物理数据驱动的高置信度数值风洞 + AI 初筛 + 轻量化科普内核
以风洞实测数据为“真值”,自动反演 LES / RANS 关键参数,在工程可承受算力下实现高置信度的桥梁气动数值风洞。
基于 3D 残差 U-Net 的端到端流场预测模型,用普通工作站即可完成秒级初筛,快速锁定优选方案。
Jacobi 迭代 + LBM + WebGL/WebAssembly 等轻量算法,在浏览器内 60 FPS 实时可视化伯努利原理、卡门涡街等经典实验。
黄茅海等工程项目 + 多所高校课堂的联合验证
黄茅海大桥气动选型评估周期
评估周期缩短 93%+
相比固定参数的精度提升
平均误差≤4.8%,气动力系数吻合度提升至约92%
参数寻优效率提升
AI 代理模型毫秒级预测,将参数寻优效率提升超万倍
AI 端到端仿真时间缩短
仿真时间缩短至原来的 1/24,误差约 10⁻⁴ 量级
WebGL / WASM 实时仿真帧率
浏览器内 60 FPS 的实时仿真与交互体验
教学 & 科普累计服务人次
学生满意度 95%,课堂效率提升约 30%
面向工程设计院、高校与科普基地的典型使用场景
服务大跨桥梁与风洞实验室,提供高置信度的桥梁气动初筛与参数标定。
在有限算力和预算下,用端到端 AI 快速完成多方案初筛,缩短迭代周期。
看不见的风,在这里变得触手可及,用可操作数值风洞讲清抽象流体现象。
硬核科技,支撑每一次精准计算
基于 ResUnet3D 思路的 3D 残差 U-Net,在规则 3D 网格上直接预测未来时间步的三方向速度与压力场,结合多级小波损失与物理约束,实现物理 + 数据双驱动的高效 surrogate。
融合高斯过程(GP)与遗传算法(GA),在风洞/CFD 对比数据约束下自动反演 LES 模式下的 Cs、RANS 模式下的 Vancat 系数等关键湍流模型参数,为工程级仿真提供高置信度标定。
面向教学科普场景,采用投影法 CFD(Jacobi 迭代)+ WebGL GPU 加速 + WebAssembly + 格子玻尔兹曼法(LBM)等轻量化数值风洞技术,在浏览器中实时模拟与可视化伯努利原理、卡门涡街等经典流体现象。