লাভ:
- কম্পিউটেশনাল ফ্লুইড ডাইনামিকস (CFD) প্রক্রিয়ায় সেটআপ, ফলাফলের ব্যাখ্যা এবং সারোগেট মডেল জেনারেশনে এআই কীভাবে ব্যবহার করা হয় তা ব্যাখ্যা করতে সক্ষম হন।
- মেশিন লার্নিং-ভিত্তিক সারোগেট মডেলগুলির সাথে দ্রুত একটি বড় ডিজাইনের স্থান স্ক্যান করার এবং প্রার্থীর জ্যামিতিগুলিকে র্যাঙ্ক করার ক্ষমতা
- কনভারজেন্স, নেটওয়ার্কের স্বাধীনতা এবং শারীরিক সম্ভাব্যতার মানদণ্ডের সাথে এআই-চালিত এরোডাইনামিক আউটপুটগুলিকে যাচাই করার ক্ষমতা
কিভাবে একটি ডানা লিফট উৎপন্ন করে, কিভাবে একটি ফুসেলেজ বাতাসকে বিভক্ত করে, কিভাবে একটি নিয়ন্ত্রণ পৃষ্ঠ প্রবাহকে বিচ্যুত করে; বায়ুগতিবিদ্যা এই অদৃশ্য শক্তির বিজ্ঞান। প্রকৌশলী দুটি উপায়ে এই শক্তিগুলি শিখে: একটি বায়ু টানেলে পরীক্ষা করে বা কম্পিউটার কম্পিউটেশনাল ফ্লুইড ডাইনামিকস (CFD; কম্পিউটেশনাল ফ্লুইড ডায়নামিক্স, একটি পদ্ধতি যা একটি গণনাগত নেটওয়ার্কে সংখ্যাগতভাবে প্রবাহ সমীকরণগুলি সমাধান করে)। CFD শক্তিশালী কিন্তু ব্যয়বহুল: একটি জটিল দৌড়ে ঘন্টা, এমনকি দিনও লাগতে পারে, একটি একক ডিজাইন পয়েন্ট পাওয়া যায়। প্রকৌশলী যে শত শত ডিজাইন চেষ্টা করতে চায় এখানে একটি বাধার মধ্যে চলে.
কৃত্রিম বুদ্ধিমত্তা (AI) এই বাধা দুটি জায়গায় খুলে দেয়। প্রথমত, CFD প্রক্রিয়াতেই: সেটআপ নিয়ন্ত্রণ, ফলাফল ব্যাখ্যা এবং রিপোর্টিং। দ্বিতীয়, এবং আরও রূপান্তরকারী, হল সারোগেট মডেল (মেশিন লার্নিং মডেল যা একটি ব্যয়বহুল সিমুলেশনের ইনপুট-আউটপুট সম্পর্ক শেখে এবং সেকেন্ডের মধ্যে একটি আনুমানিক ভবিষ্যদ্বাণী দেয়)। সারোগেট মডেলের জন্য ধন্যবাদ, একটি বড় ডিজাইনের স্থান ঘন্টার পরিবর্তে সেকেন্ডের মধ্যে স্ক্যান করা হয়, কিছু প্রতিশ্রুতিশীল প্রার্থীকে বেছে নেওয়া হয়, এবং শুধুমাত্র তাদের উচ্চ নির্ভুলতার সাথে সম্পূর্ণ CFD দিয়ে গণনা করা হয়। এই ইউনিটে, এই ওয়ার্কফ্লোতে AI এম্বেড করার সময় আমরা অপরিবর্তনীয় নিয়ম বজায় রাখি: কনভারজেন্স এবং নেটওয়ার্কের স্বাতন্ত্র্য প্রদর্শন না করে এবং ভৌত প্রশংসিততার ফিল্টারটি অতিক্রম না করে কোনো সুবিন্যস্ত ফলাফল গ্রহণ করা হয় না।
ধারণা: কনভারজেন্স: পুনরাবৃত্তির অগ্রগতির সাথে সাথে একটি ধ্রুবক মানের সমাধান হচ্ছে; যদি এটি মাপসই না হয়, ফলাফল অবিশ্বস্ত হয়. মেশ স্বাধীনতা: আপনি যখন অ্যাকাউন্ট নেটওয়ার্ক শক্ত করেন তখন ফলাফল উল্লেখযোগ্যভাবে পরিবর্তিত হয় না। CL/CD: উত্তোলন সহগ/ড্র্যাগ সহগ; এরোডাইনামিক দক্ষতার মৌলিক পরিমাপ। সারোগেট মডেল: সিমুলেশনের দ্রুত আনুমানিক অনুকরণ।
CFD ওয়ার্কফ্লোতে এআই-এর স্থান
একটি CFD দৌড়ে মোটামুটি পাঁচটি ধাপ থাকে: জ্যামিতি প্রস্তুতি, মেশ জেনারেশন, সলভার সেটআপ, রানিং এবং পোস্ট-প্রসেসিং। AI প্রতিটি ধাপে ভিন্নভাবে সাহায্য করে, কিন্তু তাদের কোনোটির বিষয়েই এর চূড়ান্ত বক্তব্য নেই।
মেশ জেনারেশনে, AI মোটামুটিভাবে সীমানা স্তর রেজোলিউশনের জন্য y+ টার্গেটের তুলনায় প্রারম্ভিক কক্ষের উচ্চতা গণনা করতে পারে। সলভার সেটআপে টার্বুলেন্স মডেল নির্বাচনের জন্য (যেমন কে-ওমেগা এসএসটি), এটি ন্যায্যতা সহ প্রবাহ ব্যবস্থার জন্য উপযুক্ত বিকল্পগুলির পরামর্শ দিতে পারে। পোস্ট-প্রসেসিং-এ, ফলাফল ফাইলের হাজার হাজার লাইন থেকে লিফট, টেনে আনা এবং মুহূর্ত সহগ বের করতে এবং অ্যাটাক সুইপ প্লটের একটি কোণ তৈরি করতে কেউ একটি পাইথন স্ক্রিপ্ট লিখতে পারে। কিন্তু y+ মান সত্যিই টার্গেটে আছে কিনা, টার্বুলেন্স মডেলটি এই প্রবাহের সাথে খাপ খায় কিনা এবং ফলাফলটি একত্রিত হয় কি না তা ইঞ্জিনিয়ারের চোখ দ্বারা পরীক্ষা করা হয়।
সর্বাধিক ব্যবহৃত জায়গা হল ফলাফলের মন্তব্য। আপনি যখন AI কে জিজ্ঞাসা করেন "কেন সেই CL-আলফা বক্ররেখা 14 ডিগ্রিতে ভাঙ্গে", এটি আপনাকে স্টল হওয়ার সম্ভাবনার কথা মনে করিয়ে দেয় (আক্রমণের কোণ বৃদ্ধি এবং উত্তোলন হ্রাসের সাথে সাথে প্রবাহ ডানা থেকে পৃথক হয়) এবং আপনার পরীক্ষা করা উচিত প্রবাহ বিচ্ছেদ সূচকগুলি তালিকাভুক্ত করে। এটি একটি হাইপোথিসিস জেনারেটর; নিশ্চিতকরণ আবার তথ্য.
সতর্কতা: AI একটি CFD ফলাফলকে সাবলীলভাবে ব্যাখ্যা করতে পারে, কিন্তু ফলাফল নিজেই ভুল হলে, ব্যাখ্যাটিও ভুল হবে। "এই ড্র্যাগ মানটি যুক্তিসঙ্গত" বাক্যটির অর্থ যদি সমাধানটি একত্রিত না হয় তবে কিছুই নয়। প্রথমে নম্বরটির বৈধতা পরীক্ষা করুন, তারপর মন্তব্য করুন।
সারোগেট মডেল: সেকেন্ডে ডিজাইন স্পেস স্ক্যান করা
একটি সারোগেট মডেল প্রতিষ্ঠার যুক্তি সহজ. প্রথমত, একটি সাবধানে নির্বাচিত নমুনা (যেমন 40-80 ডিজাইন পয়েন্ট; পরীক্ষামূলক নকশা ডিওই দ্বারা বিতরণ করা হয়) সম্পূর্ণ CFD দিয়ে গণনা করা হয়। তারপর একটি মেশিন লার্নিং মডেল (গাউসিয়ান প্রসেস রিগ্রেশন/ক্রিজিং, রেডিয়াল বেসিস ফাংশন বা নিউরাল নেটওয়ার্ক) এই ইনপুট-আউটপুট জোড়াগুলির সাথে প্রশিক্ষিত হয়। মডেলটি এখন সেকেন্ডের মধ্যে একটি নতুন জ্যামিতির জন্য CL/CD ভবিষ্যদ্বাণী করে। এই সস্তা মডেলের সাথে হাজার হাজার প্রার্থীদের স্ক্রীন করা হয়, এবং 3-5 জন সেরা প্রার্থীকে পুনঃগণনা করা হয় এবং সম্পূর্ণ CFD দিয়ে যাচাই করা হয়।
এখানে গুরুত্বপূর্ণ বিষয় হল আত্মবিশ্বাসের ব্যবধান। ক্রিজিংয়ের মতো মডেলগুলি কেবল একটি ভবিষ্যদ্বাণীই নয়, সেই ভবিষ্যদ্বাণীতে তারা কতটা আত্মবিশ্বাসী (অনিশ্চয়তা) তাও প্রদান করে। প্রশিক্ষণ পয়েন্ট থেকে দূরে এলাকায় অনিশ্চয়তা বৃদ্ধি; সেখানে, মডেলটিকে অন্ধভাবে বিশ্বাস করার পরিবর্তে একটি নতুন CFD পয়েন্ট যোগ করা হয়েছে। এই "নতুন নমুনা যোগ করুন যেখানে অনিশ্চয়তা বেশি" লুপটি সক্রিয় শিক্ষা হিসাবে পরিচিত এবং অল্প সংখ্যক ব্যয়বহুল রান দিয়ে দক্ষতার সাথে বড় স্থান স্ক্যান করে।
পদ্ধতি
এক ডিজাইন পয়েন্ট খরচ
নির্ভুলতা
যখন
সম্পূর্ণ CFD (RANS)
ঘড়ি
উচ্চ
চূড়ান্ত যাচাই, প্রার্থীর সংখ্যা কম
সারোগেট মডেল (ক্রিগিং)
সেকেন্ড
মাঝারি-উচ্চ (শিক্ষার ক্ষেত্রে)
বড় স্থান স্ক্যানিং, অপ্টিমাইজেশান
প্যানেল/লো অর্ডার পদ্ধতি
সেকেন্ড-মিনিট
নিম্ন মাঝারি
নির্মূল খুব তাড়াতাড়ি, রুক্ষ ধারণা
বায়ু টানেল
দিন-সপ্তাহ
সর্বোচ্চ (বাস্তব)
সমালোচনামূলক যাচাইকরণ, সার্টিফিকেশন
টিপ: প্রশিক্ষণ ডেটা (এক্সট্রাপোলেশন) দ্বারা আচ্ছাদিত পরিসরের বাইরে সারোগেট মডেলটি কখনই ব্যবহার করবেন না। যদি মডেলটিকে 5-15 ডিগ্রি আক্রমণের কোণ দিয়ে প্রশিক্ষিত করা হয়, তবে এটি 25 ডিগ্রিতে যে মান দেয় তা একটি ভবিষ্যদ্বাণী নয়, একটি বানোয়াট। মডেল তৈরি করার সময় AI কে "প্রশিক্ষণের পরিসর লিখতে এবং সীমার বাইরের প্রশ্নগুলি প্রত্যাখ্যান করতে" বলা এই ফাঁদ বন্ধ করে দেয়।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই এয়ারফয়েল কি ভাল? আমার CFD ফলাফল ব্যাখ্যা করুন: CD=0.009।
শক্তিশালী প্রম্পট:
ভূমিকা: আপনি একজন অ্যারোডাইনামিক বিশ্লেষণ পরামর্শদাতা; আপনি নিরাপত্তা-সমালোচনামূলক যাচাইকরণ প্রয়োগ করেন। প্রসঙ্গ: 2D এয়ারফয়েল RANS CFD বিশ্লেষণ (মানগুলি প্রতিনিধি): Re=1.5e6, Mach=0.2, আক্রমণের কোণ 4°, টার্বুলেন্স মডেল কে-ওমেগা SST। ফলাফল: CL=0.62, CD=0.0091। নেটওয়ার্ক: 180k কোষ, y+ ~ 1. টাস্ক:1) ফলাফলটি বৈধ বিবেচনা করার আগে যাচাইকরণের পদক্ষেপগুলি তালিকাভুক্ত করুন (কনভারজেন্স, নেটওয়ার্ক স্বাধীনতা, y+)। 2) CL/CD অনুপাত গণনা করুন এবং এই প্রোফাইল ক্লাসের জন্য সাধারণ পরিসরের সাথে তুলনা করুন। যেখানে আপনি নিশ্চিত নন সেখানে চিহ্নিত করুন; একটি নির্দিষ্ট "ভাল/খারাপ" বিচার করবেন না, একটি যাচাইকরণ পরিকল্পনা দিন।
অনুলিপিযোগ্য প্রম্পট টেমপ্লেট
টেমপ্লেট 1 — CFD সেটআপ যুক্তি:
নিম্নলিখিত প্রবাহ অবস্থার জন্য CFD সেটআপ সুপারিশ দিন (প্রতিনিধি মান): Re=[...], Mach=[...], জ্যামিতি=[...]। আমাকে নিম্নলিখিত কারণগুলির পরামর্শ দিন: উপযুক্ত টার্বুলেন্স মডেল বিকল্প, সীমানা স্তরের জন্য লক্ষ্য y+ এবং প্রাথমিক কোষের উচ্চতা গণনা, সীমানা শর্ত। প্রতিটি পছন্দের জন্য, "কেন" এবং "যে ক্ষেত্রে এটি ভুল হবে" এর একটি নোট যোগ করুন৷ সংখ্যার একক লিখ।
টেমপ্লেট 2 — পরীক্ষার নকশা (DoE) এবং সারোগেট মডেল পরিকল্পনা:
আমার কাছে [N] ডিজাইন ভেরিয়েবল আছে: [তালিকা, রেঞ্জ সহ]। একজন সারোগেট মডেলকে প্রশিক্ষণ দিতে: (ক) কত নমুনা পয়েন্ট এবং কোন নমুনা পদ্ধতি (যেমন ল্যাটিন হাইপারকিউব) আপনি সুপারিশ করেন; (খ) কোন ধরনের সারোগেট মডেল উপযুক্ত এবং কেন; (c) আমি কিভাবে মডেলটি যাচাই করব (ক্রস-ভ্যালিডেশন, স্প্লিট টেস্ট সেট)। এক্সট্রাপোলেশনের ঝুঁকির বিরুদ্ধে আমার কি নিয়ম আরোপ করা উচিত?
টেমপ্লেট 3 — CFD ফলাফল ফাইল থেকে সহগ বের করার জন্য স্ক্রিপ্ট:
CFD ফোর্স রিপোর্ট থেকে CSV (কলাম: পুনরাবৃত্তি, Fx, Fy, Fz) পাইথনের সাথে: (ক) শেষ 500টি পুনরাবৃত্তির গড় করে কনভার্জডসিএল এবং সিডি গণনা করুন; (খ) শেষ 500টি পুনরাবৃত্তির মানক বিচ্যুতি লিখুন এবং কনভারজেন্স চেক করার জন্য একটি থ্রেশহোল্ডের সাথে তুলনা করুন; (c) আক্রমণ স্ক্যানের কোণের জন্য CL-আলফা প্লট করুন। রেফারেন্স এলাকা এবং গতিশীল চাপ পরামিতি হিসাবে সেট করুন; মন্তব্য লাইন সহ অ্যাকাউন্ট ব্যাখ্যা করুন.
টেমপ্লেট 4 — সারোগেট মডেল ভবিষ্যদ্বাণী আত্মবিশ্বাস প্রশ্ন:
আমি যে ক্রিজিং প্রক্সি মডেলটি প্রশিক্ষিত করেছি তা নিম্নলিখিত ভবিষ্যদ্বাণীর জন্য CL=0.71, অনিশ্চয়তা(std) 0.02 দিয়েছে; ক্যোয়ারী পয়েন্ট হল প্রশিক্ষণ পরিসরের [ভিতরে/বাইরে]। (খ) যদি অনিশ্চয়তা বেশি হয়, তাহলে কোন সময়ে আমার একটি নতুন CFD উদাহরণ (সক্রিয় শিক্ষার যুক্তি) যোগ করা উচিত? (c) কখন আমি সম্পূর্ণ CFD সহ এই ভবিষ্যদ্বাণীটি নিশ্চিত করব?
মিনি কেস
কেস 1 — নন-কভারজড রেজাল্ট ধরা পড়েছে। একজন শিক্ষার্থী এয়ারফয়েলের জন্য CD=0.0065 ফলাফল পায় এবং আনন্দিত হয়; প্রোফাইল ক্লাসের জন্য সাধারণ সিডি 0.008-0.012 রেঞ্জের মধ্যে, ফলাফলটি খুব ভাল বলে মনে হচ্ছে। AI দ্বারা প্রস্তাবিত কনভারজেন্স চেক প্রয়োগ করা দেখায় যে বল সহগ এখনও শেষ পুনরাবৃত্তিতে দোদুল্যমান (মান বিচ্যুতি 8% গড়)। যখন সমাধানটি আরও পুনরাবৃত্তির সাথে একত্রিত হয়, তখন এটি CD = 0.0094 এ স্থায়ী হয়। পাঠ: একটি "খুব ভাল" ফলাফল প্রায়শই একটি অ-একত্রিত ফলাফল।
কেস 2 - সারোগেট মডেলের গতি 200 গুণ বেড়ে যায়। একটি দল 6টি জ্যামিতিক প্যারামিটার সহ একটি উইংয়ের জন্য 60টি সম্পূর্ণ CFD রান (প্রতিটি 2 ঘন্টা) চালায় এবং একটি ক্রিজিং সারোগেট মডেলকে প্রশিক্ষণ দেয়। তারপর এটি 40 সেকেন্ডে প্রক্সি মডেলের সাথে 5000 প্রার্থী কনফিগারেশন স্ক্যান করে, সম্পূর্ণ CFD সহ সেরা 4 প্রার্থীকে যাচাই করে। মোট 64 CFD রান সহ, একটি মোটামুটি অনুমান 5000 রানের সমতুল্য। সময়কাল সপ্তাহ থেকে দুই দিন কমে যায়। পাঠ: ব্যয়বহুল সিমুলেশন শুধুমাত্র বৈধতা পয়েন্টে চালান, প্রতিটি পয়েন্টে নয়।
কেস 3 - এক্সট্রাপোলেশন ফাঁদ। একজন প্রকৌশলী আক্রমণের 3-12 ডিগ্রি কোণে প্রশিক্ষিত একজন সারোগেট মডেলকে 18 ডিগ্রিতে একটি উত্তোলনের প্রশ্ন জিজ্ঞাসা করেন; মডেলটি একটি মসৃণভাবে ক্রমবর্ধমান মান দেয় যেমন CL=1.6। বাস্তবে, উইংটি প্রায় 15 ডিগ্রি গ্রিপ হারায় এবং উত্তোলন হ্রাস পায়, কিন্তু সারোগেট মডেল এটিকে সরাসরি প্রসারিত করে কারণ এটি এই পদার্থবিদ্যাকে "দেখতে" পায় না। প্রকৌশলী একটি শারীরিক সম্ভাব্যতা পরীক্ষা (আনুগত্য ক্ষতির প্রত্যাশা) দিয়ে ফলাফল প্রত্যাখ্যান করেন এবং সেই এলাকায় একটি সম্পূর্ণ CFD চালান। পাঠ: সারোগেট মডেল তার প্রশিক্ষণ সীমার বাইরে পদার্থবিদ্যা জানে না।
সাধারণ ভুল
- অভিসার জন্য চেক না. একটি ননকভারজড দ্রবণের সহগ অর্থহীন; গ্রাফের সৌন্দর্য কনভারজেন্সের কোন গ্যারান্টি নয়।
- নেটওয়ার্কের স্বাধীনতাকে বাইপাস করা। যদি ফলাফল নেটওয়ার্কের উপর নির্ভর করে, বিভিন্ন নেটওয়ার্কের সাথে বিভিন্ন উত্তর বেরিয়ে আসে; কোনটি সঠিক তা জানা যাবে না।
- সারোগেট মডেলে এক্সট্রাপোলেশন। প্রশিক্ষণ সীমার বাইরে ভবিষ্যদ্বাণী গাণিতিক সম্প্রসারণ দেয়, প্রকৃত সত্য নয়।
- অনিশ্চয়তা উপেক্ষা করে। যদি ক্রিগিং ভবিষ্যদ্বাণীর আত্মবিশ্বাসের তথ্য ব্যবহার না করা হয়, যে অঞ্চলে মডেলটি সবচেয়ে বেশি আত্মবিশ্বাসী এবং যে অঞ্চলটি সবচেয়ে কম আত্মবিশ্বাসী সেই অঞ্চলকে একইভাবে বিবেচনা করা হবে।
- অশান্তি মডেল নির্বিচারে নির্বাচন করা. ভুল টার্বুলেন্স মডেল এমনকি একটি একত্রিত এবং নেটওয়ার্ক-স্বাধীন সমাধানকে শারীরিকভাবে ভুল করে তোলে।
সংক্ষেপে
CFD একটি শক্তিশালী কিন্তু ব্যয়বহুল টুল; AI এটিকে দুটি জায়গা থেকে ত্বরান্বিত করে: প্রসেস ম্যানেজমেন্ট (ইনস্টলেশন, মন্তব্য, স্ক্রিপ্ট) এবং সারোগেট মডেলের সাথে সেকেন্ডের মধ্যে বড় ডিজাইনের স্থান স্ক্যান করা। সারোগেট মডেলকে অল্প সংখ্যক পূর্ণ CFD রানের সাথে প্রশিক্ষিত করা হয়, একটি আত্মবিশ্বাসের ব্যবধানে ব্যবহার করা হয় এবং সেরা প্রার্থীদের অবশ্যই সম্পূর্ণ CFD দিয়ে যাচাই করা হয়। কনভারজেন্স, নেটওয়ার্কের স্বাধীনতা, এবং শারীরিক প্রশংসিততা পরীক্ষা না করে কোনো সুগমিত ফলাফল গ্রহণ করা হয় না। AI হাইপোথিসিস এবং গতি দেয়; পদার্থবিজ্ঞানের চূড়ান্ত বিচারক হল ডেটা।
আবেদন টাস্ক
একটি এয়ারফয়েল বা একটি সাধারণ জ্যামিতির জন্য একটি CFD রান দৃশ্যকল্প সংজ্ঞায়িত করুন (প্রতিনিধি, প্রকৃত প্রকল্প ডেটা নয়)। AI ব্যবহার করে, (a) ফলাফল বৈধ বিবেচনা করার আগে যাচাইকরণের পদক্ষেপগুলি তালিকাভুক্ত করুন, (b) একটি পাইথন স্ক্রিপ্ট প্রিন্ট করুন যা ফলাফল ফাইল থেকে সহগ বের করে এবং লাইন দ্বারা তার লজিক লাইন পরীক্ষা করে, (গ) একটি সারোগেট মডেল তৈরি করার জন্য একটি পরিকল্পনা প্রস্তুত করুন (কতটি নমুনা, কোন পদ্ধতি, কীভাবে যাচাই করতে হবে)। সাধারণ পরিসরের সাথে একটি ফলাফলের তুলনা করুন এবং এর প্রামাণ্যতা মূল্যায়ন করুন।
চেকলিস্ট
- [ ] আমি প্রতিটি CFD ফলাফলের জন্য একটি কনভারজেন্স চেক করেছি৷
- আমি প্রশ্ন করেছি যে নেটওয়ার্কের স্বাধীনতা প্রদর্শিত হয়েছে কিনা।
- [ ] আমি CL/CD-এর মতো সহগগুলিকে সাধারণ শ্রেণীর পরিসরের সাথে তুলনা করেছি।
- [ ] আমি শুধুমাত্র প্রশিক্ষণ সীমার মধ্যেই সারোগেট মডেল ব্যবহার করেছি৷
- [ ] আমি সিদ্ধান্তের মধ্যে সারোগেট মডেলের ভবিষ্যদ্বাণীগুলির অনিশ্চয়তাকে ফ্যাক্টর করেছি৷
- [ ] আমি সম্পূর্ণ CFD সহ সেরা প্রার্থীদের যাচাই করেছি।