# 02 · 系统架构与技术选型

## 1. 分层架构

![系统架构](assets/architecture.png)

系统分为六层，自下而上：

### L0 高保真真值层（Ground Truth）

| 组件 | 说明 |
| --- | --- |
| Ansys Fluent | 高保真求解器：RANS（k-ε / k-ω SST）、URANS、LES/DES |
| PyFluent | Python 驱动 Fluent，实现参数化建模、求解、后处理全自动化 |
| 参数化几何 | 基于参数脚本的几何生成（翼型族、车体变体、管道变径） |
| 边界条件库 | 入口速度/湍流度、出口压力、壁面函数等工况模板 |

### L1 数据与训练层

| 组件 | 说明 |
| --- | --- |
| 数据湖 | HDF5（训练样本）/ VTK（可视化）/ Zarr（云原生分块） |
| 数据工程 | 网格插值统一、无量纲化、场归一化、增广（旋转/镜像/缩放） |
| 训练框架 | PyTorch + AMP + DDP/FSDP，支持多卡与梯度检查点 |
| 主动学习 | 基于预测不确定性挑选高价值工况回灌 Fluent 重算 |

### L2 AI 模型层

| 模型 | 定位 | 适用场景 |
| --- | --- | --- |
| FNO（傅里叶神经算子） | 主力基线 | 规则网格、2D/3D 流场、分辨率无关 |
| DeepONet | 算子学习备选 | 低维参数空间、传感器布局优化 |
| PINN | 物理约束补充 | 少数据/无数据工况、反问题 |
| MeshGraphNet | 非结构网格 | 复杂几何、工业网格 |
| Transformer 算子 | 长程依赖 | 大尺度湍流结构、长时推演 |

### L3 推理服务层

| 组件 | 说明 |
| --- | --- |
| 推理引擎 | TensorRT / ONNX Runtime，FP16/INT8 量化 |
| 时间推进 | 自回归推演 + 潜空间动力学，支持变时间步 |
| 后处理 | 散度修正（投影法）、守恒律校正、平滑滤波 |
| 不确定性 | 深度集成（Deep Ensemble）/ MC-Dropout，输出置信区间 |
| 服务接口 | gRPC（内部）+ WebSocket（前端流式推送） |

### L4 交互与渲染层

| 组件 | 说明 |
| --- | --- |
| 前端渲染 | WebGPU（three.js / VTK.js），支持体渲染、流线、矢量场 |
| 参数控制 | 实时拖拽 Re/攻角/几何参数，防抖 + 插值过渡 |
| 场景管理 | 视角预设、剖切面、等值面、动画时间轴 |

### L5 应用层

数字孪生监控、工程设计优化、教学演示、实时决策支持。

## 2. 数据流

```
参数采样 ──► PyFluent 批量仿真 ──► 原始结果(VTK/CAS) ──► 数据工程(HDF5)
   ▲                                                        │
   │                                                        ▼
主动学习回灌 ◄── 不确定性评估 ◄── 模型评估 ◄── 训练(PyTorch) ◄── 训练集构建
                                       │
                                       ▼
                          导出 ONNX ──► TensorRT 引擎 ──► 推理服务
                                                            │
                                                            ▼
                                             WebSocket ──► WebGPU 前端实时渲染
```

**关键数据契约：**

| 阶段 | 格式 | 内容 |
| --- | --- | --- |
| 仿真输出 | .cas/.dat + .vtk | 网格 + 稳态/瞬态场（U, p, k, ω） |
| 训练样本 | HDF5 | 输入参数 + 网格坐标 + 场量张量 + 元数据 |
| 模型产物 | .pt → .onnx → .engine | 权重 + 归一化统计 + 版本信息 |
| 服务响应 | 二进制帧 | 场量数组 + 时间戳 + 不确定性 |

## 3. 技术选型对比

### 3.1 模型路线

| 方案 | 精度潜力 | 推理速度 | 数据需求 | 复杂几何 | 结论 |
| --- | --- | --- | --- | --- | --- |
| 传统降阶（POD-Galerkin） | 中 | 极快 | 中 | 差 | 作为基线对照 |
| FNO | 高 | 快 | 中高 | 差（需规则网格） | **主力** |
| DeepONet | 中高 | 快 | 中 | 中 | 备选 |
| PINN | 中 | 慢（需重训） | 极低 | 中 | 物理约束模块 |
| MeshGraphNet | 高 | 中 | 高 | **优** | 复杂几何阶段主力 |
| Transformer 算子 | 高 | 中 | 极高 | 中 | 探索性 |

### 3.2 加速与部署

| 选项 | 收益 | 成本 | 结论 |
| --- | --- | --- | --- |
| ONNX Runtime | 跨平台、易部署 | 加速有限 | 开发期默认 |
| TensorRT FP16 | 2-4x | 绑定 NVIDIA | **生产环境** |
| TensorRT INT8 | 4-8x | 精度损失需校准 | 边缘部署评估 |
| CUDA Graphs | 消除启动开销 | 实现复杂 | 小模型场景启用 |

### 3.3 可视化

| 选项 | 优势 | 劣势 | 结论 |
| --- | --- | --- | --- |
| VTK.js + WebGPU | 科学可视化生态完整 | 学习曲线陡 | **首选** |
| three.js | 生态活跃、上手快 | 科学可视化组件少 | 轻量场景 |
| ParaView Web | 功能最强 | 部署重 | 内部调试 |
| Unity/UE | 渲染效果最好 | 工程链路重 | 演示视频 |

## 4. 工程规范

- **数据版本**：DVC 或 Git-LFS 管理数据集与模型产物；
- **实验追踪**：MLflow / Weights & Biases 记录全部训练配置与指标；
- **配置管理**：Hydra 管理实验配置，保证可复现；
- **测试**：单元测试（数据管道、归一化、守恒校正）+ 回归测试（固定工况误差阈值）；
- **CI/CD**：模型训练与评估流水线化，指标不达标自动阻断发布。