Physics-Ai-Fluent-Analysis/docs/04-data-and-ai.md

04 · 数据方案与 AI 模型

1. 数据工厂（Fluent → 数据集）

1.1 自动化链路

参数配置(YAML) → PyFluent 会话 → 几何/网格生成 → 求解设置 → 求解 → 场量导出(VTK/HDF5)

关键工程点

问题	方案
长时间批量运行	调度器 + 断点续跑 + 失败重试 + 日志追踪
网格不一致	参数化网格模板，统一拓扑或统一目标分辨率
收敛判据	残差 + 监测量（Cd/Cl/压降）双判据
异常剔除	收敛性、网格质量、物理合理性三重检查
存储	HDF5 分块压缩（训练）+ VTK（可视化）双写

1.2 数据集设计

数据集	内容	规模（首期）	用途
D1 稳态 2D	圆柱绕流，Re ∈ [50, 300]	≥ 500 工况	场回归基线
D2 瞬态 2D	同上，20 组时间序列	20 × 500 帧	时间推进
D3 稳态 3D	NACA 翼型族，Ma/攻角扫描	≥ 300 工况	3D 泛化
D4 稳态 3D	Ahmed body 简化车体	≥ 100 工况	工业场景
D5 FFU 洁净室	送风/回风/热源/尘源参数	≥ 200 工况	数字孪生 Demo

样本结构（HDF5）

/sample_0001
  ├── inputs/    # Re, 攻角, 几何参数, 边界条件 (标量 + 小数组)
  ├── coords/    # 网格坐标 (N, 2/3)
  ├── fields/    # U(N,3), p(N), k(N), omega(N)  ...
  └── meta/      # 工况 ID, 求解器设置, 收敛残差

1.3 数据工程规范

• 无量纲化：以特征长度/来流速度归一化，降低分布漂移；
• 场归一化：逐通道 z-score 或 min-max，统计量随模型一起版本化；
• 增广：旋转、镜像、缩放（仅限物理对称场景）；
• 划分：按参数区间外推划分（OOD 测试集），而非随机划分。

2. 模型选型

2.1 主力：FNO（傅里叶神经算子）

• 原理：在频域做谱卷积，学习函数空间之间的映射，分辨率无关；
• 输入：参数 + 坐标网格（或隐式网格）；
• 输出：场量（U, p, ...）；
• 优势：训练稳定、推理快、对规则网格精度高；
• 局限：非结构网格需插值，复杂几何边界处理弱。

2.2 备选与补充

模型	何时用	关键点
DeepONet	FNO 精度不足时并行验证	分支/主干网络，适合低维参数
PINN	数据稀缺、反问题	NS 残差直接进损失，训练慢
MeshGraphNet	复杂几何、非结构网格	图消息传递，几何泛化好
Latent Dynamics	长时推演加速	自编码器 + 潜空间时间推进
Transformer 算子	大尺度长程依赖	数据需求大，探索性

2.3 物理约束（贯穿所有模型）

约束	形式	作用
连续性	‖∇·u‖² 惩罚	抑制散度漂移
动量残差	‖∂u/∂t + (u·∇)u + ∇p/ρ - ν∇²u‖²	物理一致性
边界条件	壁面/入口/出口损失项	边界精度
守恒校正	投影法后处理	硬约束兜底
频谱监督	涡量谱 / 能谱匹配	湍流结构保真

3. 训练策略

• 两阶段：先纯数据预训练 → 再物理约束微调；
• 课程学习：先稳态后瞬态，先低 Re 后高 Re；
• 长时推演：教师强制 → 逐步放开自回归，配合 scheduled sampling；
• 分布式：AMP + DDP，大模型用 FSDP + 梯度检查点；
• 实验管理：Hydra 配置 + MLflow 指标追踪，全配置可复现。

4. 评估体系

维度	指标	目标
场精度	相对 L2 误差（U, p）	< 5%（2D）/ < 8%（3D）
结构精度	涡量谱、湍动能分布	谱斜率误差 < 10%
积分量	Cd / Cl / 压降	误差 < 5%
稳定性	1000 步 rollout 发散率	0 发散
泛化	OOD 参数区间误差退化	< 2 倍
效率	单步延迟 / 加速比	< 10 ms / > 1000x
可信度	不确定性校准误差	ECE < 0.1

5. 快速代理基线（已落地）

仓库内 tools/ffu_surrogate.py 提供了一条不依赖训练的快速代理基线：

• 方法：1/3 分辨率网格上运行同一套 D2Q9 LBM，准稳态后双线性重建到全分辨率；
• 性能：端到端 < 8 s（精细真值 76 s，加速 16-27x）；
• 精度：与精细解全场相关系数 速度 r=0.95 / 粒子 r=0.83 / 温度 r=0.68；
• 意义：在 AI 模型成熟前先打通"快速出图 + 趋势验证"链路，同时作为 AI 模型的对照基线。