عنوان مثال، استفاده از یک میدان جریان پیش‌بینی‌شده توسط مدل هوش مصنوعی به‌عنوان حدس اولیه حل‌گر ممکن است در برخی مسائل مفید باشد. با این حال، باید بررسی شود که این حدس اولیه باعث بهبود واقعی همگرایی شده و نتیجه نهایی نیز مستقل از آن معتبر باقی مانده است.

۱۱. محدودیت‌ها و چالش‌های استفاده از هوش مصنوعی در CFD

با وجود مزایای قابل توجه، استفاده از هوش مصنوعی در CFD با محدودیت‌هایی همراه است.

وابستگی به داده‌های آموزشی: مدل‌های یادگیری ماشین به داده‌های مناسب نیاز دارند. اگر داده‌های آموزشی فقط بخش کوچکی از فضای طراحی را پوشش دهند، پیش‌بینی در شرایط خارج از آن محدوده ممکن است خطای زیادی داشته باشد.

تعمیم‌پذیری محدود: مدلی که برای یک هندسه یا شرایط مرزی آموزش دیده است، لزوماً برای هندسه‌ای کاملاً متفاوت عملکرد مناسبی ندارد.

انتقال خطاهای شبیه‌سازی: اگر نتایج CFD اولیه به دلیل شبکه نامناسب، شرایط مرزی نادرست یا مدل فیزیکی نامناسب دارای خطا باشند، مدل هوش مصنوعی ممکن است همان خطاها را بازتولید کند.

حفظ قوانین فیزیکی: مدل‌های داده‌محور معمولی لزوماً پایستگی جرم، مومنتوم و انرژی را تضمین نمی‌کنند. بنابراین، کنترل سازگاری فیزیکی خروجی‌ها ضروری است.

هزینه آموزش: آموزش مدل‌های پیچیده، به‌ویژه شبکه‌های عصبی عمیق، ممکن است به منابع پردازشی و زمان قابل توجهی نیاز داشته باشد.

اعتبارسنجی مستقل: پیش‌بینی مدل باید با داده‌های مستقل، نتایج عددی معتبر یا داده‌های تجربی ارزیابی شود. استفاده از مدل بدون ارزیابی مستقل می‌تواند به تصمیم‌های مهندسی نادرست منجر شود.

۱۲. چه زمانی استفاده از هوش مصنوعی برای کاهش زمان CFD مناسب است؟

استفاده از هوش مصنوعی در شرایط زیر معمولاً ارزش بررسی بیشتری دارد:

• زمانی که تعداد زیادی حالت طراحی باید ارزیابی شود.
• زمانی که پروژه شامل بهینه‌سازی هندسه یا شرایط عملیاتی است.
• زمانی که شبیه‌سازی‌های پارامتریک به‌صورت مکرر انجام می‌شوند.
• زمانی که داده‌های CFD معتبر از پروژه‌های قبلی وجود دارند.
• زمانی که پیش‌بینی سریع پاسخ سیستم برای کنترل یا تصمیم‌گیری اهمیت دارد.
• زمانی که می‌توان مدل جانشین را در کنار حل‌گر اصلی اعتبارسنجی کرد.

در مقابل، اگر مسئله فقط شامل یک شبیه‌سازی ساده باشد یا داده آموزشی مناسبی وجود نداشته باشد، ممکن است اجرای مستقیم CFD منطقی‌تر باشد.

جمع‌بندی

هوش مصنوعی می‌تواند با کاهش تعداد شبیه‌سازی‌های تکراری، پیش‌بینی سریع خروجی‌ها، بهینه‌سازی هوشمند هندسه و انتخاب هدفمند نقاط محاسباتی، زمان مورد نیاز برای انجام پروژه‌های دینامیک سیالات محاسباتی را کاهش دهد. در این میان، مدل‌های جانشین، الگوریتم‌های یادگیری ماشین، شبکه‌های عصبی عمیق، یادگیری فعال و شبکه‌های عصبی فیزیک‌آگاه از مهم‌ترین ابزارهای قابل استفاده هستند. ترکیب انسیس فلوئنت با پایتون و کتابخانه‌هایی مانند Scikit-learn و PyTorch نیز یک مسیر عملی برای توسعه این روش‌ها فراهم می‌کند. با این حال، باید توجه داشت که هوش مصنوعی جایگزین اعتبارسنجی علمی و مهندسی نیست. بهترین رویکرد آن است که از CFD برای تولید داده‌های معتبر و بررسی نهایی استفاده شود و هوش مصنوعی وظیفه پیش‌بینی سریع و کاهش محاسبات تکراری را بر عهده بگیرد. در پروژه‌های پیشرفته، چنین رویکردی می‌تواند فرایند طراحی را کارآمدتر کند و امکان بررسی تعداد بیشتری از گزینه‌های مهندسی را در زمان محدود فراهم آورد.

خدمات تخصصی شبیه‌سازی CFD و هوش مصنوعی

در پروژه‌های مهندسی، انتخاب صحیح مدل فیزیکی، تولید شبکه محاسباتی مناسب، تعیین شرایط مرزی، کنترل همگرایی و اعتبارسنجی نتایج اهمیت اساسی دارد. استفاده از هوش مصنوعی نیز زمانی ارزشمند خواهد بود که بر پایه داده‌های عددی معتبر و روش ارزیابی علمی انجام شود. مجموعه دینامیک سیالات محاسباتی شریف با تمرکز بر آموزش، مشاوره و اجرای پروژه‌های تخصصی CFD، زمینه انجام شبیه‌سازی‌های مهندسی و تحلیل نتایج عددی را فراهم می‌کند.