Практическое руководство: Обучение и внедрение ML-моделей для инженеров-технологов

Ниже представлен полный перевод и адаптация оригинального текста на русский язык. Сохранены все численные значения, даты, имена собственные, технические термины и структура документа. Для удобства чтения навигационные пункты веб-сайта также переведены, но основное внимание уделено статье.

---

CONVERGE CFD Software

Вход
Преимущества

• Автоматическое построение сетки
• Сложные подвижные геометрии
• Полностью сопряженная химия
• Расширенные физические модели
• Сопряженный теплообмен
• Взаимодействие жидкости и конструкции
• Эйлерова многофазная модель
• Интеграция со сторонним ПО
• Высокопроизводительные вычисления
• Простота использования
• Опыт клиентов
• Инструменты химии

Применения

• Двигатели внутреннего сгорания
• Газовые турбины
• Форсунки и распыление
• Обработка выхлопных газов
• Электромобильность
• Компрессоры, вентиляторы и нагнетатели
• Насосы
• Клапаны
• Нефть и газ
• Ветроэнергетика
• Общие течения
• Водород
• Биомедицина
• Ракеты
• Горелки

Мероприятия

• Просмотр календаря
• Все обучения
• ОБУЧЕНИЕ: США
• ОБУЧЕНИЕ: ЕВРОПА
• ОБУЧЕНИЕ: ЯПОНИЯ
• ОБУЧЕНИЕ: ИНДИЯ
• ВЕБИНАРЫ
• КОНФЕРЕНЦИИ И ПРЕЗЕНТАЦИИ

О нас

• Профиль компании
• Руководство
• Карьера
• Партнеры
• Консалтинг
• Коллабораторы
• Контакты и местоположения

Медиа

• Блог
• Пресса
• Рекомендации по бренду
• Библиография
• YouTube
• Технические документы

Поддержка

• Обучение CONVERGE
• Руководство для начинающих
• Часто задаваемые вопросы по CONVERGE
• Ресурсы для пользователей

Продукты и программы

• CONVERGE Horizon
• Академическая программа CONVERGE
• Программа CONVERGE Explore

---

Блог

Опубликовано 10 августа 2026 г.

Интеллектуальная оптимизация двигателя с использованием машинного обучения и CFD

Автор: Рохит Камат
Инженер II – технический маркетинг

Спустя более ста лет, миллионы автомобилей и миллиарды пройденных километров, дизельный двигатель остается рабочей лошадкой автомобильного мира, особенно в приложениях с высоким крутящим моментом. Однако ужесточение норм выбросов и растущий спрос клиентов на топливную экономичность заставляют производителей двигателей улучшать характеристики и снижать воздействие на окружающую среду. Чтобы достичь этих целей, им необходимо мыслить нестандартно.

Обычно инженеры решают эту задачу, изменяя несколько параметров конструкции и оценивая характеристики двигателя и выбросы. Они полагаются на вычислительную гидродинамику (CFD) для изучения влияния этих взаимосвязанных переменных на сгорание, топливную эффективность и образование выбросов, среди прочих факторов. Однако даже с использованием современных высокопроизводительных вычислений исследование всего пространства проектирования может потребовать сотен симуляций! Для практического определения оптимального двигателя требуются более совершенные методы.

Одной из распространенных стратегий является использование методологии поверхностей отклика (RSM) — метода оптимизации, при котором математическая зависимость строится на основе статистического анализа подмножества пространства проектирования с помощью CFD-симуляций. Этот метод требует небольших вычислительных затрат и позволяет быстро сузить пространство проектирования. Однако такие модели часто не учитывают сильно нелинейные взаимодействия в дизельных двигателях, что снижает точность определения оптимальной конструкции.

Другой вариант — использование генетического алгоритма (GA), метода, вдохновленного эволюцией, при котором несколько кандидатов оцениваются с помощью CFD, а лучшие решения модифицируются для создания последующих поколений. Этот процесс особенно эффективен для исследования большого пространства проектирования и позволяет избегать локальных оптимумов, но требует оценки поколений конструкций, что приводит к большому числу CFD-симуляций и, следовательно, к длительному времени вычислений.

Хотя этот перечень не является исчерпывающим, он показывает сложности оптимизации. Методы, которые решают задачу достаточно быстро, могут упускать оптимальное решение, а надежные методы часто требуют больших вычислительных затрат. Но что, если существует методология, которая одновременно является и надежной, и недорогой с вычислительной точки зрения?

Методологии машинного обучения (ML) стали привлекательным вариантом. Обучаясь на ограниченном наборе высокоточных CFD-симуляций, модель ML может прогнозировать характеристики двигателя, сохраняя точность базовой физики. В результате получается процесс оптимизации, который является одновременно вычислительно эффективным и надежным. Чтобы продемонстрировать это, наши инженеры из Convergent Science провели исследование по оптимизации дизельного двигателя с помощью машинного обучения.

Что под капотом

Представленный в конце 2024 года инструмент ML в CONVERGE Studio упрощает задачи оптимизации.

Сначала пользователи определяют переменные для оптимизации, называемые параметрами проектирования, и показатели эффективности, называемые переменными отклика, которые используются для оценки достоинства результатов моделирования. Затем инструмент автоматически генерирует план эксперимента (DoE), используя квазислучайные комбинации параметров проектирования на основе выборки по латинскому гиперкубу для захвата распределения данных [1]. Этот подход гарантирует, что пространство проектирования будет достаточно изучено без исчерпывающего поиска.

После генерации каждого варианта пользователи могут запускать симуляции в нашей высокопроизводительной облачной вычислительной платформе CONVERGE Horizon или на выбранном ими оборудовании. В отличие от оптимизации с помощью GA, эти варианты могут выполняться параллельно, что означает: при достаточных вычислительных ресурсах весь DoE может быть выполнен за время, необходимое для одного моделирования. После завершения эти симуляции служат обучающими данными для модели ML в CONVERGE. Кроме того, пользователи могут обучать модель на экспериментальных данных, если они доступны, что позволяет выполнять оптимизацию с помощью ML без первоначального DoE.

После обучения модель может прогнозировать взаимосвязь между переменными проектирования и соответствующими переменными отклика в любой точке пространства проектирования. Для этого используется метамодель — алгоритм, который объединяет выходные данные нескольких моделей ML для получения наилучшего возможного ответа.

Наконец, инструмент ML в CONVERGE прогнозирует конфигурацию, которая оптимизирует переменные отклика, и пользователи могут затем смоделировать ее для подтверждения результатов. Полный процесс показан на схеме на рисунке 1.

Рисунок 1: Процесс оптимизации ML в CONVERGE.

Проверка модели на практике

Наши инженеры начали с экспериментально проверенной конфигурации двигателя Caterpillar 3400 [2], названной базовым случаем. Они исследовали три входных параметра проектирования: начало впрыска (SOI), длительность впрыска (DOI) и угол распыла форсунки (NSA). Влияние каждого изменения оценивалось по трем переменным отклика: сажа, удельный индикаторный расход топлива (ISFC) и NOx, с использованием взвешенной функции полезности, отражающей приоритеты оптимизации. В результате было создано пространство DoE из 100 вариантов, которые выполнялись параллельно на CONVERGE Horizon и были завершены менее чем за день.

Рисунок 2: CAD-модель Caterpillar 3400.

Чтобы проверить надежность модели ML, ее прогнозы сравнивались с набором вариантов моделирования, которые были намеренно исключены из DoE. Это позволило оценить точность и общую производительность модели. После этого эти варианты были включены в обучающий набор данных, что позволило модели учиться на дополнительных случаях.

На рисунке 3 показано сравнение прогнозов выбросов модели ML (ось y) с результатами CFD-симуляций (ось x). Диагональ каждого графика — это линия y = x, и любая точка, лежащая на диагонали, означает математическое равенство между прогнозом ML и соответствующей CFD-симуляцией. Как мы видим, точки группируются вдоль диагонали графика, что указывает на то, что реализованная здесь модель ML точно прогнозирует результаты заданной конфигурации.

Рисунок 3: Сравнение прогнозов выбросов модели ML с CFD-симуляциями для (a) ISFC, (b) NOx и (c) сажи.

Сводка статистического анализа показана в таблице 1. Каждый прогноз достиг значения R² более 0,95, что указывает на то, что модель может объяснить более 95% вариаций результатов CFD на основе любой заданной конфигурации. Этот уровень точности особенно важен, поскольку функция полезности в каждой точке не прогнозируется моделью ML. Вместо этого она вычисляется из прогнозируемых значений переменных отклика. Таким образом, любая ошибка в этих прогнозах переносится в расчет. Сильное согласие между CFD и моделью ML дает уверенность в том, что оптимизация основана на надежных прогнозах, а не на статистическом шуме.

Таблица 1: Статистический анализ прогнозов модели ML по сравнению с CFD-симуляциями.

Поиск оптимальной точки

После подтверждения хорошей точности модели следующей задачей было определение оптимальных условий. Используя алгоритм оптимизации DiRECT [3], модель ML искала в пространстве проектирования конфигурацию двигателя, которая максимизирует функцию полезности. Каждая конфигурация может быть оценена с помощью модели ML за миллисекунды, что позволяет выполнить оптимизацию с 5000 итераций менее чем за минуту.

После определения оптимального решения была выполнена CFD-симуляция для проверки оптимальной конструкции. Прогнозы выбросов с помощью модели ML и CFD для базового и оптимального случаев приведены в таблице 2, демонстрируя хорошее согласие. Оптимальная конструкция показывает улучшение топливной эффективности при одновременном снижении выбросов NOx и сажи, что подтверждает успешность алгоритма в определении более эффективной конфигурации двигателя.

Таблица 2: Сравнение значений переменных отклика, предсказанных ML, с результатами CFD-симуляций для базовой и оптимальной конструкций дизельного двигателя.

Тем не менее, предсказание оптимума — лишь часть решения. Любая конструкция должна быть эффективной в реальном мире, где небольшие отклонения, например, из-за производственных допусков, могут влиять на характеристики. Чтобы оценить надежность оптимизированного двигателя, модель ML также использовалась для исследования того, как малые возмущения параметров проектирования влияют на прогнозируемые характеристики двигателя. Результаты этого исследования показаны на рисунке 4. Первые два столбца показывают изменения SOI и DOI соответственно, при этом аналогичные тенденции наблюдаются как в базовой, так и в оптимизированной конфигурациях, хотя оптимизированная конструкция имеет несколько более крутой отклик, что говорит о ее большей чувствительности к изменениям переменных проектирования. Что более важно, оптимизированный случай стабильно ниже по всем измеряемым показателям.

Третий столбец на рисунке 4, изменения NSA, однако демонстрирует совершенно иное поведение. Здесь обе конструкции находятся вблизи точки перегиба в откликах, хотя изменения направлены в противоположные стороны. Для базовой конфигурации увеличение NSA снижает ISFC и сажу, но увеличивает NOx. Напротив, оптимизированная конфигурация показывает противоположную тенденцию. Тем не менее, в каждом случае оптимум находится ближе к точке перегиба по каждому отклику, что обеспечивает несколько лучшую общую стабильность к изменениям NSA.

Рисунок 4. Прогнозы ML для ISFC (сверху), NOx (в середине) и сажи (снизу) в диапазоне изменений SOI (слева), DOI (в центре) и NSA (справа) от заданной точки проектирования.

Суть

Интерпретируя результаты оптимизационного исследования, наши инженеры определили улучшенную конструкцию для Caterpillar 3400, которая снижает выбросы NOx и сажи, одновременно улучшая топливную эффективность. Кроме того, оценив реакцию оптимизированной конструкции на малые возмущения трех входных параметров, они оценили надежность и чувствительность конструкции к реальным отклонениям (например, производственным допускам). И все это за долю вычислительного времени, требуемого традиционными подходами к оптимизации!

Ссылки

[1] Stein, M., "Large Sample Properties of Simulations Using Latin Hypercube Sampling," Technometrics, 29(2), 143-151, 1987. DOI: 10.1080/00401706.1987.10488205

[2] Montgomery, D.T., "An Investigation of the Effects of Injection and EGR Parameters on the Emissions and Performance of Heavy Duty Diesel Engines," M.S. thesis, University of Wisconsin–Madison, Madison, WI, United States, 1996.

[3] Jones, D.R., Perttunen, C.D., and Stuckman, B.E., "Lipschitzian Optimization Without the Lipschitz Constant," Journal of Optimization Theory and Applications, 79, 157-181, 1993. DOI: 10.1007/BF00941892

Часто задаваемые вопросы

1. Почему стоит использовать CONVERGE для оптимизации дизельных двигателей?

CONVERGE точно моделирует физику сгорания, распыления и выбросов, предоставляя высокоточные данные, необходимые для обучения моделей машинного обучения с целью надежной оптимизации.

2. Как машинное обучение сокращает время оптимизации?

Вместо итеративного выполнения многочасовых CFD-симуляций для оценки того, являются ли выбранные условия оптимальными, модель ML обучается на данных CFD (или экспериментальных данных), а затем используется для прогнозирования характеристик двигателя для множества конфигураций менее чем за минуту.

3. Насколько точной была модель ML в исследовании Caterpillar 3400?

Каждая переменная отклика в этом исследовании (ISFC, NOx, сажа) достигла R² выше 0,95, что указывает на то, что модель ML в CONVERGE объяснила более 95% вариаций результатов CFD.

4. Можно ли применять этот процесс не только для дизельных двигателей?

Да. Оптимизация с помощью ML в CONVERGE может применяться к широкому кругу CFD-задач, включая двигатели, ветряные электростанции и другие сложные инженерные системы.

---

Свяжитесь с нами сегодня

Узнайте больше о том, как CONVERGE помогает быстро и точно решать ваши задачи CFD.

Устали от создания сеток?

Получить доступ к ресурсу

Пожалуйста, заполните информацию ниже, чтобы получить доступ к этому ресурсу.

Нажмите на ссылку ниже, чтобы получить доступ к запрашиваемому ресурсу.

Источник

Источник

Теги

• #Machine Learning
• #DoE
• #Суррогатные модели
• #Оптимизация

Источник: https://convergecfd.com/blog/intelligent-engine-optimization-using-machine-learning-and-cfd

#Machine Learning #DoE #Суррогатные модели #Оптимизация