< Назад к Набор инструментов для моделирования автомобильной отрасли

Автор: Джонни Лю, генеральный директор компании Dowway Vehicle.
Последнее обновление: 13 марта 2026 г.
Категория: Автомобильная инженерия / CAE / CFD / Искусственный интеллект

Усовершенствованная с помощью ИИ вычислительная гидродинамика (AI-enhanced Computational Fluid Dynamics, AICFD) меняет подход автомобильных команд к моделированию аэродинамики, тепловых процессов и воздушных потоков. Внедряя ИИ в генерацию сетки, ускорение решателей, настройку физических моделей и оптимизацию конструкции, AICFD помогает командам быстрее получать полезные результаты, проводить больше итераций, снижать затраты на моделирование и поддерживать разработку автомобилей за счет более эффективного инженерного цикла.

• AICFD сочетает методы искусственного интеллекта, такие как глубокое обучение, PINN и GNN, с рабочими процессами вычислительной гидродинамики (CFD).
• Это улучшает генерацию сетки, скорость работы решателя и точность физической модели.
• В автомобильной промышленности это уже полезно для оценки аэродинамики кузова, шума ветра, охлаждения моторного отсека, тепловых систем электромобилей и качества воздуха в салоне.
• Наилучшие результаты достигаются при использовании с традиционными методами вычислительной гидродинамики (CFD), но не в качестве полной замены.
• Основными препятствиями являются данные, объяснимость, кадровый потенциал и интеграция программного обеспечения.

Большинство программ по разработке автомобилей замедляются не из-за того, что у инженеров заканчиваются идеи. Они замедляются потому, что для качественного моделирования по-прежнему требуется слишком много подготовительной работы, слишком много вычислительного времени и слишком много ручной работы, прежде чем можно будет принять первое проектное решение.

Вот тут-то и начинает проявляться важность AICFD.

Это переводит CFD из процесса, в основном основанного на ручном опыте, в процесс, основанный на сочетании данных и физики. Общедоступные рекомендации по обеспечению видимости в поисковой выдаче в эпоху ИИ по-прежнему указывают на те же основные принципы: понятный текст, четкая структура страницы, полезный контент и легкая индексация.

---

Что такое CFD-моделирование с использованием искусственного интеллекта в автомобилестроении?

AICFD — это глубокая интеграция искусственного интеллекта и традиционного вычислительного моделирования. Это не просто инструмент ИИ, работающий вместе с пакетом CFD. Он меняет сам основной рабочий процесс моделирования.

В автомобилестроении вычислительная гидродинамика (CFD) является одним из основных инструментов, используемых для оценки аэродинамических характеристик, проектирования тепловых систем, эффективности силовых агрегатов, анализа шума ветра, охлаждения батарей электромобилей и работы воздушных потоков в салоне. Точность и скорость моделирования могут напрямую влиять на время разработки, стоимость и характеристики продукта.

В многих программах традиционный метод вычислительной гидродинамики (CFD) по-прежнему выполняет основную работу, но он сопряжен с привычными проблемами:

• Создание сетки занимает время.
• Циклы решения задач могут длиться часами или днями.
• Настройка параметров часто зависит от опыта старшего инженера.
• А циклы оптимизации становятся дорогостоящими по мере усложнения геометрии и физики.

Система AICFD создана для решения этих проблем. В исходном отчете она описывается как система, которая сочетает методы искусственного интеллекта, такие как глубокое обучение, нейронные сети, основанные на физических принципах, и графовые нейронные сети, с численным решением задач вычислительной гидродинамики, обработкой сеток и физическим моделированием. Цель проста: одновременно повысить точность, ускорить выполнение расчетов и снизить затраты.

Это направление также соответствует текущим исследованиям в области ИИ для вычислительной гидродинамики, где работа сосредоточена на суррогатном моделировании, обучении на основе PINN, интеллектуальных сетках и автомобильных аэродинамических эталонах.

---

Почему AICFD становится ключевой частью инструментария для автомобильной промышленности?

Метод AICFD набирает популярность, поскольку разработка транспортных средств продвигается быстрее, а работа по моделированию становится все сложнее.

Автопроизводителям сегодня необходимо улучшать аэродинамическое сопротивление, охлаждение, уровень шума, запас хода и тепловую безопасность в более короткие сроки разработки. В то же время, законы физики не упрощаются. Современной программе разработки автомобиля может потребоваться решить следующие задачи:

• аэродинамика внешнего корпуса,
• Обтекание днища
• отвод тепла из моторного отсека,
• охлаждение батареи,
• охлаждение двигателя и контроллера,
• вентиляция салона,
• диффузия загрязняющих веществ,
• а иногда и в рамках взаимодействия жидкости, тепла и конструкции.

Это слишком многого требует от рабочего процесса, который по-прежнему в значительной степени опирается на ручное построение сетки и длительное время решения.

В исходном отчете четко указано следующее: вычислительная гидродинамика (CFD) является ключевым инструментом в работе над аэродинамикой автомобилей, тепловым режимом и эффективностью силовых агрегатов, а ее скорость и точность могут определять конкурентоспособность продукции. По мере того, как искусственный интеллект продолжает совершенствовать обработку, решение и оптимизацию сеток, автомобильные команды могут перейти от процесса моделирования, в основном основанного на ручной настройке, к процессу, основанному на физике и данных, полученных в результате обучения.

Именно поэтому AICFD теперь является частью более широкого обсуждения в области автомобильных технологий, а не просто узкоспециализированной темой исследований.

---

Как работает AICFD на техническом уровне?

AICFD построен на основе трех основных технических модулей:

1. интеллектуальное создание и оптимизация сетки.
2. Методы решения задач с использованием искусственного интеллекта,
3. Оптимизация физической модели на основе данных.

Эти три модуля тесно связаны с реальными сценариями применения в автомобильной промышленности и образуют замкнутый технический цикл.

---

Как работает интеллектуальная генерация и оптимизация сетки?

Качество сетки по-прежнему играет ключевую роль в точности CFD-моделирования. Если сетка низкого качества, результатам моделирования трудно доверять.

В традиционном вычислительном моделировании (CFD) генерация сетки для сложной автомобильной геометрии может занимать более 40% от общего времени рабочего процесса. Это легко понять, если взглянуть на тип используемой геометрии:

• кривизна кузова транспортного средства,
• компоновка моторного отсека,
• каналы под днищем,
• зеркальные формы,
• прокладка трубопроводов,
• Отверстия аккумуляторного блока.

Создание сетки вручную в этих областях занимает время и часто зависит от квалификации инженера, который знает, где градиенты потока будут иметь наибольшее значение. Это также может создавать проблемы, такие как искажение сетки и ячейки с отрицательным объемом.

AICFD улучшает эту часть рабочего процесса двумя основными способами.

Интеллектуальное сглаживание сетки на основе GNN

В отчете описывается метод сглаживания сетки на основе GNN, который может автоматически считывать характеристики окрестностей из геометрической модели, не полагаясь на порядок ввода данных в узлы. Это позволяет системе быстро корректировать положения узлов и сглаживать сетку с гораздо меньшим ручным вмешательством.

Практическое преимущество заключается в скорости. Согласно отчету, эффективность сглаживания сетки может повыситься более чем в десять раз, а также помогает избежать проблем с искажением сетки, которые обычно замедляют традиционные рабочие процессы.

Адаптивное уточнение сетки на основе ИИ

В методе AICFD также используется адаптивное уточнение сетки, основанное на анализе поля потока с помощью искусственного интеллекта в реальном времени.

Вместо того чтобы размещать сетку с одинаковой плотностью повсюду, система ищет области с сильными градиентами, а затем уточняет сетку там, где это наиболее важно. В автомобильном моделировании к таким областям относятся:

• пограничные слои поверхности тела,
• вихри внутри моторного отсека,
• зоны турбулентности позади транспортного средства,
• зона лобового удара,
• зеркальная область,
• и зону отрыва задней части вихревого следа.

Более гладкие участки затем можно разбить на более свободные ячейки сетки.

В полномасштабном аэродинамическом моделировании автомобиля это означает плотную сетку вблизи передней наветренной поверхности, вокруг зеркал и внутри заднего следа, в то время как для более плоских участков боковой части кузова можно использовать более разреженную сетку. В отчете говорится, что это может уменьшить общее количество ячеек сетки на 30–50%, сохраняя при этом погрешность коэффициента сопротивления в пределах 3%. Этого достаточно для инженерных расчетов.

Публикуемые работы по созданию сеток с использованием ИИ и сравнительные тесты AI-CFD для автомобильной промышленности указывают в одном направлении: улучшение автоматизации, ускорение настройки и более стабильное промышленное использование.

---

Как методы решения задач с использованием искусственного интеллекта ускоряют вычислительную гидродинамику?

Традиционные решатели CFD основаны на численных методах, таких как метод конечных объемов. Они решают уравнения Навье-Стокса и связанные с ними уравнения переноса путем многократных итераций. Это дает надежные результаты, но вычислительная нагрузка может быть значительной.

Решение сложных тепловых задач в автомобилестроении, таких как охлаждение моторного отсека, может занять часы или даже дни.

В отчете поясняется, что AICFD ускоряет этот процесс двумя основными способами.

Нейронные сети, основанные на физических принципах

В нейронных сетях PINN управляющие уравнения гидродинамики помещаются непосредственно в функцию потерь нейронной сети. Проще говоря, модель обучается таким образом, чтобы соответствовать физическим процессам, а не только данным.

Это открывает возможности для вычислений без использования сетки или с уменьшенным количеством сеток в некоторых задачах. Кроме того, это исключает один из самых трудоемких этапов в стандартном вычислительном моделировании.

В отчете приводится пример из автомобильной отрасли: утечка воздуха через щель в двери. В подобном случае AICFD может увеличить скорость вычислений более чем в 500 раз и снизить время отклика до второго уровня.

Такой прогресс — это немаловажно. Он меняет подход к использованию моделирования на ранних этапах проектирования и для быстрых проверок.

Гибридное ускорение решателя

Второй вариант — гибридное ускорение, при котором ИИ не заменяет решатель. Он помогает решателю работать с меньшим количеством лишних итераций.

В отчете это описывается как система, в которой ИИ:

• прогнозирует тенденции конвергенции остатков.
• помогает предотвратить избыточные вычисления на ранней стадии.
• и использует нейронные сети на основе графовых нейронных сетей для прогнозирования значений коррекции поля давления и поля скорости.

Это сокращает цикл итераций, сохраняя при этом точность решения близкой к традиционной CFD-моделированию.

В отчете говорится, что при моделировании аэродинамики всего транспортного средства время решения может сократиться с 24 часов до 2–3 часов, при этом точность остается на уровне традиционных методов вычислительной гидродинамики (CFD).

Такое изменение скорости позволяет команде протестировать гораздо больше вариантов конструкции в рамках одного и того же программного окна.

Открытые исследования в области PINN и нейронной вычислительной гидродинамики также подтверждают, что эти направления являются активными областями развития для моделирования жидкостей.

---

Как оптимизация физической модели на основе данных повышает качество моделирования?

Это одна из наиболее полезных функций AICFD для автомобилестроения.

Традиционные методы вычислительной гидродинамики часто опираются на эмпирические модели турбулентности, такие как:

• k-эпсилон
• к-омега

Эти модели широко используются и по-прежнему ценны, но они не идеальны. В сложных условиях, таких как высокоскоростная турбулентность тела, течение внутри цилиндра, многофазное охлаждение или сопряженный теплообмен, их ограничения становятся более очевидными.

AICFD внедряет подход, основанный на данных.

Вместо того чтобы полагаться исключительно на эмпирические формулы, система изучает поведение потока на основе более качественных источников данных, таких как:

• данные испытаний в аэродинамической трубе,
• Данные прямого численного моделирования.
• и высокоточные наборы данных о потоках.

Это позволяет создать модель турбулентности на основе искусственного интеллекта, способную более точно воспроизводить картины потока в сложных условиях.

В отчете также уделяется большое внимание взаимосвязи различных физических процессов, что имеет большое значение в автомобилестроении, поскольку многие реальные случаи не ограничиваются только потоковыми процессами. Они часто включают в себя:

• Передача жидкости и тепла,
• Взаимодействие жидкости и твердого тела.
• Взаимосвязь между потоком охлаждающей жидкости батареи и температурой.
• а в некоторых случаях и поведение, связанное с химическими реакциями.

В таких случаях AICFD может использовать ИИ для замены или упрощения сложных подмоделей, таких как модули химической кинетики, и более непосредственно изучать взаимодействие между потоком и твердыми структурами.

Яркий пример из отчета — система терморегулирования аккумуляторных батарей электромобилей. В этом случае модель, использующая искусственный интеллект, может прогнозировать распределение охлаждающей жидкости и изменения температурного поля в аккумуляторном блоке с погрешностью в пределах 2%, чего достаточно для оптимизации конструкции.

---

Где сегодня применяется метод AICFD в автомобилестроении?

В отчете выделены четыре основные области применения:

1. Оптимизация аэродинамики транспортного средства,
2. терморегулирование моторного отсека,
3. Система терморегулирования электромобиля.
4. Качество воздуха в салоне и комфорт.

Это не второстепенные случаи. Это одни из самых дорогостоящих, требующих оперативного решения и тесно связанных с производительностью аспектов работы по моделированию транспортных средств.

---

Каким образом метод AICFD улучшает аэродинамическую оптимизацию транспортных средств?

Это наиболее известный и развитый пример применения в автомобильной промышленности.

Аэродинамические характеристики влияют на:

• экономия топлива,
• Запас хода электромобиля,
• высокоскоростная устойчивость,
• а также шумо- и виброизоляцию, особенно шум ветра.

Традиционные методы аэродинамической разработки обычно основаны на серии испытаний в аэродинамической трубе в сочетании со стандартными методами вычислительной гидродинамики (CFD). Этот метод работает уже много лет, но он дорогостоящий, медленный и сложный в масштабировании, когда необходимо проверить множество вариантов кузова.

AICFD меняет это за счет интегрированного цикла, построенного на основе:

Параметризация геометрии > Прогнозирование с помощью ИИ > Интеллектуальный поиск оптимального варианта конструкции

В отчете представлен четкий алгоритм работы инженера.

Инженеры начинают с FFD, или деформации свободной формы, чтобы параметризовать форму тела. Они могут контролировать и изменять:

• контур передней части,
• арка крыши,
• форма задней части,
• форма бокового зеркала.

Это приводит к появлению большого набора геометрических вариантов.

Затем AICFD использует исторические данные моделирования для обучения модели пониженного порядка на основе искусственного интеллекта, которая может прогнозировать трехмерные поля потока со скоростью порядка секунды. Это позволяет инженерам оценивать ключевые аэродинамические показатели, такие как:

• Cd (коэффициент сопротивления),
• Cl (коэффициент подъемной силы).

После этого алгоритм оптимизации на основе искусственного интеллекта ищет наилучшую схему кузова, учитывая при этом реальные ограничения дизайна, такие как требования к стилю и занимаемое пространство.

В отчете представлен конкретный пример из программы разработки отечественного автомобиля. После использования этого инструментария AICFD команда завершила работу за 15 дней, тогда как ранее на это уходило 3 месяца. Коэффициент аэродинамического сопротивления кузова снизился с 0,32 до 0,26, расход топлива уменьшился на 0,8 л/100 км, а также улучшилась устойчивость автомобиля на высоких скоростях.

Это наглядный пример того, почему AICFD имеет значение. Он превращает аэродинамику из узкого места в более быстрый цикл проектирования.

А как насчет аэродинамического шума и шума ветра?

В докладе рассматриваются не только вопросы драгирования.

В нем также рассматривается моделирование аэродинамического шума, которое становится все более важным в электромобилях, поскольку снижается уровень шума силового агрегата, а шум ветра становится легче слышать пассажирам.

В отчете говорится, что после оптимизации численного формата AICFD может поддерживать моделирование шума ветра для всего транспортного средства на сетках с количеством ячеек около 40 миллионов, со скоростью, сопоставимой с зарубежным коммерческим программным обеспечением. В нем также отмечается, что результаты измерения звукового давления в полном диапазоне близки к измеренным значениям и соответствуют стандартам, используемым в автомобильной промышленности.

Это важно, потому что аэроакустические расчеты зачастую сложнее ускорить, чем простое прогнозирование сопротивления воздуха.

Рисунок 1. Применение AICFD в оптимизации автомобильной аэродинамики.
Слева: моделирование поля потока в кузове автомобиля с помощью ИИ; справа: кривая оптимизации коэффициента аэродинамического сопротивления.

Недавние исследования в области автомобильной аэродинамики также показывают, что модели искусственного интеллекта теперь тестируются на реалистичных формах транспортных средств, а не только на игрушечных моделях.

---

Как метод AICFD улучшает управление тепловым режимом в моторном отсеке?

Моделирование потоков воздуха в моторном отсеке — одна из самых сложных задач внутри автомобиля.

Это включает в себя:

• двигатель,
• радиатор,
• конденсатор,
• вентилятор,
• трубопроводы,
• зоны рециркуляции,
• сильный сопряженный теплообмен.

Традиционные методы вычислительной гидродинамики (CFD) позволяют моделировать все это, но они требуют больших временных и вычислительных затрат. Кроме того, для их настройки и качественной интерпретации требуются определенные навыки.

В отчете поясняется, что AICFD улучшает ситуацию в этой области, объединяя следующие ресурсы:

• оптимизированная обработка многофазных потоков,
• улучшенная обработка сопряженным теплопереносом,
• Адаптивное построение сетей на основе ИИ,
• и динамическую поддержку граничных условий.

Это позволяет командам моделировать потоки воздуха и теплопередачу в моторном отсеке при различных условиях эксплуатации, таких как:

• праздный,
• низкая скорость,
• высокоскоростной.

Затем они могут вынести решение:

• отвод тепла радиатором
• выступление болельщиков,
• и имеет ли смысл прокладка трубопроводов.

В отчете представлен пример из программы развития бренда в рамках совместного предприятия. Путем оптимизации:

• скорость вентилятора,
• угол наклона радиатора,
• прокладка трубопроводов,

Команда снизила максимальную температуру в моторном отсеке на 12°C, повысила эффективность радиатора на 15%, уменьшила энергопотребление вентилятора и решила проблему с предупреждением о высокой температуре, которая стала настоящей инженерной проблемой.

В отчете также содержится важная практическая деталь, которую легко упустить из виду, но которая имеет значение для внедрения: модуль AICFD «фронтальной обработки» с интерактивными вопросами и ответами может помочь инженерам быстрее определять физические сценарии и граничные условия. Это снижает порог вхождения, поэтому даже менее опытные пользователи могут быстрее начать работу.

На общедоступных страницах продуктов Tianfu описываются аналогичные функции, такие как автоматическое построение сетки, пошаговая настройка, быстрое решение и постобработка в автомобильной отрасли.

---

Каким образом AICFD поддерживает управление тепловым режимом аккумуляторов, двигателей и контроллеров электромобилей?

Это одна из наиболее перспективных областей применения AICFD в современной автомобильной промышленности.

В транспортных средствах на новых источниках энергии терморегулирование напрямую влияет на:

• безопасность батарей,
• время работы батареи,
• диапазон,
• эффективность двигателя,
• надежность контроллера.

Физика здесь сложная, потому что система часто включает в себя:

• циркуляция охлаждающей жидкости,
• расход воздуха,
• Передача тепла через фазовый переход,
• температурные градиенты в компактных пространствах.

В отчете говорится, что в области управления тепловым режимом батарей AICFD может моделировать распределение охлаждающей жидкости между батарейными модулями, прогнозировать разницу температур между ячейками и оптимизировать компоновку трубопроводов охлаждающей жидкости и распределение потоков таким образом, чтобы разброс температур батарейного блока оставался в пределах 3 °C.

Эта деталь важна, потому что одной лишь средней температуры упаковки недостаточно. Равномерность распределения температуры имеет значение как для безопасности, так и для жизни.

В отчете также говорится, что метод AICFD позволяет моделировать потоки воздуха и теплопередачу внутри двигателей и электронных блоков управления, а затем улучшать системы охлаждения для снижения рабочей температуры, повышения эффективности и увеличения срока службы.

Также приведён пример реального проекта. Компания, занимающаяся разработкой электромобилей, использовала метод AICFD для оптимизации системы терморегулирования своей батареи и получила следующие результаты:

• На 20% повышена эффективность рассеивания тепла.
• Диапазон на 10% выше,
• а также снижение себестоимости производства тепловых систем.

Далее в отчете делается еще один шаг вперед, и говорится, что модели пониженного порядка на основе искусственного интеллекта, обученные на исторических данных моделирования, могут поддерживать моделирование тепловых процессов в реальном времени, что делает их полезными для систем цифровых двойников и динамического мониторинга температуры батарей.

Исследования в области управления тепловым режимом аккумуляторных батарей также продолжают развиваться в направлении создания более быстрых прогнозных моделей и отслеживания состояния системы в режиме реального времени.

Рисунок 2. Моделирование системы терморегулирования батареи электромобиля с помощью AICFD.
Слева: поле потока охлаждающей жидкости в аккумуляторном блоке; справа: прогнозируемое распределение температуры батареи.

---

Каким образом технология AICFD улучшает качество воздуха в салоне и комфорт пассажиров?

Воздух в салоне — это одновременно проблема текучести, проблема теплообмена и проблема комфорта.

В отчете перечислены основные показатели качества воздуха в салоне:

• распределение скорости воздушного потока,
• распределение температуры,
• Распространение загрязняющих веществ, включая формальдегид и PM2.5.

Традиционный метод вычислительной гидродинамики (CFD) позволяет моделировать воздушные потоки в салоне, но он становится медленным, когда инженерам необходимо протестировать множество реальных сценариев эксплуатации, таких как:

• Система отопления, вентиляции и кондиционирования включена.
• окна открыты,
• разная скорость движения.

В этом случае AICFD помогает ускорить моделирование и упростить повторные проверки.

Согласно отчету, он может моделировать:

• Распределение потока на выходе из системы отопления, вентиляции и кондиционирования воздуха,
• равномерность теплообмена в салоне.
• Пути распространения загрязняющих веществ,
• Производительность системы вентиляции.

Затем это можно использовать для улучшения компоновки вентиляционных отверстий, распределения воздушного потока и проектирования системы вентиляции.

В отчете приведен один пример из практики эксплуатации автомобиля премиум-класса. После корректировки расположения вентиляционных отверстий и настроек вентиляции с помощью AICFD, команда сократила время регулировки температуры в салоне на 30% и повысила эффективность удаления загрязняющих веществ на 40%.

Это реально влияет на комфорт, ощущения от системы климат-контроля и качество микроклимата в салоне.

Опубликованные работы по изучению циркуляции воздуха в салоне автомобиля и качества воздуха также показывают, как выбор методов вентиляции может изменять поведение частиц и CO2 внутри салона.

---

Чем AICFD отличается от традиционного CFD?

Метод AICFD быстрее и проще в масштабировании для начальных этапов проектирования. Традиционный метод CFD по-прежнему важен для окончательной высокоточной проверки.

В этом и заключается главное отличие.

В отчете проводится следующее сравнение:

Размер сравнения	Традиционная вычислительная гидродинамика	AICFD
Основная парадигма	Численная итерация на основе сетки, использующая физические формулы.	Интеграция, основанная на данных и учитывающая физические ограничения.
Скорость вычислений	Медленно; сложные случаи занимают от нескольких часов до нескольких дней.	Очень быстро; от секунд до минут или нескольких часов, обычно в 50–500 раз быстрее.
Зависимость от сетки	Высокий уровень сложности; требует высокого качества сетки и ручной работы.	Ниже; возможны адаптивное построение сетки и бессеточные маршруты.
Точность моделирования	Зависит от эмпирических моделей; в сложных сценах погрешность может составлять 5–10%.	Основано на данных с учетом физических ограничений; погрешность при сложных сценах может оставаться в пределах 5%.
инженерная совместимость	Сложная операция, высокие затраты на обучение, плохая пригодность для быстрой итерации.	Более интеллектуальный, более простой в использовании, поддерживает пакетное моделирование и автоматический поиск лучших вариантов проектирования.
контроль затрат	Высокая вычислительная стоимость, большая зависимость от аэродинамической трубы.	Снижение вычислительных затрат, меньшее количество циклов испытаний в аэродинамической трубе, снижение затрат на НИОКР на 30–50% в целевых рабочих процессах.

В отчете тщательно проработан один момент, который по сути должен оставаться неизменным:

AICFD не полностью заменяет традиционный CFD.

Наилучшим вариантом является комбинированный рабочий процесс:

• Используйте AICFD для быстрого прогнозирования, исследования обширного пространства проектных параметров и интеллектуальной оптимизации.
• Используйте традиционные методы вычислительной гидродинамики (CFD) для высокоточной проверки.

Такое сочетание обеспечивает наилучший баланс скорости, точности и надежности, присущей инженерным решениям.

Рисунок 3. Сравнение традиционного CFD и AICFD в автомобильном инструментарии.
Сравнение основных показателей производительности.

---

Что замедляет внедрение AICFD, и как компании могут на это отреагировать?

AICFD — многообещающая технология, но в отчете говорится, что ее широкомасштабное внедрение по-прежнему сталкивается с четырьмя основными препятствиями:

1. недостаток высококачественных данных,
2. слабая объяснимость,
3. нехватка междисциплинарных специалистов,
4. незрелая программная экосистема.

Каждый из них настоящий.

Получить высококачественные данные по-прежнему сложно.

Для работы моделей искусственного интеллекта требуется большое количество высококачественных размеченных данных, в том числе:

• данные аэродинамической трубы,
• Данные DNS,
• высокоточные данные CFD,
• и в идеале — данные испытаний транспортного средства.

Получение таких данных обходится дорого, их сложно очистить, и зачастую они разбросаны по разным командам.

Рекомендуемый ответ

В отчете предлагается создать базу данных для моделирования работы автомобильных жидкостей, которая объединяет в себе следующие элементы:

• данные аэродинамической трубы,
• традиционные данные CFD,
• Данные испытаний на реальных автомобилях.

Также рекомендуется очищать и маркировать данные и, по возможности, использовать отраслевой обмен данными через альянсы для снижения затрат на сбор данных.

Инженерам по-прежнему необходимо доверять модели.

Проблема «черного ящика» действительно существует.

В случаях, связанных с безопасностью, таких как управление температурным режимом батареи и охлаждение двигателя, инженерам необходимо понимать, почему модель предсказывает именно то, что она предсказывает. Результату без четкой физической логики трудно доверять.

Рекомендуемый ответ

В отчете предлагается использовать физические ограничения на основе PINN, чтобы модель была вынуждена следовать управляющим уравнениям. Также рекомендуется использовать более совершенные инструменты визуализации результатов, чтобы инженеры могли напрямую изучать поля потока, температурные поля и физические закономерности.

Это разумный подход, поскольку он повышает доверие к модели, не снижая при этом скорость.

Дефицит квалифицированных кадров по-прежнему велик.

AICFD призывает людей, которые понимают:

• механика жидкости,
• Алгоритмы искусственного интеллекта,
• автомобильная инженерия.

Такое сочетание по-прежнему встречается редко.

Рекомендуемый ответ

В отчете предлагается следующее:

• внутреннее перекрестное обучение в области потоковой обработки данных, искусственного интеллекта и инженерного программирования.
• а также более тесное сотрудничество с университетами для создания более эффективного кадрового резерва.

В описании говорится, что целевой инженер — это человек, обладающий навыками, сочетающими в себе знание алгоритмов, методов построения потоков и программирования.

Программная экосистема все еще находится в стадии развития.

AICFD также должен интегрироваться в реальные промышленные инструментальные комплексы. Это означает, что CAD, CAE, очистка модели, решение задач, оптимизация, постобработка и анализ проекта должны быть хорошо взаимосвязаны.

В отчете говорится, что отечественное программное обеспечение AICFD продолжает развиваться в таких областях, как:

• крупномасштабная многофизическая стабильность,
• моделирование с очень большой сеткой,
• а также совместимость рабочих процессов с существующими инженерными системами.

Рекомендуемый ответ

В отчете предлагается более тесное сотрудничество между поставщиками программного обеспечения и научно-исследовательскими группами автомобильной промышленности, а также улучшенная интеграция с инструментами CAD/CAE, такими как:

• CATIA
• ANSYS

Цель состоит в создании единого инженерного пути, начиная с:

геометрическое моделирование > имитационный анализ > оптимизационное проектирование

Именно такая интеграция рабочих процессов определит, станет ли AICFD стандартным инженерным инструментом или останется ограниченным лишь отдельными проектами.

В открытых работах по вычислительной гидродинамике на основе нейронных сетей также постоянно подчеркивается важность масштаба, физической согласованности и интеграции как основных нерешенных вопросов.

---

Каковы будущие тенденции применения AICFD в автомобилестроении?

В докладе обозначены четыре направления дальнейшего развития:

1. генеративный ИИ для проектирования аэродинамической формы.
2. AICFD плюс цифровые двойники,
3. более эффективное моделирование в разных масштабах и с учетом множества физических процессов.
4. рост отечественного программного обеспечения AICFD.

Эти четыре тенденции хорошо сочетаются друг с другом.

Генеративный искусственный интеллект начнет формировать аэродинамический дизайн транспортных средств.

В отчете описывается будущий рабочий процесс, в котором инженеры вводят аэродинамические параметры и ограничения формы кузова, а генеративная модель автоматически создает варианты форм.

Пример нагляден:

• Целевой показатель: Cd ≤ 0,25
• Ограничения: длина, ширина, высота и стилистические особенности транспортного средства.
• Результат: формы тела, сгенерированные ИИ, а затем проверенные с помощью прогнозирования второго уровня AICFD.

В отчете конкретно упоминаются генеративно-состязательные сети (GAN) и модели распространения как вероятные инструменты в этом процессе.

Это позволило бы создать замкнутый цикл проектирования > моделирования > оптимизации с гораздо меньшим количеством ручных итераций и большей вероятностью найти формы, которые человеческие команды, возможно, не придумали бы в первую очередь.

В настоящее время в сфере государственных исследований наблюдается тенденция к созданию замкнутых систем искусственного интеллекта для проектирования кузовов автомобилей и прогнозирования аэродинамики.

AICFD и цифровые двойники будут работать вместе.

Эта тенденция имеет огромное значение для электромобилей и автомобилей с возможностью подключения к сети.

В отчете описываются цифровые двойники для гидравлических систем транспортных средств, которые получают данные с датчиков в режиме реального времени, такие как:

• температура двигателя,
• температура батареи,
• Данные о качестве воздуха в салоне.

Затем AICFD выполняет быстрое моделирование на основе этих данных в реальном времени, прогнозирует состояние системы, предупреждает о неисправностях, таких как перегрев или тепловой разгон, и помогает корректировать параметры отопления или вентиляции в режиме реального времени.

Это выводит AICFD за рамки автономного проектирования и обеспечивает поддержку эксплуатации транспортных средств в реальных условиях.

Межмасштабное и многофизическое моделирование станет более эффективным.

В отчете предполагается, что будущие системы AICFD смогут обрабатывать моделирование в различных масштабах, от микроскопического поведения жидкости до полей потока, охватывающих весь транспортный объект, и в рамках нескольких физических явлений:

• жидкость,
• теплопередача,
• структура,
• Электромагнетизм.

В статье также приводятся два примера, которые следует оставить, поскольку они наглядно показывают, к чему всё идёт:

• Моделирование работы двигателя в цилиндре, в котором одновременно решаются задачи, связанные с потоком воздуха, впрыском топлива, реакцией сгорания и теплопередачей.
• Моделирование аккумуляторной батареи, в котором поток жидкости, температура и электрохимическая реакция решаются в одной сопряженной среде.

Именно в таких случаях старые рабочие процессы часто становятся слишком медленными для поиска оптимального варианта в широком пространстве параметров проектирования.

Отечественное программное обеспечение AICFD будет продолжать развиваться.

В отчете четко обозначен этот момент. Значительная часть рынка вычислительной гидродинамики в автомобильной промышленности по-прежнему зависит от зарубежного коммерческого программного обеспечения, что создает давление в отношении стоимости, лицензирования и технической зависимости.

В нем указывается на отечественное программное обеспечение, такое как Nanjing Tianfu AICFD, и говорится, что инструменты, разработанные на местном уровне, улучшаются в следующих областях:

• независимость решателя,
• подходит для применения в автомобильной промышленности.
• скорость,
• точность.

В некоторых целевых рабочих процессах, как говорится в отчете, их производительность уже близка к показателям зарубежных коммерческих инструментов или даже превосходит их.

В общедоступных материалах компании Tianfu также позиционируется AICFD как независимо разработанная платформа вычислительной гидродинамики для моделирования потоков, теплопередачи, многофазных потоков, шума и горения, с непосредственным охватом таких параметров, как сопротивление, шум ветра, система терморегулирования всего транспортного средства, а также анализ батарей, двигателей и контроллеров.

В отчете высказывается мнение, что это важно не только с точки зрения стоимости, но и для создания более самоуправляемой цепочки разработки автомобильного программного обеспечения.

---

Что это значит для научно-исследовательских и опытно-конструкторских групп в автомобильной отрасли?

AICFD — это не просто более быстрый переход на CFD-моделирование.

Это меняет подход к работе инженерных команд.

С помощью AICFD команды могут:

• протестируйте больше вариантов дизайна.
• сузить круг лучших вариантов на раннем этапе.
• сократить количество повторных работ в аэродинамической трубе,
• сократить цикл моделирования,
• а традиционные методы вычислительной гидродинамики (CFD) оставить для самых сложных задач верификации.

В этом и заключается практическая ценность.

В заключении отчета делается вывод: AICFD уже стала важной частью разработки автомобильной аэродинамики, управления тепловым режимом двигателей, тепловых систем электромобилей и обеспечения качества воздуха в салоне. Хотя данные, доверие, кадры и интеграция все еще нуждаются в доработке, направление ясно. По мере совершенствования генеративного ИИ, цифровых двойников и сопряженного моделирования, AICFD будет продвигать автомобильную разработку к более интеллектуальному, точному и быстрому в использовании процессу.

Для автомобильных инженеров и продуктовых команд изучение принципов работы AICFD (вычислительной гидродинамики на основе искусственного интеллекта) стало неотъемлемой частью сохранения конкурентоспособности.

---

Часто задаваемые вопросы

Что такое CFD-моделирование с использованием искусственного интеллекта и чем оно отличается от традиционного CFD-моделирования?

Усовершенствованный с помощью ИИ CFD-моделирование добавляет машинное обучение в рабочий процесс, позволяя командам быстрее прогнозировать поведение потока и сокращать объем ручной настройки. Традиционный CFD-моделирование в основном основано на численном решении на основе сетки, в то время как AICFD добавляет модели, основанные на машинном обучении, которые могут помочь с построением сетки, скоростью работы решателя и прогнозированием потока.

На практике AICFD сочетает такие методы, как PINN, GNN и основанные на данных аппроксимирующие модели, со стандартными рабочими процессами CFD. Это позволяет командам быстрее проводить предварительные проверки и оптимизацию проекта, в то время как традиционная CFD по-прежнему играет важную роль в окончательной проверке. Публичные исследования в области нейронной CFD и автомобильной аэродинамики отражают такое же разделение между быстрым прогнозированием и высокоточной проверкой.

Каковы основные преимущества использования ИИ в вычислительной гидродинамике для автомобильного проектирования?

Основные преимущества заключаются в более быстрой симуляции, меньшем объеме ручной работы по созданию сетки, снижении вычислительных затрат при повторных исследованиях и улучшенной поддержке оптимизации конструкции. Это имеет большое значение, когда командам необходимо сравнить множество вариантов геометрии в короткие сроки.

В автомобильной промышленности эти преимущества наиболее ярко проявляются в оптимизации аэродинамики, охлаждении моторного отсека, тепловых системах электромобилей и исследованиях воздушных потоков в салоне. AICFD позволяет командам проверять больше вариантов конструкции, получать ответы на более ранних этапах и переводить CFD из разряда поздних этапов проверки в разряд более широкого инструмента проектирования. Недавние исследования в области автомобильной инженерии, посвященные сравнительному анализу AI-CFD, были построены вокруг тех же практических целей.

Как искусственный интеллект технически ускоряет моделирование вычислительной гидродинамики?

Искусственный интеллект ускоряет вычислительную гидродинамику тремя основными способами: с помощью нейронных сетей, суррогатных моделей и гибридных решателей. Каждый из них сокращает время на разных этапах рабочего процесса.

В нейронных сетях PINN управляющие уравнения встраиваются в процесс обучения сети, что позволяет уменьшить или обойти необходимость создания сложной сетки в некоторых задачах. Модели-заменители обучаются на основе существующих данных моделирования, а затем очень быстро прогнозируют поля сопротивления, давления или потока. Гибридные методы помогают стандартным решателям, прогнозируя тенденции сходимости, инициализируя поля или сокращая количество необходимых итераций. Эти направления сейчас являются центральными темами в современных исследованиях в области искусственного интеллекта и вычислительной гидродинамики.

Какие существуют проблемы или ограничения, связанные с внедрением AICFD в автомобильные рабочие процессы?

Наиболее серьезные проблемы связаны с качеством данных, обобщаемостью, надежностью модели и интеграцией с программным обеспечением. Модель может хорошо работать на узком тестовом наборе данных, но при этом испытывать трудности при работе с новой геометрией или новыми условиями эксплуатации.

Именно поэтому компаниям по-прежнему необходимы надежные наборы данных, физические ограничения и простой путь интеграции в системы CAD, CAE и HPC. Публичные исследования в области нейронной вычислительной гидродинамики постоянно указывают на масштабируемость, физическую согласованность и надежное промышленное внедрение как на самые сложные проблемы, которые до сих пор остаются нерешенными.

Каковы перспективы применения метода AICFD в автомобильных исследованиях и промышленности?

В этой области наблюдается тенденция к автоматизации циклов проектирования, созданию цифровых двойников в реальном времени и разработке более совершенных платформ моделирования, сочетающих физические принципы и машинное обучение. Это указывает на возможность более быстрого создания формы тела, ускорения тепловых проверок и расширения возможностей сопряженного моделирования в реальных инженерных программах.

Для автомобильных команд это, вероятно, означает генерацию геометрии с помощью ИИ, мониторинг теплового режима в реальном времени, более широкое использование моделей пониженного порядка и более развитые локальные программные экосистемы. Исследования в области замкнутых систем проектирования автомобилей и больших нейронных моделей вычислительной гидродинамики уже движутся в этом направлении.

---

Об авторе

Джонни Лю — генеральный директор компании Dowway Vehicle. Его работа сосредоточена на проектировании автомобилей, стратегии разработки продукции и использовании цифровых инженерных инструментов в автомобильных исследованиях и разработках.

Примечание редактора:
Данная статья основана на полном техническом отчете, предоставленном для этого проекта, с добавлением избранных общедоступных ссылок для поддержки текущего контекста поиска, AI-CFD и набора инструментов. Она написана для инженерного анализа и в качестве справочного материала для отрасли.

---

Ссылки

• Центр поиска Google. Функции ИИ и ваш веб-сайт. Доступно 13 марта 2026 г.
• Центр поиска Google. Создание полезного, надежного и ориентированного на человека контента.. Доступно 13 марта 2026 г.
• Раисси, Пердикарис, Карниадакис, Нейронные сети, основанные на физических принципах. Журнал вычислительной физики.
• Источники эталонных данных для моделирования с помощью ИИ и автомобильной аэродинамики.
• Обсуждение нейронных вычислительных систем и их внедрения в промышленном масштабе.
• Реальные сравнительные испытания аэродинамических характеристик автомобилей.
• Официальные страницы продукции Nanjing Tianfu на AICFD.
• Литература по терморегулированию аккумуляторных батарей электромобилей.
• Исследования циркуляции воздуха в салоне автомобиля и качества воздуха.
• Исследования в области автомобильного дизайна с использованием искусственного интеллекта и замкнутого цикла.

«Кстати, если это вам помогло, я буду рад вашей поддержке».

Оставьте отзыв об этом GPT, чтобы больше создателей контента и профессионалов могли им воспользоваться.
Нужна помощь с контентом, SEO или бизнес-стратегией? Пишите мне в любое время.
Хотите получить передовые руководства по развитию бизнеса, шаблоны и инструменты искусственного интеллекта?

Если вам это помогло, я буду очень признателен за короткий отзыв — это поможет сделать этот инструмент доступным для большего числа авторов.
Нужна помощь в создании высокоэффективного SEO/AEO-контента, разработке маркетинговых систем на основе ИИ или повышении онлайн-видимости?
Не стесняйтесь писать мне сообщения здесь в любое время, или же изучайте дополнительные ресурсы и обновления по адресу [ссылка].

Посетите сайт: KhalidMarjan.com
Следите за моим путешествием и получайте ежедневные полезные советы:

Вы также можете связаться со мной в социальных сетях — я делюсь подробными стратегиями, советами и секретами роста для современных предпринимателей.

LinkedIn: https://www.linkedin.com/in/khalid-marjan-819589126/
? Facebook: https://www.facebook.com/khalidmarjanumar/ – Контент, посвященный цифровому маркетингу, искусственному интеллекту и развитию бизнеса.

Спасибо, что вы здесь — продолжайте строить, продолжайте творить, и давайте расти вместе!

• 题先给一段短回答,再展开
• 保留原报告全部技术细节、案例、数字、趋势,不做删减
• 语言改得更自然,避开你列出的高 AI 痕迹词和套话
• Мета-заголовок: 60 лет.
• Мета-описание 控制在 160 字符内
• URL-адрес 补了 和关键词提取

---

Извлечение ключевых слов

Основное ключевое слово
Использование вычислительной гидродинамики с применением ИИ в автомобильной инженерии

Вторичные ключевые слова / Набор сущностей

• Усовершенствованная с помощью ИИ вычислительная гидродинамика
• AICFD
• автомобильный CFD
• AI CFD автомобильная промышленность
• аэродинамическая оптимизация транспортного средства
• терморегулирование моторного отсека
• Система терморегулирования аккумуляторной батареи электромобиля
• моделирование качества воздуха в салоне
• нейронные сети, основанные на физических принципах
• графовые нейронные сети
• Модель турбулентности ИИ
• цифровой двойник в автомобилестроении
• набор инструментов для моделирования автомобильной отрасли
• Нанкин Тяньфу AICFD

---

Метапак

Мета-заголовок
Усовершенствованные с помощью ИИ вычислительные гидродинамики для автомобильной инженерии
Длина: 42 / 60

Мета-описание
Узнайте, как усовершенствованные с помощью ИИ вычислительные гидродинамические модели помогают автопроизводителям сократить время моделирования, улучшить аэродинамику, управлять тепловым режимом и ускорить разработку электромобилей.
Длина: 127 / 160

Предложенный URL
https://www.yourdomain.com/ai-enhanced-cfd-automotive-engineering

Слизняк
ai-enhanced-cfd-automotive-engineering

---

Использование вычислительной гидродинамики с применением ИИ в автомобильной инженерии

Автор: Джонни Лю, генеральный директор компании Dowway Vehicle
Последнее обновление: 13 марта 2026 г.
Категория: Автомобильная инженерия / CAE / CFD / Искусственный интеллект

Усовершенствованная с помощью ИИ вычислительная гидродинамика (AI-enhanced Computational Fluid Dynamics, AICFD) меняет подход автомобильных команд к моделированию аэродинамики, тепловых процессов и воздушных потоков. Внедряя ИИ в генерацию сетки, ускорение решателей, настройку физических моделей и оптимизацию конструкции, AICFD помогает командам быстрее получать полезные результаты, проводить больше итераций, снижать затраты на моделирование и поддерживать разработку автомобилей за счет более эффективного инженерного цикла.

Вкратце:

• AICFD сочетает методы искусственного интеллекта, такие как глубокое обучение, PINN и GNN, с рабочими процессами вычислительной гидродинамики (CFD).
• Это улучшает генерацию сетки, скорость работы решателя и точность физической модели.
• В автомобильной промышленности это уже полезно для оценки аэродинамики кузова, шума ветра, охлаждения моторного отсека, тепловых систем электромобилей и качества воздуха в салоне.
• Наилучшие результаты достигаются при использовании с традиционными методами вычислительной гидродинамики (CFD), но не в качестве полной замены.
• Основными препятствиями являются данные, объяснимость, кадровый потенциал и интеграция программного обеспечения.

Большинство программ по разработке автомобилей замедляются не из-за того, что у инженеров заканчиваются идеи. Они замедляются потому, что для качественного моделирования по-прежнему требуется слишком много подготовительной работы, слишком много вычислительного времени и слишком много ручной работы, прежде чем можно будет принять первое проектное решение.

Вот тут-то и начинает проявляться важность AICFD.

Это переводит CFD из процесса, в основном основанного на ручном опыте, в процесс, основанный на сочетании данных и физики. Общедоступные рекомендации по обеспечению видимости в поисковой выдаче в эпоху ИИ по-прежнему указывают на те же основные принципы: понятный текст, четкая структура страницы, полезный контент и легкая индексация.

---

Что такое CFD-моделирование с использованием искусственного интеллекта в автомобилестроении?

AICFD — это глубокая интеграция искусственного интеллекта и традиционного вычислительного моделирования. Это не просто инструмент ИИ, работающий вместе с пакетом CFD. Он меняет сам основной рабочий процесс моделирования.

В автомобилестроении вычислительная гидродинамика (CFD) является одним из основных инструментов, используемых для оценки аэродинамических характеристик, проектирования тепловых систем, эффективности силовых агрегатов, анализа шума ветра, охлаждения батарей электромобилей и работы воздушных потоков в салоне. Точность и скорость моделирования могут напрямую влиять на время разработки, стоимость и характеристики продукта.

В многих программах традиционный метод вычислительной гидродинамики (CFD) по-прежнему выполняет основную работу, но он сопряжен с привычными проблемами:

• Создание сетки занимает время.
• Циклы решения задач могут длиться часами или днями.
• Настройка параметров часто зависит от опыта старшего инженера.
• А циклы оптимизации становятся дорогостоящими по мере усложнения геометрии и физики.

Система AICFD создана для решения этих проблем. В исходном отчете она описывается как система, которая сочетает методы искусственного интеллекта, такие как глубокое обучение, нейронные сети, основанные на физических принципах, и графовые нейронные сети, с численным решением задач вычислительной гидродинамики, обработкой сеток и физическим моделированием. Цель проста: Повышенная точность, более быстрая работа и одновременно более низкая стоимость..

Это направление также соответствует текущим исследованиям в области ИИ для вычислительной гидродинамики, где работа сосредоточена на суррогатном моделировании, обучении на основе PINN, интеллектуальных сетках и автомобильных аэродинамических эталонах.

---

Почему AICFD становится ключевой частью инструментария для автомобильной промышленности?

Метод AICFD набирает популярность, поскольку разработка транспортных средств продвигается быстрее, а работа по моделированию становится все сложнее.

Автопроизводителям сегодня необходимо улучшать аэродинамическое сопротивление, охлаждение, уровень шума, запас хода и тепловую безопасность в более короткие сроки разработки. В то же время, законы физики не упрощаются. Современной программе разработки автомобиля может потребоваться решить следующие задачи:

• аэродинамика внешнего корпуса,
• Обтекание днища
• отвод тепла из моторного отсека,
• охлаждение батареи,
• охлаждение двигателя и контроллера,
• вентиляция салона,
• диффузия загрязняющих веществ,
• а иногда и в рамках взаимодействия жидкости, тепла и конструкции.

Это слишком многого требует от рабочего процесса, который по-прежнему в значительной степени опирается на ручное построение сетки и длительное время решения.

В исходном отчете четко указано следующее: вычислительная гидродинамика (CFD) является ключевым инструментом в работе над аэродинамикой автомобилей, тепловым режимом и эффективностью силовых агрегатов, а ее скорость и точность могут определять конкурентоспособность продукции. По мере того, как искусственный интеллект продолжает совершенствовать обработку, решение и оптимизацию сеток, автомобильные команды могут перейти от процесса моделирования, в основном основанного на ручной настройке, к процессу, основанному на физике и данных, полученных в результате обучения.

Именно поэтому AICFD теперь является частью более широкого обсуждения в области автомобильных технологий, а не просто узкоспециализированной темой исследований.

---

Как работает AICFD на техническом уровне?

AICFD построен на основе трех основных технических модулей:

1. интеллектуальное создание и оптимизация сетки.
2. Методы решения задач с использованием искусственного интеллекта,
3. Оптимизация физической модели на основе данных.

Эти три модуля тесно связаны с реальными сценариями применения в автомобильной промышленности и образуют замкнутый технический цикл.

---

Как работает интеллектуальная генерация и оптимизация сетки?

Качество сетки по-прежнему играет ключевую роль в точности CFD-моделирования. Если сетка низкого качества, результатам моделирования трудно доверять.

В традиционном вычислительном моделировании (CFD) генерация сетки для сложной автомобильной геометрии может занимать более 40% от общего времени рабочего процесса. Это легко понять, если взглянуть на тип используемой геометрии:

• кривизна кузова транспортного средства,
• компоновка моторного отсека,
• каналы под днищем,
• зеркальные формы,
• прокладка трубопроводов,
• Отверстия аккумуляторного блока.

Создание сетки вручную в этих областях занимает время и часто зависит от квалификации инженера, который знает, где градиенты потока будут иметь наибольшее значение. Это также может создавать проблемы, такие как искажение сетки и ячейки с отрицательным объемом.

AICFD улучшает эту часть рабочего процесса двумя основными способами.

Интеллектуальное сглаживание сетки на основе GNN

В отчете описывается метод сглаживания сетки на основе GNN, который может автоматически считывать характеристики окрестностей из геометрической модели, не полагаясь на порядок ввода данных в узлы. Это позволяет системе быстро корректировать положения узлов и сглаживать сетку с гораздо меньшим ручным вмешательством.

Практическое преимущество заключается в скорости. Согласно отчету, эффективность сглаживания сетки может повыситься более чем в десять раз, а также помогает избежать проблем с искажением сетки, которые обычно замедляют традиционные рабочие процессы.

Адаптивное уточнение сетки на основе ИИ

В методе AICFD также используется адаптивное уточнение сетки, основанное на анализе поля потока с помощью искусственного интеллекта в реальном времени.

Вместо того чтобы размещать сетку с одинаковой плотностью повсюду, система ищет области с сильными градиентами, а затем уточняет сетку там, где это наиболее важно. В автомобильном моделировании к таким областям относятся:

• пограничные слои поверхности тела,
• вихри внутри моторного отсека,
• зоны турбулентности позади транспортного средства,
• зона лобового удара,
• зеркальная область,
• и зону отрыва задней части вихревого следа.

Более гладкие участки затем можно разбить на более свободные ячейки сетки.

В полномасштабном аэродинамическом моделировании автомобиля это означает плотную сетку вблизи передней наветренной поверхности, вокруг зеркал и внутри заднего следа, в то время как для более плоских участков боковой части кузова можно использовать более разреженную сетку. В отчете говорится, что это может уменьшить общее количество ячеек сетки на от 30% до 50% при сохранении погрешности коэффициента сопротивления в пределах 3%. Этого достаточно для инженерно-конструкторских работ.

Публикуемые работы по созданию сеток с использованием ИИ и сравнительные тесты AI-CFD для автомобильной промышленности указывают в одном направлении: улучшение автоматизации, ускорение настройки и более стабильное промышленное использование.

---

Как методы решения задач с использованием искусственного интеллекта ускоряют вычислительную гидродинамику?

Традиционные решатели CFD основаны на численных методах, таких как метод конечных объемов. Они решают уравнения Навье-Стокса и связанные с ними уравнения переноса путем многократных итераций. Это дает надежные результаты, но вычислительная нагрузка может быть значительной.

Решение сложных тепловых задач в автомобилестроении, таких как охлаждение моторного отсека, может занять часы или даже дни.

В отчете поясняется, что AICFD ускоряет этот процесс двумя основными способами.

Нейронные сети, основанные на физических принципах

В нейронных сетях PINN управляющие уравнения гидродинамики помещаются непосредственно в функцию потерь нейронной сети. Проще говоря, модель обучается таким образом, чтобы соответствовать физическим процессам, а не только данным.

Это создает путь для без сетки или уменьшенная сетка В некоторых задачах это приводит к необходимости дополнительных вычислений. Кроме того, это исключает один из самых трудоемких этапов в стандартном вычислительном моделировании.

В отчете приводится пример из автомобильной отрасли: утечка воздуха через щель в двери. В подобном случае AICFD может повысить скорость вычислений более чем на 500 раз и перевести ответ на второй уровень.

Такой прогресс — это немаловажно. Он меняет подход к использованию моделирования на ранних этапах проектирования и для быстрых проверок.

Гибридное ускорение решателя

Второй вариант — гибридное ускорение, при котором ИИ не заменяет решатель. Он помогает решателю работать с меньшим количеством лишних итераций.

В отчете это описывается как система, в которой ИИ:

• прогнозирует тенденции конвергенции остатков.
• помогает предотвратить избыточные вычисления на ранней стадии.
• и использует нейронные сети на основе графовых нейронных сетей для прогнозирования значений коррекции поля давления и поля скорости.

Это сокращает цикл итераций, сохраняя при этом точность решения близкой к традиционной CFD-моделированию.

В отчете говорится, что при моделировании аэродинамики всего транспортного средства время решения может сократиться с 24 часа к 2–3 часапри этом точность остается на уровне традиционных методов вычислительной гидродинамики.

Такое изменение скорости позволяет команде протестировать гораздо больше вариантов конструкции в рамках одного и того же программного окна.

Открытые исследования в области PINN и нейронной вычислительной гидродинамики также подтверждают, что эти направления являются активными областями развития для моделирования жидкостей.

---

Как оптимизация физической модели на основе данных повышает качество моделирования?

Это одна из наиболее полезных функций AICFD для автомобилестроения.

Традиционные методы вычислительной гидродинамики часто опираются на эмпирические модели турбулентности, такие как:

• k-эпсилон
• к-омега

Эти модели широко используются и по-прежнему ценны, но они не идеальны. В сложных условиях, таких как высокоскоростная турбулентность тела, течение внутри цилиндра, многофазное охлаждение или сопряженный теплообмен, их ограничения становятся более очевидными.

AICFD внедряет подход, основанный на данных.

Вместо того чтобы полагаться исключительно на эмпирические формулы, система изучает поведение потока на основе более качественных источников данных, таких как:

• данные испытаний в аэродинамической трубе,
• Данные прямого численного моделирования.
• и высокоточные наборы данных о потоках.

Это позволяет построить Модель турбулентности ИИ что позволяет более точно фиксировать схемы потоков в сложных условиях.

В отчете также уделяется большое внимание взаимосвязи различных физических процессов, что имеет большое значение в автомобилестроении, поскольку многие реальные случаи не ограничиваются только потоковыми процессами. Они часто включают в себя:

• Передача жидкости и тепла,
• Взаимодействие жидкости и твердого тела.
• Взаимосвязь между потоком охлаждающей жидкости батареи и температурой.
• а в некоторых случаях и поведение, связанное с химическими реакциями.

В таких случаях AICFD может использовать ИИ для замены или упрощения сложных подмоделей, таких как модули химической кинетики, и более непосредственно изучать взаимодействие между потоком и твердыми структурами.

Яркий пример из отчета — система терморегулирования аккумуляторных батарей электромобилей. В этом случае модель, использующая искусственный интеллект, может прогнозировать распределение охлаждающей жидкости и изменения температурного поля батареи с контролируемой погрешностью. 2%, что вполне достаточно для поддержки оптимизации конструкции.

---

Где сегодня применяется метод AICFD в автомобилестроении?

В отчете выделены четыре основные области применения:

1. Оптимизация аэродинамики транспортного средства,
2. терморегулирование моторного отсека,
3. Система терморегулирования электромобиля.
4. Качество воздуха в салоне и комфорт.

Это не второстепенные случаи. Это одни из самых дорогостоящих, требующих оперативного решения и тесно связанных с производительностью аспектов работы по моделированию транспортных средств.

---

Каким образом метод AICFD улучшает аэродинамическую оптимизацию транспортных средств?

Это наиболее известный и развитый пример применения в автомобильной промышленности.

Аэродинамические характеристики влияют на:

• экономия топлива,
• Запас хода электромобиля,
• высокоскоростная устойчивость,
• а также шумо- и виброизоляцию, особенно шум ветра.

Традиционные методы аэродинамической разработки обычно основаны на серии испытаний в аэродинамической трубе в сочетании со стандартными методами вычислительной гидродинамики (CFD). Этот метод работает уже много лет, но он дорогостоящий, медленный и сложный в масштабировании, когда необходимо проверить множество вариантов кузова.

AICFD меняет это за счет интегрированного цикла, построенного на основе:

Параметризация геометрии > Прогнозирование с помощью ИИ > Интеллектуальный поиск оптимального варианта конструкции

В отчете представлен четкий алгоритм работы инженера.

Инженеры начинают с FFD, или деформация свободной формыдля параметризации формы тела. Они могут контролировать и изменять:

• контур передней части,
• арка крыши,
• форма задней части,
• форма бокового зеркала.

Это приводит к появлению большого набора геометрических вариантов.

Затем AICFD использует исторические данные моделирования для обучения Модель пониженного порядка ИИ Это позволяет прогнозировать трехмерные поля потока со скоростью порядка секунды. Благодаря этому инженеры могут оценивать ключевые аэродинамические показатели, такие как:

• кадмий (коэффициент сопротивления),
• Кл (коэффициент подъемной силы).

После этого алгоритм оптимизации на основе искусственного интеллекта ищет наилучшую схему кузова, учитывая при этом реальные ограничения дизайна, такие как требования к стилю и занимаемое пространство.

В отчете представлен конкретный пример из программы разработки отечественных автомобилей. После использования этого набора инструментов AICFD команда завершила работу в 15 дней который взял 3 месяца Ранее коэффициент аэродинамического сопротивления кузова снизился с… 0,32 к 0,26, расход топлива улучшился благодаря 0,8 л/100 кмКроме того, улучшилась и устойчивость автомобиля на высоких скоростях.

Это наглядный пример того, почему AICFD имеет значение. Он превращает аэродинамику из узкого места в более быстрый цикл проектирования.

А как насчет аэродинамического шума и шума ветра?

В докладе рассматриваются не только вопросы драгирования.

Оно также охватывает моделирование аэродинамического шумаЭто становится все более важным в электромобилях, поскольку снижается уровень шума от силового агрегата, а шум ветра становится легче слышать пассажирам.

В отчете говорится, что после оптимизации численного формата AICFD может поддерживать моделирование шума ветра для всего транспортного средства на сетках, окружающих 40 миллионов клеток Уровень сигнала сопоставим с показателями зарубежного коммерческого программного обеспечения. Также отмечается, что результаты измерения звукового давления в полном диапазоне близки к измеренным значениям и соответствуют стандартам автомобильной промышленности.

Это важно, потому что аэроакустические расчеты зачастую сложнее ускорить, чем простое прогнозирование сопротивления воздуха.

Рисунок 1. Применение AICFD в оптимизации автомобильной аэродинамики.
Слева: моделирование поля потока в кузове автомобиля с помощью ИИ; справа: кривая оптимизации коэффициента аэродинамического сопротивления.

Недавние исследования в области автомобильной аэродинамики также показывают, что модели искусственного интеллекта теперь тестируются на реалистичных формах транспортных средств, а не только на игрушечных моделях.

---

Как метод AICFD улучшает управление тепловым режимом в моторном отсеке?

Моделирование потоков воздуха в моторном отсеке — одна из самых сложных задач внутри автомобиля.

Это включает в себя:

• двигатель,
• радиатор,
• конденсатор,
• вентилятор,
• трубопроводы,
• зоны рециркуляции,
• сильный сопряженный теплообмен.

Традиционные методы вычислительной гидродинамики (CFD) позволяют моделировать все это, но они требуют больших временных и вычислительных затрат. Кроме того, для их настройки и качественной интерпретации требуются определенные навыки.

В отчете поясняется, что AICFD улучшает ситуацию в этой области, объединяя следующие ресурсы:

• оптимизированная обработка многофазных потоков,
• улучшенная обработка сопряженным теплопереносом,
• Адаптивное построение сетей на основе ИИ,
• и динамическую поддержку граничных условий.

Это позволяет командам моделировать потоки воздуха и теплопередачу в моторном отсеке при различных условиях эксплуатации, таких как:

• праздный,
• низкая скорость,
• высокоскоростной.

Затем они могут вынести решение:

• отвод тепла радиатором
• выступление болельщиков,
• и имеет ли смысл прокладка трубопроводов.

В отчете представлен пример из программы развития бренда в рамках совместного предприятия. Путем оптимизации:

• скорость вентилятора,
• угол наклона радиатора,
• прокладка трубопроводов,

Команда снизила максимальную температуру в моторном отсеке на 12°Cповысил эффективность радиатора за счет 15%это позволило снизить энергопотребление вентилятора и решить проблему с предупреждением о перегреве, которая стала настоящей инженерной проблемой.

В отчете также содержится важная практическая деталь, которую легко упустить из виду, но которая имеет значение для внедрения: модуль AICFD «фронтальной обработки» с интерактивными вопросами и ответами может помочь инженерам быстрее определять физические сценарии и граничные условия. Это снижает порог вхождения, поэтому даже менее опытные пользователи могут быстрее начать работу.

На общедоступных страницах продуктов Tianfu описываются аналогичные функции, такие как автоматическое построение сетки, пошаговая настройка, быстрое решение и постобработка в автомобильной отрасли.

---

Каким образом AICFD поддерживает управление тепловым режимом аккумуляторов, двигателей и контроллеров электромобилей?

Это одна из наиболее перспективных областей применения AICFD в современной автомобильной промышленности.

В транспортных средствах на новых источниках энергии терморегулирование напрямую влияет на:

• безопасность батарей,
• время работы батареи,
• диапазон,
• эффективность двигателя,
• надежность контроллера.

Физика здесь сложная, потому что система часто включает в себя:

• циркуляция охлаждающей жидкости,
• расход воздуха,
• Передача тепла через фазовый переход,
• температурные градиенты в компактных пространствах.

В отчете говорится, что в системах терморегулирования батарей AICFD может моделировать распределение охлаждающей жидкости между модулями батарей, прогнозировать разницу температур между ячейками и оптимизировать компоновку трубопроводов охлаждающей жидкости и распределение потоков таким образом, чтобы разброс температур батарейного блока оставался в пределах допустимых значений. 3°C.

Эта деталь важна, потому что одной лишь средней температуры упаковки недостаточно. Равномерность распределения температуры имеет значение как для безопасности, так и для жизни.

В отчете также говорится, что метод AICFD позволяет моделировать потоки воздуха и теплопередачу внутри двигателей и электронных блоков управления, а затем улучшать системы охлаждения для снижения рабочей температуры, повышения эффективности и увеличения срока службы.

Также приведён пример реального проекта. Компания, занимающаяся разработкой электромобилей, использовала метод AICFD для оптимизации системы терморегулирования своей батареи и получила следующие результаты:

• 20% более высокая эффективность рассеивания тепла,
• 10% более высокий диапазон,
• а также снижение себестоимости производства тепловых систем.

Далее в отчете делается еще один шаг вперед, и говорится, что модели пониженного порядка на основе ИИ, обученные на исторических данных моделирования, могут поддерживать моделирование тепловых процессов в реальном временичто делает их полезными для систем цифровых двойников и динамического мониторинга температуры батарей.

Исследования в области управления тепловым режимом аккумуляторных батарей также продолжают развиваться в направлении создания более быстрых прогнозных моделей и отслеживания состояния системы в режиме реального времени.

Рисунок 2. Моделирование системы терморегулирования батареи электромобиля с помощью AICFD.
Слева: поле потока охлаждающей жидкости в аккумуляторном блоке; справа: прогнозируемое распределение температуры батареи.

---

Каким образом технология AICFD улучшает качество воздуха в салоне и комфорт пассажиров?

Воздух в салоне — это одновременно проблема текучести, проблема теплообмена и проблема комфорта.

В отчете перечислены основные показатели качества воздуха в салоне:

• распределение скорости воздушного потока,
• распределение температуры,
• Распространение загрязняющих веществ, включая формальдегид и PM2.5.

Традиционный метод вычислительной гидродинамики (CFD) позволяет моделировать воздушные потоки в салоне, но он становится медленным, когда инженерам необходимо протестировать множество реальных сценариев эксплуатации, таких как:

• Система отопления, вентиляции и кондиционирования включена.
• окна открыты,
• разная скорость движения.

В этом случае AICFD помогает ускорить моделирование и упростить повторные проверки.

Согласно отчету, он может моделировать:

• Распределение потока на выходе из системы отопления, вентиляции и кондиционирования воздуха,
• равномерность теплообмена в салоне.
• Пути распространения загрязняющих веществ,
• Производительность системы вентиляции.

Затем это можно использовать для улучшения компоновки вентиляционных отверстий, распределения воздушного потока и проектирования системы вентиляции.

В отчете приведен один пример из эксплуатации автомобиля премиум-класса. После корректировки расположения вентиляционных отверстий и настроек вентиляции с помощью AICFD, команда сократила время регулировки температуры в салоне на 30% и повысили эффективность удаления загрязняющих веществ за счет 40%.

Это реально влияет на комфорт, ощущения от системы климат-контроля и качество микроклимата в салоне.

Опубликованные работы по изучению циркуляции воздуха в салоне автомобиля и качества воздуха также показывают, как выбор методов вентиляции может изменять поведение частиц и CO2 внутри салона.

---

Чем AICFD отличается от традиционного CFD?

Метод AICFD быстрее и проще в масштабировании для начальных этапов проектирования. Традиционный метод CFD по-прежнему важен для окончательной высокоточной проверки.

В этом и заключается главное отличие.

В отчете проводится следующее сравнение:

Размер сравнения	Традиционная вычислительная гидродинамика	AICFD
Основная парадигма	Численная итерация на основе сетки, использующая физические формулы.	Интеграция, основанная на данных и учитывающая физические ограничения.
Скорость вычислений	Медленно; сложные случаи занимают от нескольких часов до нескольких дней.	Очень быстро; обычно от секунд до минут или нескольких часов. 50x–500x Быстрее
Зависимость от сетки	Высокий уровень сложности; требует высокого качества сетки и ручной работы.	Ниже; возможны адаптивное построение сетки и бессеточные маршруты.
Точность моделирования	Зависит от эмпирических моделей; сложные сцены могут показать 5%–10% ошибка	Основано на данных с учетом физических ограничений; ошибки в сложных сценах могут оставаться в пределах допустимых значений. 5%
инженерная совместимость	Сложная операция, высокие затраты на обучение, плохая пригодность для быстрой итерации.	Более интеллектуальный, более простой в использовании, поддерживает пакетное моделирование и автоматический поиск лучших вариантов проектирования.
контроль затрат	Высокая вычислительная стоимость, большая зависимость от аэродинамической трубы.	Снижение вычислительной нагрузки, меньшее количество циклов испытаний в аэродинамической трубе. 30%–50% снижение затрат на НИОКР в целевых рабочих процессах

В отчете тщательно проработан один момент, который по сути должен оставаться неизменным:

AICFD не полностью заменяет традиционный CFD.

Наилучшим вариантом является комбинированный рабочий процесс:

• использовать AICFD для быстрого прогнозирования, исследования обширного пространства проектных решений и интеллектуальной оптимизации,
• использовать традиционный CFD для высокоточной проверки.

Такое сочетание обеспечивает наилучший баланс скорости, точности и надежности, присущей инженерным решениям.

Рисунок 3. Сравнение традиционного CFD и AICFD в автомобильном инструментарии.
Сравнение основных показателей производительности.

---

Что замедляет внедрение AICFD, и как компании могут на это отреагировать?

AICFD — многообещающая технология, но в отчете говорится, что ее широкомасштабное внедрение по-прежнему сталкивается с четырьмя основными препятствиями:

1. недостаток высококачественных данных,
2. слабая объяснимость,
3. нехватка междисциплинарных специалистов,
4. незрелая программная экосистема.

Каждый из них настоящий.

Получить высококачественные данные по-прежнему сложно.

Для работы моделей искусственного интеллекта требуется большое количество высококачественных размеченных данных, в том числе:

• данные аэродинамической трубы,
• Данные DNS,
• высокоточные данные CFD,
• и в идеале — данные испытаний транспортного средства.

Получение таких данных обходится дорого, их сложно очистить, и зачастую они разбросаны по разным командам.

Рекомендуемый ответ

В отчете предлагается создать базу данных для моделирования работы автомобильных жидкостей, которая объединяет в себе следующие элементы:

• данные аэродинамической трубы,
• традиционные данные CFD,
• Данные испытаний на реальных автомобилях.

Также рекомендуется очищать и маркировать данные и, по возможности, использовать отраслевой обмен данными через альянсы для снижения затрат на сбор данных.

Инженерам по-прежнему необходимо доверять модели.

Проблема «черного ящика» действительно существует.

В случаях, связанных с безопасностью, таких как управление температурным режимом батареи и охлаждение двигателя, инженерам необходимо понимать, почему модель предсказывает именно то, что она предсказывает. Результату без четкой физической логики трудно доверять.

Рекомендуемый ответ

В отчете предлагается использовать Физические ограничения на основе PINN Таким образом, модель вынуждена следовать управляющим уравнениям. Также рекомендуется использовать более совершенные инструменты визуализации результатов, чтобы инженеры могли напрямую изучать поля потока, температурные поля и физические закономерности.

Это разумный подход, поскольку он повышает доверие к модели, не снижая при этом скорость.

Дефицит квалифицированных кадров по-прежнему велик.

AICFD призывает людей, которые понимают:

• механика жидкости,
• Алгоритмы искусственного интеллекта,
• автомобильная инженерия.

Такое сочетание по-прежнему встречается редко.

Рекомендуемый ответ

В отчете предлагается следующее:

• внутреннее перекрестное обучение в области потоковой обработки данных, искусственного интеллекта и инженерного программирования.
• а также более тесное сотрудничество с университетами для создания более эффективного кадрового резерва.

В описании целевого инженера указано, что он обладает комбинированными навыками. поток + алгоритм + кодирование набор навыков.

Программная экосистема все еще находится в стадии развития.

AICFD также должен интегрироваться в реальные промышленные инструментальные комплексы. Это означает, что CAD, CAE, очистка модели, решение задач, оптимизация, постобработка и анализ проекта должны быть хорошо взаимосвязаны.

В отчете говорится, что отечественное программное обеспечение AICFD продолжает развиваться в таких областях, как:

• крупномасштабная многофизическая стабильность,
• моделирование с очень большой сеткой,
• а также совместимость рабочих процессов с существующими инженерными системами.

Рекомендуемый ответ

В отчете предлагается более тесное сотрудничество между поставщиками программного обеспечения и научно-исследовательскими группами автомобильной промышленности, а также улучшенная интеграция с инструментами CAD/CAE, такими как:

• CATIA
• ANSYS

Цель состоит в создании единого инженерного пути, начиная с:

геометрическое моделирование > имитационный анализ > оптимизационное проектирование

Именно такая интеграция рабочих процессов определит, станет ли AICFD стандартным инженерным инструментом или останется ограниченным лишь отдельными проектами.

В открытых работах по вычислительной гидродинамике на основе нейронных сетей также постоянно подчеркивается важность масштаба, физической согласованности и интеграции как основных нерешенных вопросов.

---

Каковы будущие тенденции применения AICFD в автомобилестроении?

В докладе обозначены четыре направления дальнейшего развития:

1. генеративный ИИ для проектирования аэродинамической формы.
2. AICFD плюс цифровые двойники,
3. более эффективное моделирование в разных масштабах и с учетом множества физических процессов.
4. рост отечественного программного обеспечения AICFD.

Эти четыре тенденции хорошо сочетаются друг с другом.

Генеративный искусственный интеллект начнет формировать аэродинамический дизайн транспортных средств.

В отчете описывается будущий рабочий процесс, в котором инженеры вводят аэродинамические параметры и ограничения формы кузова, а генеративная модель автоматически создает варианты форм.

Пример нагляден:

• цель: Cd ≤ 0,25
• Ограничения: длина, ширина, высота и стилистические особенности транспортного средства.
• Результат: формы тела, сгенерированные ИИ, а затем проверенные с помощью прогнозирования второго уровня AICFD.

В отчете конкретно указано следующее: GAN-ы и диффузионные модели в качестве вероятных инструментов в этом процессе.

Это создало бы замкнутый цикл проектирование > моделирование > оптимизация с гораздо меньшим количеством ручных итераций и большей вероятностью обнаружения форм, которые команды людей могли бы не придумать в первую очередь.

В настоящее время в сфере государственных исследований наблюдается тенденция к созданию замкнутых систем искусственного интеллекта для проектирования кузовов автомобилей и прогнозирования аэродинамики.

AICFD и цифровые двойники будут работать вместе.

Эта тенденция имеет огромное значение для электромобилей и автомобилей с возможностью подключения к сети.

В отчете описываются цифровые двойники для гидравлических систем транспортных средств, которые получают данные с датчиков в режиме реального времени, такие как:

• температура двигателя,
• температура батареи,
• Данные о качестве воздуха в салоне.

Затем AICFD выполняет быстрое моделирование на основе этих данных в реальном времени, прогнозирует состояние системы, предупреждает о неисправностях, таких как перегрев или тепловой разгон, и помогает корректировать параметры отопления или вентиляции в режиме реального времени.

Это выводит AICFD за рамки автономного проектирования и обеспечивает поддержку эксплуатации транспортных средств в реальных условиях.

Межмасштабное и многофизическое моделирование станет более эффективным.

В отчете предполагается, что будущие системы AICFD смогут обрабатывать моделирование в различных масштабах, от микроскопического поведения жидкости до полей потока, охватывающих весь транспортный объект, и в рамках нескольких физических явлений:

• жидкость,
• теплопередача,
• структура,
• Электромагнетизм.

В статье также приводятся два примера, которые следует оставить, поскольку они наглядно показывают, к чему всё идёт:

• моделирование работы двигателя в цилиндрегде совместно решаются задачи, связанные с потоком воздуха, впрыском топлива, реакцией горения и теплопередачей.
• моделирование аккумуляторной батареигде поток жидкости, температура и электрохимическая реакция решаются в единой взаимосвязанной среде.

Именно в таких случаях старые рабочие процессы часто становятся слишком медленными для поиска оптимального варианта в широком пространстве параметров проектирования.

Отечественное программное обеспечение AICFD будет продолжать развиваться.

В отчете четко обозначен этот момент. Значительная часть рынка вычислительной гидродинамики в автомобильной промышленности по-прежнему зависит от зарубежного коммерческого программного обеспечения, что создает давление в отношении стоимости, лицензирования и технической зависимости.

Это указывает на отечественное программное обеспечение, такое как Нанкин Тяньфу AICFD и утверждает, что локально разработанные инструменты улучшаются в следующих областях:

• независимость решателя,
• подходит для применения в автомобильной промышленности.
• скорость,
• точность.

В некоторых целевых рабочих процессах, как говорится в отчете, их производительность уже близка к показателям зарубежных коммерческих инструментов или даже превосходит их.

В общедоступных материалах компании Tianfu также позиционируется AICFD как независимо разработанная платформа вычислительной гидродинамики для моделирования потоков, теплопередачи, многофазных потоков, шума и горения, с непосредственным охватом таких параметров, как сопротивление, шум ветра, система терморегулирования всего транспортного средства, а также анализ батарей, двигателей и контроллеров.

В отчете высказывается мнение, что это важно не только с точки зрения стоимости, но и для создания более самоуправляемой цепочки разработки автомобильного программного обеспечения.

---

Что это значит для научно-исследовательских и опытно-конструкторских групп в автомобильной отрасли?

AICFD — это не просто более быстрый переход на CFD-моделирование.

Это меняет подход к работе инженерных команд.

С помощью AICFD команды могут:

• протестируйте больше вариантов дизайна.
• сузить круг лучших вариантов на раннем этапе.
• сократить количество повторных работ в аэродинамической трубе,
• сократить цикл моделирования,
• а традиционные методы вычислительной гидродинамики (CFD) оставить для самых сложных задач верификации.

В этом и заключается практическая ценность.

В заключении отчета делается вывод: AICFD уже стала важной частью разработки автомобильной аэродинамики, управления тепловым режимом двигателей, тепловых систем электромобилей и обеспечения качества воздуха в салоне. Хотя данные, доверие, кадры и интеграция все еще нуждаются в доработке, направление ясно. По мере совершенствования генеративного ИИ, цифровых двойников и сопряженного моделирования, AICFD будет продвигать автомобильную разработку к более интеллектуальному, точному и быстрому в использовании процессу.

Для автомобильных инженеров и продуктовых команд изучение принципов работы AICFD (вычислительной гидродинамики на основе искусственного интеллекта) стало неотъемлемой частью сохранения конкурентоспособности.

---

Часто задаваемые вопросы

Что такое CFD-моделирование с использованием искусственного интеллекта и чем оно отличается от традиционного CFD-моделирования?

Усовершенствованный с помощью ИИ CFD-моделирование добавляет машинное обучение в рабочий процесс, позволяя командам быстрее прогнозировать поведение потока и сокращать объем ручной настройки. Традиционный CFD-моделирование в основном основано на численном решении на основе сетки, в то время как AICFD добавляет модели, основанные на машинном обучении, которые могут помочь с построением сетки, скоростью работы решателя и прогнозированием потока.

На практике AICFD сочетает такие методы, как PINN, GNN и основанные на данных аппроксимирующие модели, со стандартными рабочими процессами CFD. Это позволяет командам быстрее проводить предварительные проверки и оптимизацию проекта, в то время как традиционная CFD по-прежнему играет важную роль в окончательной проверке. Публичные исследования в области нейронной CFD и автомобильной аэродинамики отражают такое же разделение между быстрым прогнозированием и высокоточной проверкой.

Каковы основные преимущества использования ИИ в вычислительной гидродинамике для автомобильного проектирования?

Основные преимущества заключаются в более быстрой симуляции, меньшем объеме ручной работы по созданию сетки, снижении вычислительных затрат при повторных исследованиях и улучшенной поддержке оптимизации конструкции. Это имеет большое значение, когда командам необходимо сравнить множество вариантов геометрии в короткие сроки.

В автомобильной промышленности эти преимущества наиболее ярко проявляются в оптимизации аэродинамики, охлаждении моторного отсека, тепловых системах электромобилей и исследованиях воздушных потоков в салоне. AICFD позволяет командам проверять больше вариантов конструкции, получать ответы на более ранних этапах и переводить CFD из разряда поздних этапов проверки в разряд более широкого инструмента проектирования. Недавние исследования в области автомобильной инженерии, посвященные сравнительному анализу AI-CFD, были построены вокруг тех же практических целей.

Как искусственный интеллект технически ускоряет моделирование вычислительной гидродинамики?

Искусственный интеллект ускоряет вычислительную гидродинамику тремя основными способами: с помощью нейронных сетей, суррогатных моделей и гибридных решателей. Каждый из них сокращает время на разных этапах рабочего процесса.

В нейронных сетях PINN управляющие уравнения встраиваются в процесс обучения сети, что позволяет уменьшить или обойти необходимость создания сложной сетки в некоторых задачах. Модели-заменители обучаются на основе существующих данных моделирования, а затем очень быстро прогнозируют поля сопротивления, давления или потока. Гибридные методы помогают стандартным решателям, прогнозируя тенденции сходимости, инициализируя поля или сокращая количество необходимых итераций. Эти направления сейчас являются центральными темами в современных исследованиях в области искусственного интеллекта и вычислительной гидродинамики.

Какие существуют проблемы или ограничения, связанные с внедрением AICFD в автомобильные рабочие процессы?

Наиболее серьезные проблемы связаны с качеством данных, обобщаемостью, надежностью модели и интеграцией с программным обеспечением. Модель может хорошо работать на узком тестовом наборе данных, но при этом испытывать трудности при работе с новой геометрией или новыми условиями эксплуатации.

Именно поэтому компаниям по-прежнему необходимы надежные наборы данных, физические ограничения и простой путь интеграции в системы CAD, CAE и HPC. Публичные исследования в области нейронной вычислительной гидродинамики постоянно указывают на масштабируемость, физическую согласованность и надежное промышленное внедрение как на самые сложные проблемы, которые до сих пор остаются нерешенными.

Каковы перспективы применения метода AICFD в автомобильных исследованиях и промышленности?

В этой области наблюдается тенденция к автоматизации циклов проектирования, созданию цифровых двойников в реальном времени и разработке более совершенных платформ моделирования, сочетающих физические принципы и машинное обучение. Это указывает на возможность более быстрого создания формы тела, ускорения тепловых проверок и расширения возможностей сопряженного моделирования в реальных инженерных программах.

Для автомобильных команд это, вероятно, означает генерацию геометрии с помощью ИИ, мониторинг теплового режима в реальном времени, более широкое использование моделей пониженного порядка и более развитые локальные программные экосистемы. Исследования в области замкнутых систем проектирования автомобилей и больших нейронных моделей вычислительной гидродинамики уже движутся в этом направлении.

---

Об авторе

Джонни Лю является ли Генеральный директор компании Dowway Vehicle. В своей работе он специализируется на проектировании транспортных средств, стратегии разработки продукции и использовании цифровых инженерных инструментов в автомобильных исследованиях и разработках.

Примечание редактора:
Данная статья основана на полном техническом отчете, предоставленном для этого проекта, с добавлением избранных общедоступных ссылок для поддержки текущего контекста поиска, AI-CFD и набора инструментов. Она написана для инженерного анализа и в качестве справочного материала для отрасли.

---

Ссылки

• Центр поиска Google. Функции ИИ и ваш веб-сайт. Доступно 13 марта 2026 г.
• Центр поиска Google. Создание полезного, надежного и ориентированного на человека контента.. Доступно 13 марта 2026 г.
• Раисси, Пердикарис, Карниадакис, Нейронные сети, основанные на физических принципах. Журнал вычислительной физики.
• Источники эталонных данных для моделирования с помощью ИИ и автомобильной аэродинамики.
• Обсуждение нейронных вычислительных систем и их внедрения в промышленном масштабе.
• Реальные сравнительные испытания аэродинамических характеристик автомобилей.
• Официальные страницы продукции Nanjing Tianfu на AICFD.
• Литература по терморегулированию аккумуляторных батарей электромобилей.
• Исследования циркуляции воздуха в салоне автомобиля и качества воздуха.
• Исследования в области автомобильного дизайна с использованием искусственного интеллекта и замкнутого цикла.

---