FluidFlow: Generatives Modell für CFD‑Surrogates auf unstrukturierten Netzen

In der Welt der Computational Fluid Dynamics (CFD) sind hochpräzise Simulationen zwar unverzichtbar, aber oft zu rechenintensiv für Anwendungen, die viele Szenarien erfordern. Mit dem neuen Modell FluidFlow wird ein innovativer Ansatz vorgestellt, der die Grenzen herkömmlicher Methoden sprengt und gleichzeitig die Genauigkeit beibehält.

FluidFlow nutzt die Technik des conditional flow‑matching, eine moderne Alternative zu Diffusionsmodellen, die deterministische Transportkarten zwischen Rausch- und Datenverteilungen lernt. Im Gegensatz zu vielen bestehenden Verfahren arbeitet FluidFlow direkt mit CFD‑Daten, die auf strukturierten oder unstrukturierten Netzen vorliegen, ohne dass vorherige Interpolationsschritte nötig sind. Dadurch bleibt die geometrische Integrität erhalten und die Verarbeitung wird deutlich beschleunigt.

Zur Umsetzung wurden zwei leistungsfähige neuronale Architekturen eingesetzt: ein U‑Net und ein Diffusion Transformer (DiT). Beide Modelle werden mit physikalisch relevanten Parametern konditioniert, sodass sie die komplexen Zusammenhänge in der Strömungsphysik optimal erfassen können. Die Leistungsfähigkeit von FluidFlow wurde an zwei anspruchsvollen Testaufgaben überprüft: erstens der Vorhersage von Druckkoeffizienten entlang einer Flügeloberfläche unter variierenden Betriebsbedingungen, und zweitens der Berechnung von Druck- und Reibungskoeffizienten für ein vollständiges, dreidimensionales Flugzeugmodell, das auf einem großen unstrukturierten Netz discretisiert ist.

Die Ergebnisse sind beeindruckend: FluidFlow übertrifft robuste Multilayer‑Perzeptron‑Baselines deutlich, erzielt niedrigere Fehlermaße und zeigt eine verbesserte Generalisierung über unterschiedliche Betriebsbedingungen hinweg. Besonders hervorzuheben ist die Fähigkeit, komplexe Geometrien ohne zusätzliche Vorverarbeitung akkurat zu modellieren.

Mit FluidFlow eröffnet sich ein neuer Ansatz für skalierbare, datengetriebene CFD‑Surrogates, der sowohl die Rechenzeit reduziert als auch die Genauigkeit steigert. Diese Entwicklung dürfte insbesondere in Bereichen wie der Luftfahrt, dem Automobilbau und der Energieerzeugung von großem Interesse sein, wo schnelle und zuverlässige Strömungsvorhersagen entscheidend sind.