AI-CFD：人工智能与流体力学

一句话结论：AI 加速 CFD 的正确姿势不是"用神经网络替换求解器"，而是把物理方程作为先验写进模型，让 AI 处理传统方法最贵的部分——高维湍流、参数扫描和超分辨率。PINNs 适合小规模强约束问题，神经算子适合数据充分的大规模代理，两者都绕不开"物理一致性验证"这道关。

1. 传统 CFD 的痛点

CFD 的核心成本结构决定了 AI 的机会：

• 网格：复杂几何需要数百万到数亿网格单元，网格生成占工程周期的大头；
• 求解器迭代：隐式时间推进每步都要解大型稀疏线性系统，一例仿真从小时到天；
• 参数扫描：设计优化要跑成千上万例（翼型、燃烧室、散热器），单例成本直接乘上扫描规模。

AI 真正能撬动的不是"单例精度"（传统求解器已经很准），而是多例场景下的边际成本——代理模型把单例成本从小时级降到毫秒级。

2. 物理信息神经网络（PINNs）

PINNs 的思路：把 PDE 直接写进损失函数。

• 网络输出流场 u(x,t)，损失 = 数据项 + 方程残差项 + 边界/初始条件项；
• 以 Navier-Stokes 为例，方程残差就是把预测代入 NS 方程后的不平衡量，用自动微分算偏导；
• 好处：不需要大量标注数据（方程本身就是监督信号）；坏处：训练收敛困难，高频/湍流特征学不动。

工程上 PINNs 的适用边界要诚实：

场景	PINNs 表现
低雷诺数、简单几何、强边界约束	可用，且数据需求极小
高雷诺数湍流	难收敛，特征频率学不动
复杂几何	需要坐标变换或分区，工程量大
超参数敏感度	高——激活函数、权重、损失配比都要调

3. 神经算子：从"逐点预测"到"算子学习"

PINNs 是"一个输入输出对"的学习；神经算子学的是"函数到函数"的映射（如：从边界条件到整个流场）。

• FNO（Fourier Neural Operator）：在谱空间做卷积，天然捕捉多尺度特征，对网格分辨率不敏感——在一个网格上训练，可以在更细网格上直接推理（超分辨率）；
• DeepONet：branch 网络编码输入函数，trunk 网络编码查询坐标，两者点积输出预测——结构简单、理论完备，适合"输入是曲线/场"的问题；
• 共同点：数据需求大（几千到几十万样本），训练后推理毫秒级。

4. 混合架构：AI 代理 + 传统求解器

工程上最稳妥的形态不是"替代"，而是分级代理：

传统求解器（高保真，离线） ──生成标签──▶ AI 代理模型（在线毫秒级）
        ▲                                    │
        └────── 采样校验 / 边界工况回算 ◀──────┘

• 离线训练：用传统 CFD 批量生成流场样本（RANS/LES 混合标注），训练 FNO/DeepONet；
• 在线推理：设计优化、实时监控、交互式探索跑代理模型；
• 闭环校验：代理模型预测的极端工况回算传统求解器，持续收集偏差样本补训。

这套架构的验收标准是代理模型与高保真结果的偏差分布（不只是平均误差）——尾部大偏差的工况必须能被采样策略发现，否则优化会把设计推向"代理自信但实际糟糕"的区域。

5. 工程落地清单

• 数据管线：CFD 样本生成是算力大头，先做采样策略（拉丁超立方、自适应加点），避免均匀撒点浪费算力；
• 输入编码：几何用 SDF（符号距离场）或点云编码，比原始坐标更利于泛化；
• 超分辨率收益：FNO 在粗网格训练、细网格推理，是"数据成本换精度"性价比最高的杠杆；
• 损失与验证：除了损失函数，必须单独维护一套物理校验集（守恒量、壁面剪应力等），防止网络"数值正确、物理荒谬"；
• 算力画像：训练阶段吃 GPU（数百卡时量级），推理阶段吃吞吐（毫秒级单例），两段资源形态完全不同。

判断标准：物理可证伪。AI-CFD 模型的每个预测都要能在物理校验集上给出偏差带，偏差带外的工作必须回算传统求解器——不能验证的加速，只是把风险推迟到了设计定型之后。