Foam-Agent: Towards Automated Intelligent CFD Workflows

Het paper introduceert Foam-Agent, een multi-agent systeem dat grote taalmodellen gebruikt om complexe CFD-werkstromen volledig te automatiseren op basis van natuurlijke taal, waardoor de expertisebarrière wordt verlaagd en een succespercentage van 88,2% wordt bereikt zonder menselijke tussenkomst.

De kern

Foam-Agent: De Slimme Chef die Jouw Complexe Simulaties Regelt

Stel je voor dat Computational Fluid Dynamics (CFD) – het simuleren van hoe lucht, water of brandstof stroomt – een enorm ingewikkeld koken is in een professionele keuken. Het is niet zomaar een pannenkoek bakken; het is het maken van een driedimensionaal, dynamisch maaltje waarbij elke ingrediënt (deeltjes, druk, temperatuur) perfect moet samenwerken.

Vroeger was dit werk alleen voor topkoks (experts) weggelegd. Je moest jaren studeren om te weten welke potten (software) je moet gebruiken, hoe je het vuur (de instellingen) moet regelen, en wat je moet doen als er iets aanbrandt (fouten). Als je een simpele vraag had, zoals "Hoe stroomt de lucht rond dit vliegtuig?", moest je eerst een heel boek doorbladeren, handmatig duizenden instellingen typen en hopen dat het niet misging.

Foam-Agent is de oplossing voor dit probleem. Het is als een super-slimme, robot-chef die je gewoon in het Nederlands (of Engels) vertelt wat je wilt, en dan de hele keuken voor je regelt.

Hier is hoe het werkt, in simpele taal:

1. De Chef die alles Plant (De Architect)

Je geeft je robot-chef een opdracht: "Maak een simulatie van wind die om een windmolen draait."
In plaats van dat de robot zelf raadt wat hij moet doen, kijkt hij eerst in zijn reusachtige kookboek (een database met duizenden succesvolle recepten). Hij zoekt naar vergelijkbare situaties, plukt de juiste ingrediënten en maakt een stap-voor-stap plan. Hij weet precies welke potten (bestanden) hij eerst moet maken en welke later, zodat alles logisch op elkaar aansluit.

2. De Koks die de Werkplekken Bereiden (De Meshing Agent)

Voordat je kunt koken, moet je de keuken voorbereiden. In de wereld van stroming betekent dit het maken van een netwerk (een mesh) van het object.

• Optie A: De robot maakt het net zelf, alsof hij een taartvorm in honderden kleine stukjes snijdt.
• Optie B: Heb je al een ingewikkeld net van een ander? Geen probleem, de robot pakt dat over en past het aan.
• Optie C: De robot gebruikt een speciaal gereedschap (Gmsh) om een nieuw net te tekenen op basis van je beschrijving, zelfs als het object heel gekke vormen heeft.

3. De Schrijvers die de Recepten Invullen (De Input Writer)

Nu de keuken klaar is, moet de robot de instructies opschrijven. Dit zijn duizenden regels code die vertellen hoe de simulatie moet werken.
De slimme truc hier is dat de robot niet zomaar wat typt. Hij kijkt naar wat hij al heeft geschreven. Als hij in het ene bestand schrijft "de temperatuur is 100 graden", zorgt hij er in het volgende bestand voor dat dit ook 100 graden is. Hij voorkomt zo dat de robot in de war raakt door tegenstrijdige instructies.

4. De Keukenhulp die Kookt en Kijkt (De Runner & Reviewer)

De robot start de simulatie. Dit kan op zijn eigen computer of op een supercomputer (een gigantische keuken met duizenden kachels tegelijk).

• Als het lukt: Geweldig!
• Als het mislukt: Dit is waar het echt slim is. De robot kijkt naar de foutmelding (bijvoorbeeld: "De pan is te heet!"). Hij denkt na, zoekt in zijn kookboek hoe dit eerder is opgelost, en probeert het opnieuw met een kleine aanpassing. Hij doet dit keer op keer tot het werkt. Hij geeft niet op, net als een echte kok die een gerecht tot perfectie brengt.

5. De Presentatie (De Visualization Agent)

Als de simulatie klaar is, wil je zien wat er gebeurde. De robot maakt automatisch mooie, kleurrijke plaatjes en filmpjes van de stroming, zodat je niet naar cijfers hoeft te kijken, maar het resultaat direct kunt zien.

Waarom is dit zo speciaal?

Vroeger waren andere robots (zoals MetaOpenFOAM) maar halfslachtig. Ze konden soms een recept schrijven, maar als de pan aanbrandde, wisten ze niet wat ze moesten doen, en ze konden geen nieuwe netten maken. Ze waren als een kok die alleen het menu kon opschrijven, maar niet kon koken.

Foam-Agent doet alles: van het eerste idee tot het eindresultaat.

• Succes: In tests lukte het de robot om 88% van de complexe taken helemaal zelfstandig te voltooien, zonder dat een mens hoefde in te grijpen. Dat is een enorme sprong vooruit.
• Flexibel: De robot is zo gebouwd dat andere systemen hem kunnen gebruiken als een "gereedschapskist". Je kunt hem bijvoorbeeld vragen om alleen het net te maken, of alleen het filmpje te maken.

Conclusie

Foam-Agent maakt de wereld van complexe stromingssimulaties toegankelijk voor iedereen. Je hoeft geen expert te zijn in wiskunde of software. Je hoeft alleen maar te weten wat je wilt zien, en de robot-chef doet de zware, saaie en moeilijke klus voor jou. Het democratiseert de wetenschap, zodat meer mensen kunnen experimenteren met vliegtuigen, auto's en medicijnen, zonder jarenlang te hoeven studeren.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Foam-Agent: Towards Automated Intelligent CFD Workflows" in het Nederlands.

Probleemstelling

Computational Fluid Dynamics (CFD) is een hoeksteen van de moderne wetenschap en engineering, maar het toepassen van tools zoals OpenFOAM blijft een grote uitdaging vanwege de steile leercurve en de gefragmenteerde workflow. De huidige processen vereisen complexe stappen: geometriecreatie, meshing, solver-configuratie en post-processing. Bestaande pogingen om Large Language Models (LLMs) in te zetten voor CFD (zoals MetaOpenFOAM en OpenFOAMGPT) hebben beperkingen:

1. Onvolledige dekking: Ze focussen vaak alleen op solver-configuratie en negeren cruciale fasen zoals meshing en visualisatie.
2. Monolithisch ontwerp: Ze zijn moeilijk te integreren in bredere onderzoeksworkflows of om specifieke taken los te koppelen.
3. Betrouwbaarheid: De uitvoeringssuccespercentages op complexe taken zijn vaak te laag voor wetenschappelijk gebruik, met name door "hallucinaties" van de LLM en gebrek aan consistentie tussen afhankelijke bestanden.

Methodologie: Foam-Agent

Foam-Agent is een multi-agent framework dat een volledig CFD-werkproces automatiseert, van een enkele natuurlijke taalprompt tot en met de visualisatie van resultaten. Het systeem is gebouwd op de Model Context Protocol (MCP)-standaard om functionaliteit te ontkoppelen en modulair te maken.

De architectuur bestaat uit zes gespecialiseerde agenten:

1. Architect Agent: Vertaalt natuurlijke taal naar een gestructureerd simulatieplan. Het gebruikt Retrieval-Augmented Generation (RAG) met een hiërarchische multi-index strategie om relevante cases uit de kennisbank op te halen (gebaseerd op metadata, directory-structuur, bestandsinhoud en scripts). Het deconstrueert de taak in een reeks bestanden met specifieke afhankelijkheden.
2. Meshing Agent: Ondersteunt drie strategieën:
   • Native OpenFOAM: Generatie van blockMeshDict of snappyHexMeshDict.
   • Gmsh-integratie: Generatie van een .msh bestand via een Python-script op basis van natuurlijke taalbeschrijvingen van de geometrie.
   • Externe bestanden: Acceptatie van door de gebruiker aangeleverde mesh-bestanden.
3. Input Writer Agent: Genereert de OpenFOAM-configuratiebestanden in een strikte volgorde die de afhankelijkheden respecteert (eerst system, dan constant, dan 0). Het injecteert de inhoud van voorgaande bestanden in de context van de LLM om consistentie te garanderen en variabelen-hallucinaties te voorkomen.
4. Runner Agent: Voert de simulatie uit, lokaal of op HPC-clusters (bijv. via Slurm-scripts). Het analyseert logbestanden om foutpatronen te detecteren.
5. Reviewer Agent: Implementeert een iteratieve lus voor foutanalyse en correctie. Het analyseert foutmeldingen, vergelijkt deze met de geschiedenis van eerdere pogingen om cyclische correcties te voorkomen, en stelt een minimale configuratiepatch (ΔS) voor om de fout op te lossen.
6. Visualization Agent: Genereert Python-scripts (PyVista of ParaView) om stromingsvelden te visualiseren op basis van de prompt.

Kerninnovaties:

• Hiërarchische Multi-Index Retrieval: In plaats van één database, worden vier gespecialiseerde FAISS-indexen gebruikt (structuur, details, scripts, documentatie) om de precisie van de opgehaalde context te maximaliseren.
• Afhankelijkheidsbewuste Generatie: Bestanden worden gegenereerd in een topologische volgorde gebaseerd op een afhankelijkheidsgrafiek, waarbij de inhoud van afhankelijke bestanden expliciet aan de LLM wordt doorgegeven.
• Model Context Protocol (MCP): De agenten worden blootgesteld als discrete, aanroepbare tools, waardoor Foam-Agent flexibel integreerbaar is in andere agentic systemen.

Belangrijkste Resultaten

Het systeem is geëvalueerd op CFDLLMBench, een benchmark met 110 diverse simulatietaken over 11 fysieke scenario's.

• Succespercentage: Foam-Agent bereikte een uitvoeringssuccespercentage van 88,2% zonder expert-interventie. Dit is een aanzienlijke verbetering ten opzichte van de huidige stand van de techniek (MetaOpenFOAM), die slechts 55,5% haalde met dezelfde LLM (Claude 3.5 Sonnet). Met GPT-4o was het verschil nog groter (59,1% vs 17,3%).
• Fysieke Nauwkeurigheid: Visuele vergelijkingen met "Ground Truth" (opgelost door menselijke experts) toonden aan dat Foam-Agent scherpe concentratiegradiënten en temperatuurvelden correct reproduceerde, terwijl de baselines vaak diffuus of fysiek onjuist waren.
• Ablatiestudies:
  • De Reviewer Agent bleek de belangrijkste factor voor de prestaties, waardoor het succespercentage van ~50% naar >80% steeg door iteratieve zelfcorrectie.
  • Bestandsafhankelijkheid verbeterde de consistentie en verminderde het aantal benodigde correctielussen.
  • Hiërarchische RAG presteerde significant beter dan enkelvoudige indexen (57,3% vs 44,6% zonder reviewer), wat de semantische kloof tussen natuurlijke taal en technische terminologie verkleint.
• Flexibiliteit: Het systeem slaagde erin complexe geometrieën te meshen met Gmsh (waar native tools faalden) en succesvolle simulaties uit te voeren op HPC-systemen (Perlmutter) met automatisch gegenereerde Slurm-scripts.

Significantie en Toekomstperspectief

Foam-Agent demonstreert dat gespecialiseerde multi-agent systemen de drempel voor CFD-simulaties drastisch kunnen verlagen, waardoor krachtige wetenschappelijke tools toegankelijk worden voor een breder publiek zonder jarenlange expertise.

• Democratisering: Het automatiseert de volledige levenscyclus van een simulatie, van meshing tot post-processing.
• Modulariteit: Door MCP te gebruiken, kan Foam-Agent als bouwsteen dienen in grotere wetenschappelijke ontdekkingsworkflows.
• Toekomst: De auteurs plannen de integratie van vision-language modellen om de gegenereerde visualisaties automatisch te valideren tegen verwachte fysieke patronen, wat een gesloten feedbacklus voor verdere optimalisatie mogelijk maakt.

Samenvattend biedt Foam-Agent een robuust, schaalbaar en nauwkeurig kader voor het automatiseren van complexe CFD-workflows, waarbij het de beperkingen van eerdere LLM-gedreven benaderingen overwint door middel van gestructureerde afhankelijkheidsbeheersing en iteratieve foutcorrectie.