ChatCFD: An LLM-Driven Agent for End-to-End CFD Automation with Domain-Specific Structured Reasoning

📄 arXiv: 2506.02019v2 📥 PDF

作者: E Fan, Kang Hu, Zhuowen Wu, Jiangyang Ge, Jiawei Miao, Yuzhi Zhang, He Sun, Weizong Wang, Tianhan Zhang

分类: cs.CL

发布日期: 2025-05-28 (更新: 2025-09-08)

备注: 19 pages, 8 figures

🔗 代码/项目: GITHUB

💡 一句话要点

ChatCFD：一个基于LLM的端到端CFD自动化Agent，具备领域特定结构化推理能力

🎯 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 自动化仿真 多Agent系统 OpenFOAM 领域知识 结构化推理

📋 核心要点

  1. CFD操作复杂、专业性要求高且不易访问，阻碍了其在科学和工程领域的应用。
  2. ChatCFD利用LLM、多Agent架构和OpenFOAM知识，通过四阶段流程实现CFD仿真的自动化。
  3. 实验表明，ChatCFD在多种案例中均优于现有方法，但在复杂物理耦合和LLM偏差方面仍存在挑战。

📝 摘要（中文）

计算流体动力学（CFD）对于推动科学和工程领域至关重要，但其操作复杂性、高专业知识要求和有限的可访问性阻碍了发展。本文介绍了一种用于OpenFOAM仿真的自动化Agent系统ChatCFD，它通过交互式界面处理多模态输入（例如，研究论文、网格），利用DeepSeek-R1和DeepSeek-V3大型语言模型、多Agent架构和OpenFOAM知识。其四阶段流程（知识库构建、用户输入处理、案例文件生成以及执行和错误反馈）实现了复杂设置的迭代试验-反思-改进，支持多样化的物理模型和外部网格。在205个基准教程案例、110个扰动变体和2个文献案例上的验证表明，ChatCFD在基本案例上的操作成功率为82.1%，优于MetaOpenFOAM（6.2%）和Foam-Agent（42.3%），在文献案例上的成功率为60-80%。湍流模型研究表明，常见模型的成功率为40%，而稀有模型（如RNG k-epsilon）的成功率为10%。物理耦合分析表明，多物理耦合案例需要更高的资源，而LLM对简单设置的偏见导致了持续的错误，例如维度不一致。消融研究突出了基于RAG的模块和反思机制的有效性。通过自动化假设检验和参数探索，ChatCFD加速了流体力学和工程领域的科学发现，并通过结构化设计解决了LLM的局限性，并显示出作为基于MCP的Agent网络中用于协作多Agent系统的模块化组件的强大潜力，为可扩展的AI驱动的CFD创新铺平了道路。

🔬 方法详解

问题定义：论文旨在解决计算流体动力学（CFD）应用中存在的操作复杂、专业知识要求高以及可访问性有限的问题。现有方法，如MetaOpenFOAM和Foam-Agent，在自动化程度和成功率方面存在不足，难以处理复杂场景和多物理场耦合问题。

核心思路：论文的核心思路是构建一个基于大型语言模型（LLM）的智能Agent，该Agent能够理解多模态输入（例如，文本、网格），利用领域知识进行推理，并自动生成、执行和优化CFD仿真流程。通过迭代试验-反思-改进的机制，Agent能够逐步逼近最优解，并处理复杂问题。

技术框架：ChatCFD包含四个主要阶段：1) 知识库构建：构建包含OpenFOAM知识的知识库，为LLM提供领域知识；2) 用户输入处理：利用LLM理解用户输入，提取关键信息；3) 案例文件生成：基于用户输入和知识库，自动生成OpenFOAM案例文件；4) 执行和错误反思：执行仿真，并利用LLM分析结果，反思错误，并进行迭代优化。

关键创新：ChatCFD的关键创新在于其端到端的自动化流程和领域特定的结构化推理能力。它将LLM与CFD领域知识相结合，实现了从用户输入到仿真结果的自动化，并能够通过反思机制不断改进。此外，多Agent架构的设计也提高了系统的灵活性和可扩展性。

关键设计：ChatCFD使用了DeepSeek-R1和DeepSeek-V3大型语言模型作为核心推理引擎。知识库构建采用了RAG（Retrieval-Augmented Generation）方法，以提高知识检索的准确性和效率。错误反思机制通过LLM分析仿真结果和日志，识别错误类型，并提出修改建议。具体参数设置和损失函数等技术细节在论文中未详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ChatCFD在基本案例上的操作成功率为82.1%，显著优于MetaOpenFOAM（6.2%）和Foam-Agent（42.3%）。在文献案例上的成功率为60-80%。湍流模型研究表明，常见模型的成功率为40%，而稀有模型（如RNG k-epsilon）的成功率为10%。

🎯 应用场景

ChatCFD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。它降低了CFD仿真的门槛，使非专业人士也能进行流体动力学分析。未来，ChatCFD有望成为多Agent协作系统中的一个模块，推动AI驱动的CFD创新。

📄 摘要（原文）

Computational Fluid Dynamics (CFD) is essential for advancing scientific and engineering fields but is hindered by operational complexity, high expertise requirements, and limited accessibility. This paper introduces ChatCFD, an automated agent system for OpenFOAM simulations that processes multi-modal inputs (e.g., research papers, meshes) via an interactive interface, leveraging DeepSeek-R1 and DeepSeek-V3 large language models, a multi-agent architecture, and OpenFOAM knowledge. Its four-stage pipeline (Knowledge Base Construction, User Input Processing, Case File Generation, and Execution and Error Reflection) enables iterative trial-reflection-refinement for intricate setups, supporting diverse physical models and external meshes. Validation on 205 benchmark tutorial cases, 110 perturbed variants, and 2 literature-derived cases shows ChatCFD's 82.1 percent operational success rate on basic cases, outperforming MetaOpenFOAM (6.2 percent) and Foam-Agent (42.3 percent), and 60-80 percent on literature-derived complex cases. Turbulence model studies show a 40 percent success rate for common models versus 10 percent for rare ones like RNG k-epsilon. Physics coupling analyses reveal higher resource demands for multi-physics-coupled cases, while LLM bias toward simpler setups introduces persistent errors, such as dimensional inconsistency. Ablation studies highlight the efficacy of RAG-based modules and reflection mechanisms. By automating hypothesis testing and parameter exploration, ChatCFD accelerates scientific discovery in fluid mechanics and engineering, addressing LLM limitations through structured design and showing strong potential as a modular component in MCP-based agent networks for collaborative multi-agent systems, paving the way for scalable AI-driven CFD innovation. The code for ChatCFD is available at https://github.com/ConMoo/ChatCFD.