هل يمكن للنماذج اللغوية الكبيرة أن ثورت محاكاة الموائع في الهندسة؟

تعد محاكاة تدفق الموائع تحديًا رئيسيًا في قطاعات مثل الطيران والكيمياء والبيئة. على الرغم من فعالية الطرق التقليدية، إلا أنها تواجه حدودًا أمام التعقيد المتزايد للمشاكل الصناعية. غالبًا ما تتطلب حسابات معقدة وخبرات متخصصة وتواجه صعوبة في نمذجة ظواهر مثل الاضطرابات أو التفاعلات بين عدة أطوار. يفتح الذكاء الاصطناعي، وخاصة النماذج اللغوية الكبيرة، آفاقًا جديدة اليوم لت-automatiser وتحسين هذه المحاكاة.

هذه النماذج قادرة على تحليل بيانات معقدة وتوليد تنبؤات في الوقت الفعلي. على سبيل المثال، يمكنها التنبؤ بسلوك سائل في أنبوب أو تحسين دقة نماذج الاضطراب اعتمادًا على بيانات مستمدة من محاكاة مفصلة. تكمن قوتها في قدرتها على معالجة معلومات متنوعة، مثل التعليمات باللغة الطبيعية أو سجلات التصميم، مما يسمح بنهج أكثر بداهة وسهولة في الوصول.

في مجال التحسين، تسهل النماذج اللغوية الكبيرة ضبط معلمات المحاكاة، وتصميم أشكال هندسية مثلى، وضبط الظروف التشغيلية. وبالتالي، فإنها تخفض التكاليف وتسرع العمليات، حيث كانت الطرق الكلاسيكية، مثل الخوارزميات الجينية، تتطلب الكثير من الوقت والخبرة. من خلال دمج هذه النماذج مع تقنيات التعلم الآلي، يصبح من الممكن تحسين المعدات مثل أجنحة الطائرات أو المفاعلات الكيميائية، من خلال إيجاد تسويات بين عدة أهداف متضاربة.

التشغيل الآلي للمحاكاة هو ميزة رئيسية أخرى. بفضل واجهات اللغة الطبيعية، تساعد هذه النماذج في ضبط المعلمات الأولية تلقائيًا، وتوليد الشبكات، واختيار المحللات المناسبة. توضح إطارات عمل مثل OpenFOAMGPT أو MetaOpenFOAM هذا التقدم من خلال السماح بتنفيذ المحاكاة بالكامل مع تدخل بشري أقل. ومع ذلك، فإن تبنيها يثير تحديات، خاصة فيما يتعلق بالموثوقية الفيزيائية والتكيف مع القيود الحقيقية للمهندسين.

لتجاوز هذه العقبات، يستكشف الباحثون مسارات مثل دمج المعرفة الفيزيائية في النماذج أو تطوير قواعد بيانات متخصصة. الهدف هو جعل هذه الأدوات أكثر قوة وشفافية، حتى تتمكن من فرض نفسها كمعايير في الصناعة. على المدى الطويل، يمكن لهذا النهج أن يدعم الوصول إلى محاكاة موائع عالية الأداء، مع تحفيز الابتكار في المجالات الصارمة.

Ressources et références

Référence officielle

DOI : https://doi.org/10.53941/sce.2026.100003

Titre : Large Language Models for Automating Computational Fluid Dynamics (CFD): From Predictive Modeling and Optimization to Execution Scheduling

Revue : Smart Chemical Engineering

Éditeur : Scilight Press Pty Ltd

Auteurs : Guodong Gai; Pei-Zhong Ma; Jiankun Li; Zheng-Hong Luo; Li-Tao Zhu