CFD 仿真质量 AI 校验系统架构方案

副标题：一次度量，多处消费（Measure Once, Consume Many） 定位：在仿真结果收敛的前提下，自动判断计算正确性的基础设施规划 版本：v0.1（草案）

1. 背景与问题定义

1.1 核心痛点

CFD 仿真中，“收敛"只是正确性的必要条件，而非充分条件。求解器残差达标后，结果仍可能因以下原因失真：

1.2 核心命题

CFD 的各种智能化应用，差异不在数据管道，而在"对同一份度量结果问的问题不同"。

无论做失真判定、密度场预测还是发散预警，需要的基础操作高度一致——把一个仿真算例变成一组结构化的空间分布和时间序列。差异只出现在最后一公里：打什么标签、训什么目标、回答什么问题。

2. 总体架构：三段式结构

┌─────────────────────────────────────────────────────┐
│  第一段：度量层（MEASURE）—— 领域知识的沉淀地          │
│  统一读取结果/网格/日志 → 计算物理量算子                │
│  守恒通量 | 有界性 | 散度场 | 梯度场 | 误差指示子 | y+  │
│  残差历史 | 网格质量 | 积分量（阻力/总压损失/流量）      │
├─────────────────────────────────────────────────────┤
│  第二段：表征层（REPRESENT）—— 标准化的中间接口         │
│  算例指纹 = 特征向量 + 场分布 + 时序曲线                │
│  （按算例类型分类归档，形成"算例画像库"）               │
├─────────────────────────────────────────────────────┤
│  第三段：消费层（CONSUME）—— 每个应用只是不同的问法     │
│  失真判定 | 密度场预测 | 发散预警 | （可继续扩展）       │
└─────────────────────────────────────────────────────┘

2.1 度量层（MEASURE）

职责：统一读取各类求解器的结果文件、网格文件、求解日志，计算标准化的物理量算子。

算子清单（首批）：

• 守恒审计：进出口质量/能量净不平衡（阈值 < 1%）
• 有界性：温度/组分/湍流量是否出现负值或超物理值域
• 连续性：全场 ∇·v 是否在容差内
• 壁面 y+：是否落在所用湍流模型要求的区间
• 双重收敛判定：残差 + 监控量平台期（波动 < ±0.5%）
• 网格质量报告：skewness、非正交度、负体积
• 残差历史时序、积分量（阻力系数、总压损失、流量）的时空统计

技术要点：

• 需先解决结果文件统一读取层（OpenFOAM / Fluent / 自研格式），这是全系统第一个技术风险点
• 实现以 Python + PyVista 为主，脚本由 AI 辅助生成，领域规则由仿真经验定义
• 输出统一格式的结构化"体检报告"（每项检查：通过/警告/失败 + 数值 + 定位）

2.2 表征层（REPRESENT）

职责：把度量层输出固化为标准化的"算例指纹"，按算例类型（外流/内流/传热/多相等）分类归档，形成画像库。

指纹结构：

• 特征向量：积分量、场分布统计量（分位数、梯度分布、极值位置）
• 场分布：关键物理量的空间分布切片
• 时序曲线：残差历史、监控量历史

设计原则：表征入库是强制副产品——即使暂时没有应用消费它，也要存。标签的半衰期很长，是后续所有智能化的数据地基。

2.3 消费层（CONSUME）

三个首批应用，覆盖仿真全生命周期的质量管控点：

三个应用的技术分层（以失真判定为例）：

• L0 确定性物理审计：规则引擎，价值的 70%，最先实现，拦截大部分"收敛但错误"
• L1 统计异常检测：按算例类型建"正常行为画像"，Isolation Forest / One-Class SVM 打分
• L2 基准对比：标准算例库自动比对（确证性证据，如圆柱绕流 St 数）、自动网格无关性（三级网格 + Richardson 外推）
• LLM 综合判读：输入体检报告 + 异常分数 + 对比结果 + 云图，输出"可信度评级 + 疑点定位 + 建议动作"的人话版报告；判断规则由领域经验写入 prompt，人工抽检验收

3. 关键设计特性

3.1 不变性

度量层和表征层对所有应用共享，是一次性投入；消费层的每个应用都是轻量追加。底座贵，消费便宜——这是该架构在经济上成立的根本原因。

3.2 自洽闭环

密度场预测的标签本身就是度量层的输出：对历史算例做"粗细两遍求解"，用度量算子算出误差空间分布，直接作为密度场训练标签（MeshingNet 方法）。底座不仅为应用提供推理时的输入，还为应用提供训练时的标签，无需额外数据来源。

3.3 渐进式智能化

同一"算例指纹"接口依次承载：

1. 规则阶段：指纹直接过 if-else 审计（零训练数据）
2. 统计阶段：指纹进异常检测模型（只需正常样本，约 50+ 算例）
3. 监督阶段：指纹带标签进回归/分类（需标注数据）

接口不变，智能化程度递增——底座投入从第一天起不会作废。

3.4 全生命周期覆盖

事前（网格密度预测，防欠解析）→ 事中（发散预警，防白烧算力）→ 事后（失真判定，防错误结论出门）。三者合起来构成完整的仿真质量闭环，公共底座即"仿真质量数据中心"。

4. 数据飞轮

跑算例 → 度量层自动分析 → 结构化表征入库（副产品：标签自动沉淀）
   ↑                                          ↓
   └──── 优化建议回流（加密位置/参数调整）← 应用模型迭代

• 每个新算例经底座分析后，表征自动入库
• 人工只在判读环节做少量标注（LLM 辅助判读降低标注成本）
• 数据积累反哺三个应用模型；应用模型反向产出优化建议，影响下一个算例
• 底座是飞轮的轴，应用是飞轮的叶片——轴必须先立起来

5. 实施路线图

6. 风险与边界

1. 数据格式是第一个坑：不同求解器输出格式不统一，读取层需最先攻坚
2. 不追求"全自动判对错"：系统正确形态是"可信度分数 + 疑点清单"，最终判断留给人——同时提高组织接受度
3. 标签体系反向成为测试标准：缺陷分类学 + 重现条件 + 影响面标注，与测试资产化目标互相成就
4. 密度场预测的适用边界：稳态、特征可预判的问题效果好；瞬态强非线性问题（涡脱落、转捩、燃烧）仍需在线自适应兜底，前置预测用于压缩在线加密面积，而非完全替代

7. 一句话总结

把"分析仿真结果"从每次应用时的临时动作，升级为一次性的基础设施投资——度量即资产，表征即接口，应用即消费。