基于大语言模型的端到端计算流体力学自动化系统ChatCFD：结构化知识与推理驱动的新范式

时间：2026年1月21日

来源：Advanced Intelligent Discovery

编辑推荐：

本文介绍了一种革命性的大语言模型驱动代理系统ChatCFD，该系统通过结构化知识库、多智能体架构和迭代反思机制，实现了计算流体力学（CFD）仿真的端到端自动化。在315个基准案例测试中，ChatCFD取得了82.1%的执行成功率，显著优于现有系统（MetaOpenFOAM 6.2%，Foam-Agent 42.3%），并首次提出了物理保真度（68.12%）这一严格指标。该系统支持复杂物理模型和外部网格处理，在NACA0012翼型和超音速喷管等复杂案例中展现出60%-80%的成功率，为AI驱动的CFD创新建立了新基准。

引言背景

计算流体力学（CFD）作为航空航天、能源系统、城市环境、燃烧、天体物理和生物医学等领域的核心技术，在科学发现和工程设计中发挥着不可替代的作用。然而，传统的CFD实施面临着操作复杂、专业要求高、软件昂贵等挑战，即使专家也需要投入大量时间进行求解器选择、模型设置、网格生成等繁琐工作，这严重限制了CFD在更广泛领域的应用和创新。

ChatCFD管道设计

ChatCFD采用四阶段工作流程，构建了一个完整的CFD自动化解决方案。系统首先建立预处理知识库，包括文件依赖与结构数据库、边界条件数据库、参数维度数据库和求解器模板数据库，为后续的案例生成提供结构化支持。

在用户输入处理阶段，ChatCFD通过交互式多模态界面接收自然语言描述或文档上传，利用DeepSeek-R1和DeepSeek-V3模型进行案例提取和选择，支持Fluent格式的网格文件上传，为下游处理准备必要的组件。

案例文件生成阶段采用三阶段流程：文件配置合成基于求解器和模型匹配生成文件列表；案例设置提取通过分层检索获取边界条件和物理场配置；配置验证与 refinement 确保参数的完整性和一致性。该系统特别注重物理场维度校准，避免因可压缩/不可压缩流混淆导致的维度错误。

误差校正与反思机制

ChatCFD的误差处理采用模块化架构，包含ReferenceRetriever、ContextRetriever、误差定位器和校正模块。针对一般性错误（占运行时错误70%以上），系统通过可疑文件检测、错误确认、参考文件检索等步骤进行流线型校正；对于持续性错误，则结合短期记忆（最近错误信息）和长期记忆（反思历史）进行迭代优化。

物理保真度评估显示，ChatCFD在可运行案例中的物理正确率达到68.12%，其中边界条件和初始场设置错误占60%。物理解释器实现了97.4%的摘要保真度，凸显了大语言模型在流畅叙述与强制执行物理约束之间的显著差距。

系统性能验证

在315个基准测试案例（包括205个基准教程案例和110个扰动变体案例）中，ChatCFD展现出卓越的性能。消融研究表明，求解器模板数据库是最关键组件，其移除会导致准确率降至48%。系统在湍流模型切换方面达到100%成功率，在求解器自主选择方面达到95.23%成功率。

资源效率分析显示，ChatCFD平均每个案例消耗192.1k令牌，成本0.208美元，比Foam-Agent减少一半令牌消耗，比MetaOpenFOAM便宜1.5倍。这种效率优势源于策略性模型路由（DeepSeek-V3用于生成，DeepSeek-R1用于推理）和反思记忆机制。

文献案例复现能力

ChatCFD在复杂文献案例复现中表现出色。NACA0012翼型案例（不可压缩流，使用simpleFoam求解器和Spalart-Allmaras湍流模型）和喷管案例（可压缩流，使用rhoCentralFoam求解器）分别达到60%-80%的端到端成功率，而基线方法完全失败。这些案例的成功复现证明了系统在处理真实世界复杂场景方面的能力。