admin
792daa6feb
- 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
110 lines
4.8 KiB
Markdown
110 lines
4.8 KiB
Markdown
# 07 · FFU 洁净室流场实时仿真 Demo
|
||
|
||
> FFU（Fan Filter Unit，风机过滤单元）下方洁净区的流场、温湿度、压力与尘埃粒子输运仿真。
|
||
> 这是"物理世界流场实时仿真"的首个可运行 Demo，同时提供 **高保真真值** 与 **毫秒级快速代理** 两条路径。
|
||
|
||
---
|
||
|
||
## 1. 物理场景
|
||
|
||
| 项目 | 设置 |
|
||
| --- | --- |
|
||
| 计算域 | 4.0 m（宽）× 3.0 m（高）2D 截面 |
|
||
| FFU 送风 | 顶棚满布，面风速 **0.45 m/s**（ISO 14644-4 单向流推荐值） |
|
||
| 回风 | 底部两侧回风口（0~0.5 m / 3.5~4.0 m），高架地板/下侧回风 |
|
||
| 工作台 | x ∈ [0.60, 1.80]，高 0.90 m |
|
||
| 设备 | x ∈ [0.85, 1.50]，y ∈ [0.90, 1.25] —— **热源 + 尘源** |
|
||
| 操作人员 | 躯干 x ∈ [2.35, 2.75] 高 1.45 m + 头部（r = 0.15 m）—— **湿源 + 尘源** |
|
||
| 物料架 | x ∈ [3.00, 3.50]，高 1.15 m |
|
||
| 温度 | 送风 22 °C，设备表面 35 °C |
|
||
| 湿度 | 送风 RH 45%，呼吸区 RH 70% |
|
||
| 粒子 | 设备 + 人员双尘源，含重力沉降（被动标量 + 沉降速度） |
|
||
| 雷诺数 | Re = U·H/ν ≈ 540（层流单向流） |
|
||
|
||
## 2. 两条技术路径
|
||
|
||
| | 高保真真值 | 快速代理 |
|
||
| --- | --- | --- |
|
||
| 脚本 | `tools/ffu_simulation.py` | `tools/ffu_surrogate.py` |
|
||
| 网格 | 360 × 270（90 px/m） | 120 × 90（1/3 分辨率） |
|
||
| 步数 | 14 000 | 5 000 |
|
||
| 求解 | D2Q9 LBM + 半拉格朗日标量输运 | **同一套求解器**（粗网格）+ 双线性重建 |
|
||
| 端到端耗时 | **76 s** | **7.3 s（16-27x 加速）** |
|
||
| 定位 | 验证真值 / 精度基准 | 交互预览 / 趋势级实时 |
|
||
|
||
**为什么"粗网格"是当前最好的快速代理？**
|
||
在 AI 神经算子尚未训练完成的阶段，粗网格求解用同一套物理保证趋势一致（速度场相关系数 **r = 0.95**），
|
||
是零训练成本、零泛化风险的实时路径；同时它天然作为后续 FNO/DeepONet 的对照基线。
|
||
|
||
## 3. 趋势验证结果
|
||
|
||
|
||
|
||
| 场量 | 全场相关系数（vs 高保真） | 结论 |
|
||
| --- | --- | --- |
|
||
| 速度 | **r = 0.95** | 绕障加速、贴壁射流、回流区结构一致 |
|
||
| 粒子浓度 | **r = 0.83** | 羽流路径与死角堆积一致 |
|
||
| 温度 | **r = 0.68** | 热羽下扫与侧向输运一致（粗网格扩散略强） |
|
||
|
||
> 代理模型保证**趋势级**精度，局部场量精度不做保证；需要精确值时切换高保真求解。
|
||
|
||
## 4. 结果图
|
||
|
||
### 4.1 流场（高保真）
|
||
|
||
|
||
|
||
### 4.2 温湿度 / 压力 / 粒子（高保真）
|
||
|
||
|
||
|
||
### 4.3 快速代理（7 秒出图）
|
||
|
||
|
||
|
||
|
||
|
||
### 4.4 粒子轨迹与滞留时间
|
||
|
||
|
||
|
||
## 5. 主要物理结论（趋势）
|
||
|
||
1. **单向下扫**：FFU 送风把设备/人员散发的热量、湿气与粒子持续向下输运，经底部回风口排出——这是洁净室自净能力的来源；
|
||
2. **绕障加速**：气流在工作台、人员、物料架之间被挤压加速，贴壁/缝隙处流速可达 ~1.5 m/s（约为送风速度的 3 倍）；
|
||
3. **死角堆积**：障碍物背风侧与墙角存在低速回流区，污染物滞留时间显著变长（粒子轨迹图中颜色越暖滞留越久）——**这是洁净室布局优化的关键目标**；
|
||
4. **压力分布**：送风端相对正压、回风口相对负压，全场压差 < 2 Pa（洁净室典型量级）；
|
||
5. **人员源不可忽视**：呼吸区湿羽流与尘源在单向流下形成明显的下扫羽流，直接影响工作区洁净度。
|
||
|
||
## 6. 模型局限（诚实声明）
|
||
|
||
- **2D 截面**：无法刻画三维绕流与横向扩散；
|
||
- **等温假设**：未耦合浮力（热羽流完全由强制对流主导），真实热源上方可能存在浮力竞争；
|
||
- **层流/低 Re**：未启用湍流模型，高换气次数下的湍流脉动未建模；
|
||
- **粒子为被动标量 + 沉降**：未包含凝聚、静电、表面沉积再悬浮；
|
||
- **非洁净度认证**：粒子浓度为归一化相对值，不可直接对应 ISO 14644-1 等级。
|
||
|
||
## 7. 复现命令
|
||
|
||
```bash
|
||
# 高保真真值（76 s，输出 3 张图 + npz 场数据）
|
||
python tools/ffu_simulation.py
|
||
|
||
# 快速代理（7 s，输出 2 张图 + 趋势验证对比图）
|
||
python tools/ffu_surrogate.py
|
||
|
||
# 规划图（架构 / 流水线 / 路线图 SVG）
|
||
python tools/gen_diagrams.py
|
||
|
||
# SVG -> PNG
|
||
npm install && node tools/svg2png.js
|
||
```
|
||
|
||
## 8. 下一步
|
||
|
||
- [ ] 加入浮力项（Boussinesq）验证热羽流竞争；
|
||
- [ ] 参数化扫描：送风速度 × 障碍物布局 × 源强度 → 数据集 D5；
|
||
- [ ] 训练 FNO 代理：以 D5 为数据，对标粗网格代理的速度与精度；
|
||
- [ ] 三维化：FFU 阵列 + 局部障碍物 3D 流场；
|
||
- [ ] 接入 WebGPU 前端，实现参数拖拽实时刷新。
|