એરોડાયનેમિક્સ, CFD અને સરોગેટ મોડલ્સ સાથે ઝડપી ડિઝાઇન એક્સપ્લોરેશન

નફો:

• કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ (CFD) પ્રક્રિયામાં સેટઅપ, પરિણામ અર્થઘટન અને સરોગેટ મોડેલ જનરેશનમાં AI નો ઉપયોગ કેવી રીતે થાય છે તે સમજાવવા માટે સક્ષમ બનો.
• મશીન લર્નિંગ-આધારિત સરોગેટ મોડલ્સ સાથે ઝડપથી મોટી ડિઝાઇન સ્પેસને સ્કેન કરવાની અને ઉમેદવારની ભૂમિતિઓને રેન્ક આપવાની ક્ષમતા
• કન્વર્જન્સ, નેટવર્ક સ્વતંત્રતા અને ભૌતિક બુદ્ધિગમ્ય માપદંડ સાથે AI-સંચાલિત એરોડાયનેમિક આઉટપુટને માન્ય કરવાની ક્ષમતા

પાંખ કેવી રીતે લિફ્ટ ઉત્પન્ન કરે છે, કેવી રીતે ફ્યુઝલેજ હવાને વિભાજિત કરે છે, નિયંત્રણ સપાટી કેવી રીતે પ્રવાહને વિચલિત કરે છે; એરોડાયનેમિક્સ એ આ અદ્રશ્ય શક્તિઓનું વિજ્ઞાન છે. એન્જિનિયર આ દળોને બે રીતે શીખે છે: વિન્ડ ટનલમાં પ્રયોગ દ્વારા અથવા કમ્પ્યુટર કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ (CFD; કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ, એક પદ્ધતિ જે કોમ્પ્યુટેશનલ નેટવર્ક પર પ્રવાહના સમીકરણોને આંકડાકીય રીતે હલ કરે છે). CFD શક્તિશાળી છે પરંતુ ખર્ચાળ છે: એક જટિલ દોડમાં કલાકો, દિવસો પણ લાગી શકે છે, એક જ ડિઝાઇન પોઇન્ટ પ્રાપ્ત થાય છે. એન્જિનિયર જે સેંકડો ડિઝાઇન અજમાવવા માંગે છે તે અહીં અડચણમાં આવે છે.

આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI) આ અડચણને બે જગ્યાએ ખોલે છે. પ્રથમ, CFD પ્રક્રિયામાં જ: સેટઅપ નિયંત્રણ, પરિણામનું અર્થઘટન અને રિપોર્ટિંગ. બીજું, અને વધુ પરિવર્તનશીલ, સરોગેટ મોડલ છે (મશીન લર્નિંગ મોડલ જે ખર્ચાળ સિમ્યુલેશનના ઇનપુટ-આઉટપુટ સંબંધને શીખે છે અને સેકન્ડોમાં અંદાજિત આગાહી આપે છે). સરોગેટ મોડલ માટે આભાર, કલાકોને બદલે સેકન્ડોમાં મોટી ડિઝાઇનની જગ્યા સ્કેન કરવામાં આવે છે, થોડા આશાસ્પદ ઉમેદવારો પસંદ કરવામાં આવે છે, અને માત્ર તેઓને ઉચ્ચ ચોકસાઈ સાથે સંપૂર્ણ CFD સાથે ગણવામાં આવે છે. આ એકમમાં, અમે આ વર્કફ્લોમાં AIને એમ્બેડ કરતી વખતે અપરિવર્તનશીલ નિયમ જાળવીએ છીએ: કન્વર્જન્સ અને નેટવર્ક સ્વતંત્રતા દર્શાવ્યા વિના અને ભૌતિક બુદ્ધિગમ્યતાના ફિલ્ટરમાંથી પસાર થયા વિના કોઈપણ સુવ્યવસ્થિત પરિણામો સ્વીકારવામાં આવતાં નથી.

વિભાવનાઓ: કન્વર્જન્સ: પુનરાવૃત્તિની પ્રગતિ સાથે સ્થિર મૂલ્ય પર સ્થાયી થતો ઉકેલ; જો તે બંધબેસતું નથી, તો પરિણામ અવિશ્વસનીય છે. મેશ સ્વતંત્રતા: જ્યારે તમે એકાઉન્ટ નેટવર્કને સજ્જડ કરો છો ત્યારે પરિણામ નોંધપાત્ર રીતે બદલાતું નથી. CL/CD: લિફ્ટ ગુણાંક / ખેંચો ગુણાંક; એરોડાયનેમિક કાર્યક્ષમતાનું મૂળભૂત માપ. સરોગેટ મોડેલ: સિમ્યુલેશનનું ઝડપી અંદાજિત અનુકરણ.

CFD વર્કફ્લોમાં AI નું સ્થાન

CFD રનમાં લગભગ પાંચ પગલાંઓ હોય છે: ભૂમિતિની તૈયારી, મેશ જનરેશન, સોલ્વર સેટઅપ, રનિંગ અને પોસ્ટ-પ્રોસેસિંગ. AI દરેક પગલા પર જુદી જુદી રીતે મદદ કરે છે, પરંતુ તેમાંના કોઈપણ પર તેની અંતિમ વાત નથી.

મેશ જનરેશનમાં, AI બાઉન્ડ્રી લેયર રિઝોલ્યુશન માટે y+ લક્ષ્યની તુલનામાં પ્રારંભિક સેલ ઊંચાઈની અંદાજે ગણતરી કરી શકે છે. સોલ્વર સેટઅપમાં ટર્બ્યુલન્સ મોડલ પસંદગી (દા.ત. k-ઓમેગા SST) માટે, તે વાજબીતા સાથે, ફ્લો શાસન માટે યોગ્ય વિકલ્પો સૂચવી શકે છે. પોસ્ટ-પ્રોસેસિંગમાં, પરિણામ ફાઇલની હજારો લીટીઓમાંથી લિફ્ટ, ડ્રેગ અને મોમેન્ટ કોફીશિયન્ટ્સ કાઢવા અને એટેક સ્વીપ પ્લોટનો એંગલ બનાવવા માટે પાયથોન સ્ક્રિપ્ટ લખી શકાય છે. પરંતુ y+ મૂલ્ય ખરેખર લક્ષ્ય પર છે કે કેમ, ટર્બ્યુલન્સ મોડેલ આ પ્રવાહને બંધબેસે છે કે કેમ, અને પરિણામ એકરૂપ થાય છે કે નહીં તે એન્જિનિયરની આંખ દ્વારા તપાસવામાં આવે છે.

સૌથી વધુ ઉપયોગમાં લેવાતી જગ્યા એ પરિણામની ટિપ્પણી છે. જ્યારે તમે AI ને પૂછો છો કે "તે CL-આલ્ફા વળાંક 14 ડિગ્રી પર શા માટે તૂટે છે", તે તમને સ્ટોલની શક્યતાની યાદ અપાવે છે (પ્રવાહ વિંગથી અલગ થાય છે કારણ કે હુમલાનો કોણ વધે છે અને લિફ્ટ ઘટે છે) અને તમારે તપાસવા જોઈએ તે પ્રવાહ અલગતા સૂચકોની સૂચિ આપે છે. આ એક પૂર્વધારણા જનરેટર છે; પુષ્ટિકરણ ફરીથી ડેટામાં છે.

સાવધાન: AI CFD પરિણામનું અસ્ખલિત અર્થઘટન કરી શકે છે, પરંતુ જો પરિણામ પોતે ખોટું હશે, તો અર્થઘટન પણ ખોટું હશે. "આ ડ્રેગ વેલ્યુ વાજબી છે" વાક્યનો અર્થ કંઈ નથી જો સોલ્યુશન કન્વર્ઝ ન થાય. પહેલા નંબરની માન્યતા તપાસો, પછી ટિપ્પણી.

સરોગેટ મોડલ્સ: સેકન્ડોમાં સ્કેનિંગ ડિઝાઇન સ્પેસ

સરોગેટ મોડલ સ્થાપિત કરવાનો તર્ક સરળ છે. પ્રથમ, કાળજીપૂર્વક પસંદ કરેલ નમૂના (દા.ત. 40-80 ડિઝાઇન પોઇન્ટ; પ્રાયોગિક ડિઝાઇન DoE દ્વારા વિતરિત કરવામાં આવે છે) સંપૂર્ણ CFD સાથે ગણવામાં આવે છે. પછી આ ઇનપુટ-આઉટપુટ જોડી સાથે મશીન લર્નિંગ મોડલ (ગૌસીયન પ્રોસેસ રીગ્રેશન/ક્રિગીંગ, રેડિયલ બેઝિસ ફંક્શન અથવા ન્યુરલ નેટવર્ક)ને તાલીમ આપવામાં આવે છે. મોડલ હવે સેકન્ડોમાં નવી ભૂમિતિ માટે CL/CD ની આગાહી કરે છે. આ સસ્તા મોડલ સાથે હજારો ઉમેદવારોની તપાસ કરવામાં આવે છે અને 3-5 શ્રેષ્ઠ દેખાતા ઉમેદવારોની પુનઃ ગણતરી કરવામાં આવે છે અને સંપૂર્ણ CFD સાથે ચકાસવામાં આવે છે.

અહીં નિર્ણાયક મુદ્દો આત્મવિશ્વાસ અંતરાલ છે. ક્રિગિંગ જેવા મૉડલ્સ માત્ર આગાહી જ નહીં, પણ તે આગાહી (અનિશ્ચિતતા)માં કેટલો વિશ્વાસ છે તે પણ આપે છે. તાલીમ બિંદુઓથી દૂરના વિસ્તારોમાં અનિશ્ચિતતા વધે છે; ત્યાં, મોડેલ પર આંધળો વિશ્વાસ કરવાને બદલે એક નવો CFD પોઈન્ટ ઉમેરવામાં આવ્યો છે. આ "નવા નમૂના ઉમેરો જ્યાં અનિશ્ચિતતા વધારે છે" લૂપને સક્રિય શિક્ષણ તરીકે ઓળખવામાં આવે છે અને ઓછી સંખ્યામાં ખર્ચાળ રન સાથે અસરકારક રીતે મોટી જગ્યા સ્કેન કરે છે.

પદ્ધતિ

એક ડિઝાઇન પોઇન્ટ ખર્ચ

ચોકસાઈ

જ્યારે

સંપૂર્ણ CFD (RANS)

ઘડિયાળો

ઉચ્ચ

અંતિમ ચકાસણી, ઉમેદવારોની ઓછી સંખ્યા

સરોગેટ મોડલ (ક્રિજીંગ)

સેકન્ડ

મધ્યમ-ઉચ્ચ (શિક્ષણ ક્ષેત્રમાં)

મોટી જગ્યા સ્કેનિંગ, ઑપ્ટિમાઇઝેશન

પેનલ/લો ઓર્ડર પદ્ધતિ

સેકન્ડ-મિનિટ

નિમ્ન-મધ્યમ

નાબૂદી ખૂબ વહેલો, રફ વિચાર

પવન ટનલ

દિવસો-અઠવાડિયા

સૌથી વધુ (વાસ્તવિક)

જટિલ ચકાસણી, પ્રમાણપત્ર

ટીપ: તાલીમ ડેટા (એક્સ્ટ્રાપોલેશન) દ્વારા આવરી લેવામાં આવતી શ્રેણીની બહાર સરોગેટ મોડલનો ક્યારેય ઉપયોગ કરશો નહીં. જો મોડેલને 5-15 ડિગ્રીના હુમલાના ખૂણા સાથે તાલીમ આપવામાં આવી હોય, તો તે 25 ડિગ્રી પર જે મૂલ્ય આપે છે તે આગાહી નથી, પરંતુ બનાવટી છે. મૉડલ બનાવતી વખતે AI ને "તાલીમ શ્રેણી લખવા અને મર્યાદા બહારની ક્વેરીઝને નકારવા" કહેવાથી આ છટકું બંધ થઈ જાય છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આ એરફોઇલ સારી છે? મારા CFD પરિણામનું અર્થઘટન કરો: CD=0.009.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે એરોડાયનેમિક વિશ્લેષણ સલાહકાર છો; તમે સલામતી-નિર્ણાયક ચકાસણી લાગુ કરો છો. સંદર્ભ: 2D એરફોઇલ RANS CFD વિશ્લેષણ (મૂલ્યો પ્રતિનિધિ છે): Re=1.5e6, Mach=0.2, હુમલાનો કોણ 4°, ટર્બ્યુલન્સ મોડેલ k-omega SST. પરિણામ: CL=0.62, CD=0.0091. નેટવર્ક: 180k કોષો, y+ ~1. Task:1) પરિણામ માન્ય ગણતા પહેલા મારે જે ચકાસણી પગલાંની તપાસ કરવાની જરૂર છે તેની યાદી બનાવો (કન્વર્જન્સ, નેટવર્ક સ્વતંત્રતા, y+).2) CL/CD રેશિયોની ગણતરી કરો અને આ પ્રોફાઇલ વર્ગ માટેની લાક્ષણિક શ્રેણી સાથે સરખામણી કરો. જ્યાં તમને ખાતરી ન હોય ત્યાં ચિહ્નિત કરો; ચોક્કસ "સારું/ખરાબ" ચુકાદો ન આપો, ચકાસણી યોજના આપો.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 — CFD સેટઅપ તર્ક:

નીચેની પ્રવાહ સ્થિતિ (પ્રતિનિધિ મૂલ્યો) માટે CFD સેટઅપ ભલામણ આપો: Re=[...], Mach=[...], ભૂમિતિ=[...]. મને નીચેના કારણો સૂચવો: યોગ્ય ટર્બ્યુલન્સ મોડલ વિકલ્પો, બાઉન્ડ્રી લેયર માટે ટાર્ગેટ y+ અને પ્રારંભિક સેલ ઊંચાઈની ગણતરી, સીમાની સ્થિતિ. દરેક પસંદગી માટે, "શા માટે" અને "કયા કિસ્સામાં તે ખોટું હશે" ની નોંધ ઉમેરો. સંખ્યાઓનો એકમ લખો.

ટેમ્પલેટ 2 — પ્રયોગોની ડિઝાઇન (DoE) અને સરોગેટ મોડેલ પ્લાન:

મારી પાસે [N] ડિઝાઇન ચલો છે: [સૂચિ, શ્રેણીઓ સાથે]. સરોગેટ મોડલને તાલીમ આપવા માટે: (a) કેટલા સેમ્પલ પોઈન્ટ્સ અને કઈ સેમ્પલિંગ પદ્ધતિ (દા.ત. લેટિન હાઈપરક્યુબ) તમે ભલામણ કરો છો; (b) કયા પ્રકારનું સરોગેટ મોડેલ યોગ્ય છે અને શા માટે; (c) હું મોડેલને કેવી રીતે માન્ય કરી શકું (ક્રોસ-વેલિડેશન, સ્પ્લિટ ટેસ્ટ સેટ). એક્સ્ટ્રાપોલેશનના જોખમ સામે મારે કયો નિયમ લાદવો જોઈએ?

નમૂનો 3 — CFD પરિણામ ફાઇલમાંથી ગુણાંક કાઢવા માટેની સ્ક્રિપ્ટ:

CFD ફોર્સ રિપોર્ટમાંથી CSV (કૉલમ્સ: પુનરાવર્તન, Fx, Fy, Fz) Python સાથે: (a) છેલ્લા 500 પુનરાવર્તનોની સરેરાશ દ્વારા કન્વર્જ્ડCL અને CDની ગણતરી કરો; (b) છેલ્લા 500 પુનરાવૃત્તિઓનું પ્રમાણભૂત વિચલન લખો અને કન્વર્જન્સ તપાસવા માટે થ્રેશોલ્ડ સાથે તેની તુલના કરો; (c) હુમલાના સ્કેનના કોણ માટે CL-alpha પ્લોટ કરો. પરિમાણો તરીકે સંદર્ભ વિસ્તાર અને ગતિશીલ દબાણ સેટ કરો; ટિપ્પણી રેખાઓ સાથે એકાઉન્ટ સમજાવો.

નમૂનો 4 — સરોગેટ મોડલ આગાહી આત્મવિશ્વાસ ક્વેરી:

મેં જે ક્રીજીંગ પ્રોક્સી મોડલને તાલીમ આપી હતી તે નીચેની આગાહી માટે CL=0.71, અનિશ્ચિતતા(std) 0.02 આપે છે; ક્વેરી પોઈન્ટ એ તાલીમ શ્રેણીની [અંદર/બહાર] છે. (a) શું આ અનિશ્ચિતતાનું સ્તર નિર્ણય લેવા માટે પૂરતું છે, હું કેવી રીતે નિર્ણય લઈ શકું? (b) જો અનિશ્ચિતતા વધારે હોય, તો મારે કયા તબક્કે નવો CFD દાખલો (સક્રિય શિક્ષણ તર્ક) ઉમેરવો જોઈએ? (c) મારે સંપૂર્ણ CFD સાથે આ આગાહીની પુષ્ટિ ક્યારે કરવી જોઈએ?

મીની કેસો

કેસ 1 - બિન-કન્વર્જ્ડ પરિણામ પકડાયું છે. વિદ્યાર્થીને એરફોઇલ માટે CD=0.0065 પરિણામ મળે છે અને તે ખુશ થાય છે; પ્રોફાઇલ વર્ગ માટેની લાક્ષણિક સીડી 0.008-0.012 રેન્જમાં છે, પરિણામ ખૂબ સારું લાગે છે. AI દ્વારા સૂચવવામાં આવેલ કન્વર્જન્સ ચેકને લાગુ કરવું બતાવે છે કે છેલ્લા પુનરાવર્તનોમાં બળ ગુણાંક હજુ પણ ઓસીલેટ થાય છે (માનક વિચલન સરેરાશના 8%). જ્યારે સોલ્યુશન વધુ પુનરાવર્તનો સાથે કન્વર્જ થાય છે, ત્યારે તે CD = 0.0094 પર સ્થિર થાય છે. પાઠ: "ખૂબ સારું" પરિણામ ઘણીવાર બિન-કન્વર્જ્ડ પરિણામ હોય છે.

કેસ 2 - સરોગેટ મોડલની ઝડપ 200 ગણી વધી જાય છે. એક ટીમ 6 ભૌમિતિક પરિમાણો સાથેની એક પાંખ માટે 60 સંપૂર્ણ CFD રન (દરેક ~ 2 કલાક) ચલાવે છે અને ક્રિગિંગ સરોગેટ મોડલને તાલીમ આપે છે. પછી તે 40 સેકન્ડમાં પ્રોક્સી મોડલ સાથે 5000 ઉમેદવારોની ગોઠવણીને સ્કેન કરે છે, સંપૂર્ણ CFD સાથે શ્રેષ્ઠ 4 ઉમેદવારોને માન્ય કરે છે. કુલ 64 CFD રન સાથે, એક રફ અંદાજ 5000 રનની સમકક્ષ છે. સમયગાળો અઠવાડિયાથી બે દિવસ સુધી ઘટે છે. પાઠ: ખર્ચાળ સિમ્યુલેશન ફક્ત માન્યતા બિંદુઓ પર ચલાવો, દરેક બિંદુએ નહીં.

કેસ 3 - એક્સ્ટ્રાપોલેશન ટ્રેપ. એક એન્જિનિયર હુમલાના 3-12 ડિગ્રી કોણ સાથે પ્રશિક્ષિત સરોગેટ મોડેલને 18 ડિગ્રી પર લિફ્ટનો પ્રશ્ન પૂછે છે; મૉડલ CL=1.6 જેવું સરળ રીતે વધતું મૂલ્ય આપે છે. વાસ્તવમાં, પાંખ 15 ડિગ્રીની આસપાસ પકડ ગુમાવે છે અને લિફ્ટ ઘટે છે, પરંતુ સરોગેટ મોડેલ તેને સીધું લંબાવે છે કારણ કે તે આ ભૌતિકશાસ્ત્રને "જોતું" નથી. એન્જિનિયર ભૌતિક બુદ્ધિગમ્યતા તપાસ (સંલગ્નતાના નુકશાનની અપેક્ષા) સાથે પરિણામને નકારી કાઢે છે અને તે વિસ્તારમાં સંપૂર્ણ CFD ચલાવે છે. પાઠ: સરોગેટ મોડેલ તેની તાલીમ શ્રેણીની બહાર ભૌતિકશાસ્ત્ર જાણતું નથી.

સામાન્ય ભૂલો

• કન્વર્જન્સ માટે તપાસ નથી. બિન-કન્વર્જ્ડ સોલ્યુશનના ગુણાંક અર્થહીન છે; ગ્રાફની સુંદરતા કન્વર્જન્સની કોઈ ગેરેંટી નથી.
• નેટવર્ક સ્વતંત્રતા બાયપાસ. જો પરિણામ નેટવર્ક પર આધાર રાખે છે, તો વિવિધ નેટવર્ક્સ સાથે વિવિધ જવાબો બહાર આવે છે; કયું સાચું છે તે જાણી શકાતું નથી.
• સરોગેટ મોડેલમાં એક્સ્ટ્રાપોલેશન. તાલીમ શ્રેણીની બહારની આગાહી ગાણિતિક વિસ્તરણ આપે છે, ભૌતિક સત્ય નહીં.
• અનિશ્ચિતતાને અવગણવી. જો ક્રિગિંગ આગાહીની આત્મવિશ્વાસ માહિતીનો ઉપયોગ કરવામાં આવતો નથી, તો તે પ્રદેશ જ્યાં મોડેલ સૌથી વધુ વિશ્વાસ ધરાવે છે અને તે પ્રદેશ જ્યાં તે ઓછામાં ઓછો વિશ્વાસ ધરાવે છે તે સમાન ગણવામાં આવે છે.
• અશાંતિનું મોડેલ મનસ્વી રીતે પસંદ કરવું. ખોટો અશાંતિ મોડલ એક કન્વર્જ્ડ અને નેટવર્ક-સ્વતંત્ર ઉકેલને પણ શારીરિક રીતે ખોટો બનાવે છે.

સારાંશમાં

CFD એક શક્તિશાળી પરંતુ ખર્ચાળ સાધન છે; AI તેને બે જગ્યાએથી વેગ આપે છે: પ્રોસેસ મેનેજમેન્ટ (ઇન્સ્ટોલેશન, કોમેન્ટ, સ્ક્રિપ્ટ) અને સરોગેટ મોડલ્સ સાથે સેકન્ડોમાં મોટી ડિઝાઇન સ્પેસનું સ્કેનિંગ. સરોગેટ મોડેલને થોડી સંખ્યામાં સંપૂર્ણ CFD રન સાથે તાલીમ આપવામાં આવે છે, જેનો ઉપયોગ આત્મવિશ્વાસના અંતરાલ સાથે થાય છે અને શ્રેષ્ઠ ઉમેદવારોને સંપૂર્ણ CFD સાથે માન્ય કરવામાં આવે છે. કન્વર્જન્સ, નેટવર્ક સ્વતંત્રતા અને ભૌતિક બુદ્ધિગમ્યતા તપાસ્યા વિના કોઈપણ સુવ્યવસ્થિત પરિણામો સ્વીકારવામાં આવતાં નથી. AI પૂર્વધારણા અને ઝડપ આપે છે; ભૌતિકશાસ્ત્રનો અંતિમ મધ્યસ્થી ડેટા છે.

એપ્લિકેશન કાર્ય

એરફોઇલ અથવા સરળ ભૂમિતિ (પ્રતિનિધિ, વાસ્તવિક પ્રોજેક્ટ ડેટા નહીં) માટે CFD રન દૃશ્ય વ્યાખ્યાયિત કરો. AI નો ઉપયોગ કરીને, (a) પરિણામને માન્ય ગણતા પહેલા માન્યતાના પગલાઓની સૂચિ બનાવો, (b) એક પાયથોન સ્ક્રિપ્ટ છાપો જે પરિણામ ફાઇલમાંથી ગુણાંક કાઢે છે અને તેની તર્ક રેખા લાઇન દ્વારા તપાસો, (c) સરોગેટ મોડલ બનાવવાની યોજના તૈયાર કરો (કેટલા નમૂનાઓ, કઈ પદ્ધતિ, કેવી રીતે માન્ય કરવા). પરિણામની સામાન્ય શ્રેણી સાથે સરખામણી કરો અને તેની વાજબીતાનું મૂલ્યાંકન કરો.

ચેકલિસ્ટ

• [ ] મેં દરેક CFD પરિણામ માટે કન્વર્જન્સ ચેક કર્યું.
• [ ] મેં પ્રશ્ન કર્યો કે શું નેટવર્ક સ્વતંત્રતા દર્શાવવામાં આવી હતી.
• [ ] મેં લાક્ષણિક વર્ગ શ્રેણી સાથે CL/CD જેવા ગુણાંકની સરખામણી કરી.
• [ ] મેં સરોગેટ મોડલનો ઉપયોગ માત્ર તાલીમ શ્રેણીમાં જ કર્યો છે.
• [ ] મેં નિર્ણયમાં સરોગેટ મોડેલની આગાહીઓની અનિશ્ચિતતાને ધ્યાનમાં લીધી.
• [ ] મેં સંપૂર્ણ CFD સાથે શ્રેષ્ઠ ઉમેદવારોની ચકાસણી કરી.