Từ CFD đến AI-Driven Simulation: Tương Lai của Kỹ Thuật Số

Trong nhiều năm qua, mô phỏng động lực học chất lưu (CFD – Computational Fluid Dynamics) đã trở thành công cụ quan trọng trong kỹ thuật hiện đại. Từ hàng không, ô tô, dầu khí cho đến điện tử và UAV, CFD giúp kỹ sư dự đoán ứng xử dòng chảy, truyền nhiệt và tối ưu thiết kế trước khi chế tạo thực tế.

Tuy nhiên, CFD truyền thống luôn đi kèm với một thách thức lớn: độ chính xác cao đồng nghĩa với thời gian tính toán dài và yêu cầu phần cứng mạnh.

Trong bối cảnh chu kỳ thiết kế ngày càng rút ngắn và chi phí tính toán trên HPC ngày càng cao, việc kết hợp AI (Machine Learning/Deep Learning) vào mô phỏng CFD đang nổi lên như một hướng đi khả thi để nâng cao hiệu suất mô phỏng. Thay vì chỉ dựa hoàn toàn vào việc giải trực tiếp nghiệm số học của phương trình Navier–Stokes, các mô hình AI có thể học từ dữ liệu mô phỏng CFD trước đó để dự đoán nhanh các đặc tính dòng chảy, nhiệt độ hoặc áp suất. Điều này mở ra khái niệm AI-Driven Simulation — mô phỏng được tăng tốc và hỗ trợ bởi trí tuệ nhân tạo.

Section 01CFD và AI: Từ Mô Phỏng Truyền Thống đến AI-Driven Simulation

CFD (Computational Fluid Dynamics) là kỹ thuật sử dụng các phương pháp số để giải các phương trình Navier–Stokes mô tả sự chuyển động của dòng chất lưu. CFD cho phép tái hiện và dự đoán các hiện tượng động học phức tạp của chất lưu, giúp tối ưu hoá thiết kế sản phẩm hoặc cải tiến quy trình công nghiệp. Với lưới đủ mịn và mô hình vật lý phù hợp, CFD truyền thống có thể đạt độ chính xác rất cao. Tuy nhiên, các bài toán lớn thường yêu cầu thời gian tính toán kéo dài từ hàng giờ đến hàng ngày.

Trong khi đó, AI, ML, DL (Trí tuệ nhân tạo, Học máy, Học sâu) là các công nghệ cho phép mô hình học từ dữ liệu. Machine Learning bao gồm các thuật toán như hồi quy, cây quyết định hay mạng nơ-ron nhân tạo, còn Deep Learning sử dụng các mạng nơ-ron nhiều lớp để xử lý dữ liệu phức tạp hơn. Trong lĩnh vực CFD, các mô hình AI thường được huấn luyện từ dữ liệu CFD độ chính xác cao hoặc dữ liệu thực nghiệm để xây dựng các surrogate model có khả năng dự đoán nhanh kết quả mô phỏng.

Trong những năm gần đây, nhu cầu mô phỏng tốc độ cao ngày càng tăng trong các bài toán tối ưu hóa thiết kế, digital twin hay thiết kế theo thời gian thực. Nhiều nghiên cứu chỉ ra rằng AI có thể là phương pháp bổ trợ để tăng tốc mô phỏng, khám phá và xử lý các hiện tượng đa vật lý nhanh hơn mà CFD truyền thống gặp khó khăn. Ví dụ, các cấu hình phức tạp hoặc biến đổi tham số thường yêu cầu chạy hàng trăm mô phỏng CFD mới để khảo sát và quyết định thiết kế tối ưu, nhưng AI cho phép tận dụng dữ liệu sẵn có để dự báo nhanh thông số dòng chảy (như hệ số lực cản, trường vận tốc, áp suất) trong vài giây thay vì hàng giờ ở giai đoạn inference.

Trong hệ sinh thái của Ansys, hai công cụ tiêu biểu cho hai hướng tiếp cận này là Ansys Fluent và Ansys SimAI. Nếu Ansys Fluent đại diện cho phương pháp CFD truyền thống với độ chính xác cao, thì Ansys SimAI là nền tảng AI-Driven Simulation thế hệ mới dựa trên trí tuệ nhân tạo, cho phép dự đoán nhanh kết quả từ dữ liệu mô phỏng đã được huấn luyện trước đó.

Section 02Ansys SimAI — Hướng Tiếp Cận Mới cho Mô Phỏng CFD

Ansys SimAI là nền tảng trí tuệ nhân tạo thế hệ mới của Ansys mang đến một hướng tiếp cận hoàn toàn khác. Ansys SimAI không trực tiếp giải các phương trình CFD cho từng trường hợp riêng lẻ mà sử dụng mô hình AI được huấn luyện từ dữ liệu CFD trước đó. Sau khi được huấn luyện, hệ thống có thể dự đoán nhanh phân bố nhiệt độ, áp suất hoặc trường dòng chảy chỉ trong vài giây. Điều này giúp giảm đáng kể thời gian tính toán và hỗ trợ quá trình thiết kế nhanh hơn rất nhiều.

Điểm mạnh lớn nhất của Ansys SimAI là khả năng tăng tốc giai đoạn thiết kế sơ bộ và tối ưu hóa. Ví dụ, khi thiết kế heatsink cho chip điện tử, AI có thể nhanh chóng đánh giá cấu trúc cánh tản nhiệt nào mang lại hiệu quả cao trước khi kỹ sư thực hiện mô phỏng CFD chi tiết bằng Fluent. Trong thiết kế bơm ly tâm, AI có thể hỗ trợ tối ưu hình dạng cánh bơm để cải thiện lưu lượng và giảm tổn thất áp suất. Trong ngành ô tô điện, CFD AI-Driven Simulation được ứng dụng để tối ưu lực cản khí động học và quản lý nhiệt cho pin.

Tuy nhiên, AI hiện nay vẫn chưa thể thay thế hoàn toàn CFD truyền thống. Độ chính xác của mô hình AI phụ thuộc mạnh vào dữ liệu huấn luyện và phạm vi dữ liệu mà mô hình đã học. Khi xuất hiện hình học mới hoặc điều kiện vận hành nằm ngoài miền dữ liệu huấn luyện, độ tin cậy của mô hình có thể suy giảm đáng kể. Ngoài ra, nhiều mô hình AI hiện nay vẫn mang tính “black box”, khó giải thích bản chất vật lý bên trong so với CFD truyền thống.

Do đó, Ansys Fluent và Ansys SimAI không phải là hai công cụ cạnh tranh trực tiếp mà đang bổ trợ cho nhau trong một workflow mô phỏng hiện đại: CFD truyền thống tạo dữ liệu chất lượng cao, còn AI giúp tăng tốc khảo sát thiết kế và tối ưu hóa.

Section 03Case Study — Ví Dụ Thực Tế

1. Phân tích khí động học SUV bằng Ansys SimAI

Trong hội thảo SimAI (2022), Ansys cho biết mô hình AI được huấn luyện từ dữ liệu CFD có thể dự đoán nhanh hiệu suất khí động học của xe SUV chỉ trong chưa đến một phút thay vì mất nhiều giờ như CFD truyền thống. Các thay đổi về gương hậu, cánh gió hoặc giá để đồ trên nóc xe được đánh giá gần như theo thời gian thực với độ chính xác cao.

2. Dự đoán đặc tính khí động học máy bay

Trong thiết kế sơ bộ máy bay cho chế độ bay siêu âm và cận siêu âm, các mô hình AI trên SimAI được huấn luyện từ dữ liệu CFD độ chính xác cao của Ansys Fluent trên hình học NATO AGARD-B. Hệ thống có thể dự đoán trường dòng chảy 3D nhanh hơn CFD khoảng 480 lần, với sai số nhỏ hơn 2% cho lực cản và khoảng 3–5% cho lực nâng và mô-men khí động.

3. Nghiên cứu tản nhiệt thiết bị điện tử

Mật độ công suất cao khiến các phương pháp làm mát truyền thống không còn hiệu quả, nên các hệ thống làm mát tiên tiến với cold plate và thiết kế pin/fin phi truyền thống được phát triển để tăng khả năng tản nhiệt. Khoảng 30 mô phỏng CFD bằng Ansys Fluent được dùng để huấn luyện AI trên Ansys SimAI, cho phép dự đoán nhiệt độ, dòng chảy và tổn thất áp suất chỉ trong 30 giây với sai số dưới 2% so với CFD truyền thống. Nhờ đó, thời gian phát triển hệ thống làm mát giảm từ 2 tháng xuống còn chưa tới 1 tuần, đồng thời tăng độ tin cậy và khả năng tối ưu thiết kế.

4. Khám phá thiết kế bơm ly tâm

Quá trình thiết kế bơm ly tâm có nhiều thông số phức tạp như số cánh bơm, góc mép vào và mép ra tại hub và shroud, với các mục tiêu tối ưu như cột áp, mô-men xoắn và hiệu suất. Khoảng 113 mô phỏng CFD bằng Ansys Fluent được dùng để huấn luyện AI trên Ansys SimAI, cho phép dự đoán nhanh trường áp suất, vận tốc và mô-men xoắn chỉ trong 30 giây với sai số khoảng 0.5% so với CFD. Nhờ đó, việc khảo sát không gian thiết kế và tối ưu hóa được thực hiện nhanh hơn đáng kể, giúp rút ngắn chu kỳ phát triển sản phẩm.

Section 04So Sánh CFD Truyền Thống vs CFD AI-Driven Simulation

Mô phỏng CFD truyền thống có độ chính xác rất cao vì dựa trực tiếp trên việc giải các phương trình vật lý nổi tiếng như Navier–Stokes. Kết quả mô phỏng phụ thuộc vào chất lượng lưới, các mô hình vật lý được thiết lập và khả năng hội tụ của bộ giải. Trong khi đó, CFD AI-Driven Simulation sử dụng các mô hình machine learning/deep learning nên độ chính xác phụ thuộc mạnh vào chất lượng dữ liệu huấn luyện và kiến trúc mạng được thiết kế. Các mô hình AI có thể đạt độ chính xác gần tương đương CFD trong phạm vi dữ liệu đã học, nhưng dễ giảm độ tin cậy khi áp dụng cho điều kiện mới ngoài dữ liệu huấn luyện.

Về tốc độ tính toán, CFD truyền thống thường rất chậm do phải giải các phương trình đạo hàm riêng phi tuyến trên lưới lớn, thời gian tính có thể kéo dài từ hàng giờ đến hàng ngày đối với các bài toán phức tạp. Ngược lại, CFD AI-Driven Simulation có tốc độ suy luận rất nhanh sau khi được huấn luyện, chỉ mất vài giây hoặc vài phút để dự đoán kết quả, nhanh hơn hàng trăm đến hàng nghìn lần so với CFD gốc. Tuy nhiên, quá trình huấn luyện ban đầu vẫn yêu cầu thời gian dài và tài nguyên GPU lớn.

Về dữ liệu, CFD truyền thống không cần dữ liệu huấn luyện mà chỉ cần điều kiện biên và các thông số vật liệu để mô phỏng dựa trên quy luật vật lý. Trong khi đó, CFD AI-Driven Simulation cần lượng lớn dữ liệu chất lượng cao, thường lấy từ mô phỏng CFD hoặc thực nghiệm, để học được mối quan hệ giữa đầu vào và đầu ra. Nếu dữ liệu không đủ đa dạng, khả năng tổng quát hóa của mô hình sẽ bị hạn chế.

Về tính tổng quát và khả năng giải thích, CFD truyền thống có ưu thế hơn vì kết quả mang ý nghĩa vật lý rõ ràng như phân bố áp suất, vận tốc hay lực tác dụng. CFD cũng có thể áp dụng cho nhiều điều kiện mới trong cùng cấu hình bài toán. Ngược lại, mô hình AI thường mang tính “black box”, khó giải thích bản chất vật lý bên trong dù các phương pháp physics-informed có thể cải thiện phần nào. Ngoài ra, mô hình AI thường chỉ hoạt động tốt trong phạm vi điều kiện đã được huấn luyện và có thể cần tái huấn luyện khi thay đổi hình học hoặc điều kiện dòng chảy.

Về chi phí tính toán, CFD truyền thống yêu cầu hệ thống HPC mạnh để xử lý các bài toán lớn, dẫn đến chi phí cao. CFD AI-Driven Simulation có chi phí huấn luyện ban đầu lớn, nhưng sau khi đào tạo xong thì quá trình suy luận rất nhẹ và có thể chạy trên máy tính cá nhân hoặc GPU thông thường. Vì vậy, CFD AI-Driven Simulation đặc biệt hiệu quả khi cần đánh giá nhanh nhiều phương án thiết kế hoặc tối ưu hóa lặp lại.

Kết Luận

CFD đang bước vào một giai đoạn chuyển đổi lớn với sự xuất hiện của AI-Driven Simulation. Ansys Fluent vẫn là công cụ nền tảng cho các bài toán mô phỏng có độ chính xác cao và nghiên cứu chuyên sâu. Trong khi đó, Ansys SimAI mở ra hướng tiếp cận mới với tốc độ xử lý nhanh và khả năng tối ưu hóa mạnh mẽ.

Trong tương lai, quy trình mô phỏng kỹ thuật có thể sẽ là sự kết hợp giữa CFD truyền thống và AI. CFD sẽ tiếp tục đóng vai trò tạo dữ liệu vật lý độ chính xác cao, còn AI sẽ giúp tăng tốc thiết kế, giảm số vòng lặp mô phỏng và hỗ trợ ra quyết định nhanh hơn. Điều này cũng đồng nghĩa rằng kỹ sư mô phỏng trong tương lai không chỉ cần hiểu vật lý dòng chảy mà còn cần kiến thức về dữ liệu và trí tuệ nhân tạo để khai thác hiệu quả các công cụ AI-Driven Simulation.