Автоматизация настройки сеток и граничных условий в ANSYS Fluent с использованием LLM

Развитие Больших Языковых Моделей (LLMs, таких как ChatGPT) открывает новые перспективы в демократизации сложного инженерного ПО. В данном исследовании оценивалась способность ИИ выступать в роли "второго пилота" при проведении CFD-расчетов [cite: 12].

Задача

Определить, может ли LLM корректно идентифицировать граничные условия, рекомендовать настройки сеток и прогнозировать результаты симуляции турбулентного потока воды в распределительном коллекторе (manifold) [cite: 12].

Софт и Методы

Использовался ANSYS Fluent (Workbench 2025 R2) [cite: 12]. Базовые граничные условия: вода на входе 80°C, скорость 0.955 м/с, температура стенок коллектора 20°C, на выходе из сопел — атмосферное давление [cite: 12].

Генерация сетки была первоначально выполнена в автоматическом режиме с использованием стратегии Sweep и элементов типа Quad (четырехугольники). Гравитация намеренно не активировалась, чтобы проверить, сможет ли LLM выявить это упущение [cite: 12]. Было выполнено 100 начальных итераций.

Валидация и результат

Исследование показало, что используемая LLM обладает достаточной базой знаний о гидродинамике турбулентных потоков. Модель смогла предложить адекватные улучшения параметров сетки (inflation and sizing parameters), заметить отсутствие гравитационных эффектов (важных для температурной стратификации в воде) и предсказать изменения в результатах при варьировании граничных условий [cite: 12]. Это подтверждает, что инженеры-стажеры и студенты могут использовать LLM как эффективный справочный инструмент для снижения порога входа в вычислительную гидродинамику [cite: 12].

Источник

Источник

Теги

• #CFD
• #ANSYSFluent
• #LLM
• #Гидродинамика
• #Meshing

Источник: https://www.preprints.org/manuscript/202604.0165

#CFD #ANSYSFluent #LLM #Гидродинамика #Meshing