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
108 lines
4.5 KiB
Markdown
108 lines
4.5 KiB
Markdown
# 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）
|
||
|
||
1. FNO 在 Re > 500 的圆柱绕流上能否保持 < 5% 误差？需要多少工况？
|
||
2. 物理约束损失的最佳权重与调度策略是什么？
|
||
3. 潜空间推进相比直接自回归，长时稳定性能提升多少？
|
||
4. 3D 非结构网格上，MeshGraphNet 与"插值到规则网格 + FNO"哪条路线更优？
|
||
5. 不确定性估计能否可靠地识别 OOD 工况？
|
||
6. 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 |
|