Files

T

admin 792daa6feb 初始化项目：规划文档 + FFU 洁净室流场实时仿真 Demo

- 规划文档 01-07：愿景 / 架构 / 路线图 / 数据与AI / 风险 / 参考 / FFU Demo
- 演示图：系统架构、数据流水线、里程碑路线图（SVG + PNG）
- FFU Demo：D2Q9 LBM 高保真（360x270, 76s）+ 粗网格快速代理（120x90, 7.3s, 16-27x 加速）
- 趋势验证：速度 r=0.95 / 粒子 r=0.83 / 温度 r=0.68
- 工具链：仿真脚本、快速代理、图表生成器、SVG->PNG 转换

2026-09-18 00:05:18 +08:00

4.5 KiB

Raw Permalink Blame History

05 · 风险、挑战与缓解策略

1. 风险总览

编号	风险	概率	影响	等级
R1	湍流建模精度不足，AI 代理无法复现小尺度结构	高	高	🔴
R2	高保真数据生产成本过高，数据量不足	高	高	🔴
R3	长时自回归推演误差累积、发散	高	高	🔴
R4	分布外（新几何/新 Re）泛化崩溃	中	高	🟠
R5	3D 大网格实时推理算力不足	中	中	🟠
R6	守恒律漂移导致结果不可信	中	高	🟠
R7	工业验证周期长、缺乏可信基准	中	中	🟡
R8	工具链锁定（Fluent 许可、GPU 型号）	低	中	🟡

2. 逐项分析与缓解

R1 湍流精度

问题：Navier-Stokes 的湍流闭合本质困难，DNS 数据在工程尺度不可得；AI 只能学到训练数据中已有的物理。

缓解

明确精度边界：以 RANS/URANS 数据为主，定位"工程精度"而非"DNS 精度"；
混合建模：AI 预测 + 传统湍流模型残差修正（learned closure）；
频谱损失监督大尺度结构，放弃不可分辨的小尺度；
分阶段验证：先层流基准（圆柱绕流）再湍流工况。

R2 数据成本

问题：单工况 Fluent 仿真小时级，10⁴ 工况在算力/许可/时间上都昂贵。

缓解

主动学习：只对高价值（高不确定性/OOD）工况做高保真仿真；
降阶采样：拉丁超立方 + 参数敏感性分析，避免均匀暴力扫描；
多保真度：粗网格大量生成 + 细网格少量校核（coarse-to-fine）；
复用收敛解：邻近工况热启动，缩短求解时间。

R3 长时稳定性

问题：自回归每步误差被放大，几百步后发散。

缓解

潜空间推进：在低维潜空间做时间积分，抑制高频误差；
物理投影：每 N 步做散度修正 / 守恒校正；
噪声注入训练：模拟推演误差，提高鲁棒性；
早停与不确定性告警：置信度低于阈值时切换传统求解器。

R4 泛化

问题：训练分布外的几何/参数表现急剧下降。

缓解

几何参数化：用统一参数空间描述几何族，而非记忆具体形状；
数据增广 + 课程学习：从简单到复杂逐步扩展参数范围；
OOD 检测：不确定性 + 输入分布检验，超界自动拒绝并回退；
在线微调：新场景少量数据快速适配（few-shot fine-tune）。

R5 3D 实时算力

问题：3D 网格点数比 2D 高 2-3 个数量级，单步推理可能超时。

缓解

潜空间降维 + 多尺度分解（粗网格动力学 + 局部细化）；
TensorRT FP16/INT8 + CUDA Graphs；
时间异步：用户交互时低频更新，静止时高精度刷新；
分辨率自适应：按视角/关注区域动态调整计算分辨率。

R6 守恒律漂移

问题：纯数据驱动的网络不严格守恒质量/动量。

缓解

硬约束：输出层投影到无散空间（Helmholtz 分解）；
软约束：守恒损失项 + 后处理校正；
监控：把守恒误差作为在线指标，超限告警。

R7 验证可信度

问题：没有公认基准，工业界不信任 AI 结果。

缓解

建立内部基准套件（圆柱绕流 / 翼型 / 车体 / 洁净室）；
与 Fluent 真值做逐场对比 + 积分量对比 + 不确定性报告；
所有指标可一键复现，公开评估脚本。

R8 工具链

缓解：核心代码与 Fluent 解耦（数据接口标准化）；推理引擎支持 ONNX 多后端；GPU 无关的降级路径（CPU 推理，精度不变、速度降级）。

3. 开放问题（需要在 P1-P2 回答）

FNO 在 Re > 500 的圆柱绕流上能否保持 < 5% 误差？需要多少工况？
物理约束损失的最佳权重与调度策略是什么？
潜空间推进相比直接自回归，长时稳定性能提升多少？
3D 非结构网格上，MeshGraphNet 与"插值到规则网格 + FNO"哪条路线更优？
不确定性估计能否可靠地识别 OOD 工况？
单卡推理延迟与网格规模的定量 scaling law？

4. 止损与回退

触发条件	回退方案
M2 精度不达标	转 DeepONet / MeshGraphNet 双路线并行
M4 3D 精度不达标	退守"2D + 切片 3D"保证 M5/M6 交付
实时性不达标	降分辨率 / 潜空间 / 云端推理
数据成本超预算	多保真度 + 主动学习压缩数据量
可信度存疑	混合模式：AI 预览 + Fluent 校核

4.5 KiB Raw Permalink Blame History Unescape Escape