基于机器学习的CFD模型降阶

降阶模型 ROM

降阶模型ROM（Reduced Order Models）是一种对高保真度静态或动态模型的简化方法。模型降阶在保留了模型的基本特性与主导效应的同时，大大减少复杂模型的CPU计算时间及存储空间。 

ROM的用途：

• 加速大规模系统的仿真速度

• 将ROM运行在硬件在环环境

• 数字孪生 Digital twins

降阶方法:

• 静态：曲线、曲面拟合，查表法

• 动态: 通过一个高保真度模型来生成样本，机器学习算法训练样本模型

romAI 介绍

romAI是集成在 Altair 系统控制模块Activate和可视化编程模块Compose的模型降阶工具，用于加速大模型的预测，系统集成和实时控制。 

romAI基于多层感知机技术Multilayer Perceptron (MLP)，因此，从本质上讲，它在内部生成输入和输出之间的映射。这种映射的质量将取决于一些因素，例如训练样本的质量和数量，超参数的选择（神经网络隐藏层数或激活函数等等），以及可用于训练样本的时间。

romAI基于数据驱动，给定一个任意物理问题，使用任意软件建模。使用过程非常简单：首先，读入训练样本*csv，样本由输入、输出和系统状态组成。样本可以来自仿真结果或实验测试。然后根据这些数据和选定的超参数训练神经网络。训练好的ROM可以应用于Activate进行系统级仿真, 或通过FMI接口部署在其他的系统。

romAI 使用流程

案例1：CFD管路模型降阶

打开Activate模块，在Demo Browser目录下找到 romAI → nolinear → cfd_heated_pipe，这是一个简单的CFD管路加热模型，包含了一个输入变量：固体的发热功率Pel；一个输出变量：管路出口空气温度Tout；以及一个状态变量：固体的表面温度The

Activate中的CFD模型降阶例题

训练样本的数据来自AcuSolve的三维瞬态CFD仿真，CFD模型的时间步长为0.01秒，物理时间32秒，迭代3200步。

训练样本

CFD输入：固体发热功率