A Status Quo Investigation of Large Language Models towards Cost-Effective CFD Automation with OpenFOAMGPT: ChatGPT vs. Qwen vs. Deepseek

📄 arXiv: 2504.02888v1 📥 PDF

作者: Wenkang Wang, Ran Xu, Jingsen Feng, Qingfu Zhang, Xu Chu

分类: cs.CL

发布日期: 2025-04-02

DOI: 10.1016/j.taml.2025.100623

💡 一句话要点

OpenFOAMGPT结合大语言模型，探索低成本CFD自动化方案

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 计算流体动力学 大型语言模型 自动化 OpenFOAM CFD模拟

📋 核心要点

  1. 现有CFD自动化方法成本高昂，缺乏灵活性，难以适应复杂场景。
  2. 利用OpenFOAMGPT框架，结合不同的大语言模型，探索低成本、高效的CFD自动化方案。
  3. 实验评估了不同LLM在CFD任务中的性能，揭示了其优势与局限，为未来发展方向提供指导。

📝 摘要（中文）

本文评估了OpenFOAMGPT结合多种大型语言模型（LLM）的性能。结果表明，一些模型能够有效地管理不同的CFD任务，例如调整边界条件、湍流模型和求解器配置，但它们的token成本和稳定性各不相同。本地部署的小型模型（如QwQ-32B）在为复杂过程生成有效的求解器文件时表现不佳。即使对于大型模型，零样本提示通常在具有复杂设置的模拟中也会失败。边界条件和求解器关键字方面的挑战强调了专家监督的必要性，表明需要进一步开发才能完全自动化专业的CFD模拟。

🔬 方法详解

问题定义：论文旨在解决计算流体动力学（CFD）模拟自动化程度不足的问题。现有方法依赖于人工干预，成本高昂且效率低下，尤其是在处理复杂边界条件和求解器配置时。现有方法难以充分利用大型语言模型（LLM）的能力，实现低成本、高效率的CFD自动化。

核心思路：论文的核心思路是利用OpenFOAMGPT框架，结合不同的大型语言模型（如ChatGPT、Qwen、Deepseek），将CFD任务转化为自然语言处理问题，从而实现CFD流程的自动化。通过评估不同LLM在不同CFD任务中的表现，找到成本效益最高的解决方案。

技术框架：OpenFOAMGPT框架作为桥梁，连接了CFD软件OpenFOAM和大型语言模型。用户通过自然语言描述CFD任务，LLM生成相应的OpenFOAM配置文件，然后OpenFOAM执行模拟。该框架主要包含以下模块：自然语言输入模块、LLM推理模块、OpenFOAM配置文件生成模块和模拟执行模块。

关键创新：论文的关键创新在于系统性地评估了不同LLM在CFD自动化中的性能，并分析了它们的优势和局限性。通过对比不同模型的token成本、稳定性和生成配置文件的准确性，为选择合适的LLM提供了依据。此外，论文还指出了零样本提示在复杂CFD模拟中的不足，强调了专家监督的重要性。

关键设计：论文的关键设计包括：1) 针对不同CFD任务设计了特定的提示语，以引导LLM生成正确的配置文件；2) 评估了不同LLM的token成本，以选择成本效益最高的模型；3) 分析了LLM生成配置文件的错误类型，为改进LLM的CFD自动化能力提供了方向。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，一些大型语言模型（如ChatGPT）能够有效地管理不同的CFD任务，例如调整边界条件、湍流模型和求解器配置。然而，本地部署的小型模型（如QwQ-32B）在为复杂过程生成有效的求解器文件时表现不佳。零样本提示在复杂模拟中表现欠佳，强调了专家监督的必要性。不同模型的token成本和稳定性差异显著。

🎯 应用场景

该研究成果可应用于航空航天、汽车工程、能源等领域，加速产品设计和优化过程。通过降低CFD模拟的成本和门槛，可以使更多工程师和研究人员能够利用CFD技术解决实际问题。未来，结合领域知识和持续优化的大语言模型有望实现完全自动化的CFD模拟。

📄 摘要（原文）

We evaluated the performance of OpenFOAMGPT incorporating multiple large-language models. Some of the present models efficiently manage different CFD tasks such as adjusting boundary conditions, turbulence models, and solver configurations, although their token cost and stability vary. Locally deployed smaller models like QwQ-32B struggled with generating valid solver files for complex processes. Zero-shot prompting commonly failed in simulations with intricate settings, even for large models. Challenges with boundary conditions and solver keywords stress the requirement for expert supervision, indicating that further development is needed to fully automate specialized CFD simulations.