即使在工程教育方面,也沒有足夠的時間做所有事情。雇主希望工程師能夠使用模擬工具來加速迭代研究、設計和開發。一些講師試圖通過教授數周或數月的課程來解決這一問題,課程內容包括數值方法的推導、離散化方法、湍流模型的復雜性等。
遺憾的是,專注于基礎知識幾乎沒有時間或根本沒有時間幫助培養更高級別的技能和直覺,而這正是雇主想要和需要的
其他人則試圖通過一種應用方法來解決這一問題。在學生學習軟件教程和更復雜的項目時指導和指導他們,這看起來似乎是一種解決方案。
這是一個陷阱。我們要求學生深入研究具有復雜界面和無限設置的軟件包,這些軟件包是為適應任何和所有特殊用例而設計和開發的,而不是學習基礎知識。這使學生能夠在一定程度上熟悉模擬項目和軟件,但犧牲了對數值方法基礎知識的理解。這種方法也無法提供雇主所尋求的技能。
下面簡要概述了我開發的方法:面向工程專業學生的更直觀、更強大的自動計算流體動力學(CFD)工作流程。
此模擬工具使用圍繞任意對象的數值求解器生成數據集,以便使用 NVIDIA Modulus 作為基礎框架訓練 AI 模型。AI 代理模型用于探索設計變體,為學生提供易于使用的實驗平臺,以便他們直觀地理解和培養分析技能。
工程教學工具面臨的挑戰?
作為一名教育工作者,我教會工程師客觀思考和反思。反思機械工程的角度使用模擬工具,有限元分析和計算流體動力學是為了改進和加速設計和分析工作而創建的工具。
仿真工具在該領域的重要性并未消失,因為教育工作者已將整個課程專門用于學習兩者的復雜性和應用。不幸的是,將仿真工具教育提升到獨立課程使問題更加嚴重。
工程模擬工具不應包含本科教育中的獨立課程。它們應嵌入所有課程中,并始終存在。為學生提供不同角度的不同復雜性的挑戰,以培養知識和熟悉度。為講師提供所需的時間,幫助學生培養未來雇主所追求的更高水平的技能和直覺。
重構模擬工具在本科工程教育中的教授和融入方式將產生重大影響。學生將在課程開始時學習模擬工具。在這種重構模型中,它將是如此的基礎,以至于很容易陷入原來的陷阱:將整個課程用于教授模擬工具。
假設我們面臨的是一個似乎會無限循環并導致相同邏輯解決方案的起點,我們該怎么辦?工程師必須從模擬軟件和技術中要求更多
快速、準確、輕松。這些是工程師應該從其工具中期望的特性。這些特性也是工具的特性,使講師能夠在整個工程教育課程中使用這些工具,并幫助培養未來的工程師。
將 AI 模型用作教學工具?
我沒有嘗試解決所有可能的流體流動問題,而是設定了一個目標,為我們的學生開發一款體現這些特征的模擬工具。
過去,MSOE 的大多數流體和空氣相關的高級設計項目都涉及地面或空中車輛周圍的外部流體。為了解決這些用例,我構建了一個自動化的計算流體動力學(CFD)工作流,該工作流可以模擬任意物體周圍的流體,但也可以模擬一組幾何變體。生成的數據集用作 MeshGraphNet(MGN)的訓練和驗證集,然后用于推理數百個其他幾何變體的表面應力和力。
我使用 NVIDIA Modulus 作為物理-機器學習訓練平臺,探索了一些方法。雖然自動化工作流程的初始版本使用了物理-信息神經網絡(PINNs),但使用 MGN 可以減少內存使用量和速度提升,對于這個問題來說是完美的匹配。
正如 Ahmed Body AeroGraphNet 示例使用網格表面、表面壓力、表面剪切應力、雷諾數和重要的幾何參數作為模型輸入一樣,虛擬風洞也使用相同的輸入,通過編程修改幾何參數來處理任意 3D 模型。
隨著未來出現更多新型架構,我將使用 Modulus 無縫改進代理模型。
消除學生的障礙?
我使用了 MSOE 的計算集群 Rosie 及其學生門戶 Open OnDemand 為學生創建了一個簡單的 Web 提交頁面,以便他們啟動模擬。Open OnDemand 支持更傳統的命令行界面(CLI)提交,但也提供了一個改進界面和交互性的平臺。
學生上傳 3D 模型,指定雷諾數,并指定車輛是基于空氣還是基于地面,以及他們是否需要支持 AI 的反饋。啟動模擬后,學生將在工作完成時收到電子郵件。
該電子郵件包含拖曳力、升力和橫向力、中心壓力信息、自動生成的流線圖和視頻,以及包含表面應力數據的文件(以防他們想要繪制其他圖形)。根據推理結果,他們還可以獲取圖像和視頻,了解如何修改設計,以實現空氣動力和中心壓力的變化。

雖然與生成式空氣動力學建議相比,簡單的 Web 表單和電子郵件似乎過時了,但它重新定義了交互。學生不需要培訓。他們不需要高性能計算(HPC)或命令行界面(CLI)知識。他們為 3D 模型和流程執行簡單的雷諾數計算。這并非完全毫不費力,但它越來越接近。
支持 AI 的端到端仿真工作流?
我沒有創建編程解決方案來修改任意三角形網格,同時保證幾何圖形有效,而是選擇了另外一條路線。
學生提供的模型用作生成體積或立體像素化副本的來源。然后,通過在其表面添加和刪除材料來修改該體積副本,以創建數百或數千個修改的變體。然后,在訓練、驗證和推理期間重新劃分體積變體并使用。
原始幾何圖形以及訓練和驗證集用作輸入傳統計算流體力學(CFD)求解器 OpenFOAM 的模型。生成的目標網格通常總計在 15–20M 個單元之間,其中 70–90K 個表面單元,求解器完成 500 次迭代。
OpenFOAM 的輸出包括原始模型和所有變體的表面應力、壓力和剪切。然后,這些數據集以及相關的幾何修改參數被用作輸入,通過 MGN 輸入到 Modulus 訓練管線中。
在創建反饋圖像和視頻時,我們不會將經過訓練的 MGN 的推理結果與 OpenFOAM 結果進行比較,而是完成訓練、驗證和測試集的推理。然后,我們會將推理結果相互比較,生成圖像和視頻反饋,以便通過電子郵件發送給學生。
雖然每個并行的 OpenFOAM 解決方案可能需要一個多小時才能完成,但在 DGX-1 系統 上進行訓練大約需要四個小時,而在加載的網格上進行推理只需不到一秒。
我設計了虛擬風洞,使用并行 CPU OpenFOAM 運行的并行作業來生成數據集,然后在四個 NVIDIA V100 GPU 上執行訓練和推理。Rosie 最近升級為包含 NVIDIA H100 GPU,我期待使用它來進一步加速風洞。

可訪問的 CFD 模擬?
為了了解學生如何使用該解決方案,我在上一學年向學生提供了虛擬風洞的初始 OpenFOAM 版本。學生增加使用工具鏈后,我提供了變體的自動生成、訓練和推理。
整體努力似乎得到了回報。去年進行的 CFD 分析和風洞實驗的數量超過了高級設計團隊近十年來完成的實驗數量的總和。這使學生能夠專注于將可用系統用作易于使用的實驗平臺,而不是他們必須克服的次要挑戰。我今年將為另外三個以航空為重點的設計項目提供建議,并期待看到他們能夠設計和開發什么。
AI 軟件和技術的最新進展使工程工具和仿真領域實現了近乎切實的飛躍。現在正是重新構想我們與工程仿真工具交互方式的最佳時機。我們需要設計出適合新手、學生,甚至從小學開始的年輕學習者的下一代工具。
我們不必專注于計算流體動力學,而是可以教授翼型的迭代設計、文丘里下方的仿生特征、直覺和高級分析技能,以及風的名稱和感覺。
開始使用?
通過加入 NVIDIA DLI 教學套件計劃 ,世界各地的教育工作者可以通過免費的“Deep Learning for Science and Engineering Teaching Kit”開啟其 AI 之旅。課程的整個講座部分也通過 NVIDIA On-Demand 向世界各地的教育工作者和學生公開提供。
對于有興趣探索 AI 的研究人員, NVIDIA/modulus GitHub 資源庫提供了絕佳的入門資源。
?