નફો:
- સંરચિત ફોર્મેટમાં AI ને હલ ફોર્મ, પ્રતિકાર અને પ્રોપલ્શન પરિમાણો આપીને પ્રારંભિક કદ બદલવાની અને ડિઝાઇન શોધને ઝડપી બનાવવાની ક્ષમતા
- AI સપોર્ટ સાથે CFD (કમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ) અભ્યાસ, નેટવર્ક અને બાઉન્ડ્રી કન્ડિશન લોજિકના સેટઅપની ક્વેરી કરવાની ક્ષમતા
- મોડેલ પ્રયોગો, પ્રયોગમૂલક પદ્ધતિ અને ભૌતિક બુદ્ધિગમ્યતા સાથે AI ની હાઇડ્રોડાયનેમિક આગાહીઓને ક્રોસ-ચેક કરીને ફિટિંગ ગુણાંક અને પરિણામો મેળવવાની ક્ષમતા
વહાણની સમગ્ર અર્થવ્યવસ્થા તેના ડૂબી ગયેલા સ્વરૂપમાં છુપાયેલી હોય છે. જ્યારે હલનું સ્વરૂપ (હલ સ્વરૂપ; જહાજની પાણીની અંદરની અને સપાટીની હલની ભૂમિતિ) એક મિલીમીટરથી પણ બદલાય છે, ત્યારે તે જે બળતણ બાળશે, તે જે કાર્ગો વહન કરશે અને ઉત્સર્જન બિલ તે જહાજના સમગ્ર જીવન દરમિયાન બદલાશે. તેથી, ફોર્મ ડિઝાઇન અને હાઇડ્રોડાયનેમિક્સ (બોટની આસપાસ પાણીના પ્રવાહનું વિજ્ઞાન અને તેના કારણે થતા દળો) એ એવા તબક્કા છે જ્યાં નેવલ એન્જિનિયરિંગના સૌથી ખર્ચાળ નિર્ણયો લેવામાં આવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) આ તબક્કે ત્રણ કાર્યોને વેગ આપે છે: પ્રારંભિક કદ અને ડિઝાઇન સંશોધન, પ્રયોગમૂલક પ્રતિકાર પદ્ધતિઓનું સ્થાપન અને કોમ્પ્યુટેશનલ ફ્લુઇડ ડાયનેમિક્સ (CFD) અભ્યાસનું આયોજન.
પરંતુ ચાલો તેને શરૂઆતથી જ ખીલીએ: કોઈ પ્રતિકાર વળાંક નથી, AI દ્વારા આપવામાં આવેલ કોઈ ફોર્મ ગુણાંક મોડેલ પ્રયોગો અથવા માન્ય પદ્ધતિ દ્વારા પુષ્ટિ કર્યા વિના પ્રોપલ્શન નિર્ણયમાં ભાષાંતર કરતું નથી. પાણી સૂત્રો વાંચતું નથી; બોટની વાસ્તવિક વર્તણૂક માત્ર માપન અને ભૌતિક બુદ્ધિગમ્યતા દ્વારા જ જાણીતી છે. AI અહીં એક પ્રવેગક અને વિચાર જનરેટર છે; હાઇડ્રોડાયનેમિક્સ વાસ્તવિકતાના સાક્ષી નથી.
વિભાવનાઓ: પ્રતિકાર: બોટ આગળ વધતી વખતે તેના પર પાણી દ્વારા લગાવવામાં આવેલ વિરોધી બળ; તે ઘર્ષણ, તરંગ અને વમળ ઘટકો ધરાવે છે. બ્લોક ગુણાંક (Cb): હલના પાણીની અંદરના જથ્થાનો તેની આસપાસના લંબચોરસ પ્રિઝમનો ગુણોત્તર; પૂર્ણતાનું માપ છે. ફ્રાઉડ નંબર (Fn): બોટની લંબાઈને લગતી ઝડપને લગતી પરિમાણહીન સંખ્યા; તરંગ પ્રતિકાર નક્કી કરે છે. પ્રોપલ્શન કાર્યક્ષમતા: એન્જિન દ્વારા ઉત્પાદિત કેટલી શક્તિ અસરકારક થ્રસ્ટમાં રૂપાંતરિત થાય છે. EHP/DHP: અસરકારક શક્તિ (અસરકારક હોર્સ પાવર, બોટના પ્રતિકારને દૂર કરવા માટે જરૂરી શક્તિ) અને વિતરિત શક્તિ (ડિલિવર્ડ હોર્સ પાવર, પ્રોપેલર સુધી પહોંચતી શક્તિ).
પ્રારંભિક કદ અને ડિઝાઇન સંશોધન
ફોર્મ ડિઝાઇન એ શોધ સમસ્યા છે: મુખ્ય પરિમાણો (લંબાઈ Lpp, પહોળાઈ B, ડ્રાફ્ટ T), ફોર્મ ગુણાંક (Cb, પ્રિઝમેટિક ગુણાંક Cp, મધ્ય-વિભાગ ગુણાંક Cm) અને ઝડપ વચ્ચે અનંત સંયોજનો છે. શાસ્ત્રીય પદ્ધતિમાં, એન્જિનિયર સમાન જહાજો (મુખ્ય લંબાઈની શ્રેણી, રીગ્રેસન સંબંધો) ના ડેટાથી પ્રારંભ કરે છે. AI આ શોધને વેગ આપે છે: મિનિટોમાં તે ડઝનેક ઉમેદવારોના મોટા કદના સંયોજનો, દરેકનું અંદાજિત વિસ્થાપન અને L/B, B/T ગુણોત્તર લાક્ષણિક રેન્જમાં આવે છે કે કેમ તે ટેબ્યુલેટ કરે છે.
અહીં સ્ટેપ બાય સ્ટેપ પ્રોસેસ છે. પ્રથમ પગલું એ મિશનની જરૂરિયાતને ઠીક કરવાનું છે: વહન કરવાનો કાર્ગો, શ્રેણી, સેવાની ગતિ, ચેનલ/પોર્ટની મર્યાદાઓ (દા.ત. પનામા, સુએઝ પહોળાઈ-ડ્રાફ્ટ મર્યાદા). બીજું પગલું એ જહાજના સમાન ડેટા સાથે પ્રથમ મુખ્ય લંબાઈને આશરે નક્કી કરવાનું છે. ત્રીજું પગલું એ સ્પીડ-પાસા રેશિયો (ફ્રાઉડ નંબર) અનુસાર વાજબી શ્રેણીમાં ફોર્મ ગુણાંક પસંદ કરવાનું છે. ચોથું પગલું એ પ્રયોગમૂલક પદ્ધતિ (દા.ત. હોલ્ટ્રોપ-મેનેન રીગ્રેસન) દ્વારા પ્રતિકાર અને શક્તિનો પ્રારંભિક અંદાજ બનાવવાનું છે. આ દરેક પગલા પર, AI ફોર્મ્યુલા બનાવે છે અને સંખ્યાઓ જનરેટ કરે છે; પરંતુ તે હિતાવહ છે કે તમે દરેક ગુણાંકનો સ્ત્રોત પૂછો અને લાક્ષણિક શ્રેણી સાથે તેની તુલના કરો.
ટીપ: જ્યારે તમારી પાસે AI ફોર્મ ગુણાંક સૂચવે છે, ત્યારે પૂછો "શું આ Cb મૂલ્ય આ Froude નંબર માટે લાક્ષણિક છે; તે કઈ શ્રેણીમાં આવવું જોઈએ?" ઉદાહરણ તરીકે, હાઇ-સ્પીડ સ્વરૂપમાં, સંપૂર્ણ Cb (0.80+) તરંગ પ્રતિકારને વિસ્ફોટ કરે છે; AI તમને આની યાદ અપાવી શકે છે, પરંતુ સમાન શિપ ડેટા સાથે અંતિમ પસંદગી તમારી છે.
CFD સેટઅપમાં પ્રયોગમૂલક પદ્ધતિ અને AI
પ્રારંભિક તબક્કામાં, પ્રતિકારનો અંદાજ મોડેલ પ્રયોગોને બદલે પ્રયોગમૂલક રીગ્રેસન પદ્ધતિઓ દ્વારા કરવામાં આવે છે. હોલ્ટ્રોપ-મેનેન જેવી પદ્ધતિઓ તેના ઘટકોમાં પ્રતિકારને તોડી નાખે છે: ઘર્ષણ પ્રતિકાર, ફોર્મ અસર, તરંગ પ્રતિકાર, બલ્જ અને હવા પ્રતિકાર, જહાજોના વિશાળ ડેટાબેઝમાંથી મેળવેલા સૂત્રો સાથે. AI આ પદ્ધતિના પગલાંને યાદ કરે છે, મધ્યવર્તી ગુણાંકની ગણતરી કરે છે અને સ્પ્રેડશીટનું હાડપિંજર બનાવે છે. પરંતુ પદ્ધતિની તેની માન્યતા મર્યાદા છે: હોલ્ટ્રોપ ચોક્કસ Cb, Fn અને L/B રેન્જ માટે લેવામાં આવે છે; જો તમે આ શ્રેણીની બહાર જશો, તો પરિણામ અવિશ્વસનીય હશે. AI એ તમને આ મર્યાદાની યાદ અપાવવી જોઈએ; જો તે તમને યાદ ન કરાવે, તો તમારે પૂછવું જોઈએ.
CFD બાજુએ, AI ઉકેલ પોતે જ કરતું નથી, પરંતુ તે તમને સેટઅપની ક્વેરી કરવામાં મદદ કરે છે: મેશ રિઝોલ્યુશન ક્યાં કડક હોવું જોઈએ, બાઉન્ડ્રી લેયર માટે સેલની પ્રારંભિક ઊંચાઈ (y+) કેટલી હોવી જોઈએ, શા માટે ટર્બ્યુલન્સ મોડલ (કે-ω SST જેવું) પસંદ કરવામાં આવે છે, કન્વર્જન્સને કેવી રીતે નિયંત્રિત કરવું. આ શિક્ષક-વિદ્યાર્થી સંવાદ છે; જે આંકડાકીય પરિણામની પુષ્ટિ કરે છે તે છે જાળીદાર સ્વતંત્રતા અભ્યાસ (મેશ સ્વતંત્રતા; જ્યારે તમે નેટવર્કને કડક કરો ત્યારે પરિણામ બદલાતું નથી) અને જો શક્ય હોય તો, મોડેલ પ્રયોગ માપાંકન.
પદ્ધતિ
શું આપે છે
મજબૂત બિંદુ
મર્યાદા/ચકાસણી
સમાન જહાજ/રીગ્રેશન
પ્રથમ મુખ્ય કદ, જડ બળ
ખૂબ જ ઝડપી, ડેટા સસ્તો છે
માત્ર સમાન ભૂમિતિ માટે માન્ય
હોલ્ટ્રોપ-મેનેન
ઘટક પ્રતિકાર વળાંક
ફ્રન્ટ ડિઝાઇન માટે માનક
Cb/Fn/L·B શ્રેણી મર્યાદા; મોડેલની પુષ્ટિની જરૂર છે
CFDs
વિગતવાર પ્રવાહ, દબાણ ક્ષેત્ર
સ્થાનિક અસરો જુએ છે
નેટવર્ક અને ટર્બ્યુલન્સ મોડેલ પ્રત્યે સંવેદનશીલ; માપાંકન જરૂરી છે
મોડેલ પ્રયોગ (પૂલ)
વાસ્તવિક પ્રતિકાર માપ્યો
સૌથી વિશ્વસનીય
ખર્ચાળ, સમય માંગી લે તેવું; સ્કેલ અસર કરેક્શન
મીની કેસો
કેસ 1 — ફીટ કરેલ કરેક્શન ગુણાંક. એક ટીમ 190 મીટર ટેન્કર માટે હોલ્ટ્રોપ સાથે કુલ ખેંચની ગણતરી 620 kN તરીકે કરે છે. જ્યારે તેઓ AI ને "પરિણામ સુધારવા" કહે છે, ત્યારે મોડેલ અજાણ્યા મૂળનું "0.80 ફોર્મ કરેક્શન ગુણક" ઉમેરે છે, જે પ્રતિકારને 496 kN સુધી ઘટાડે છે. આ 20% ઘટાડો લગભગ એક યજમાન વર્ગ દ્વારા પ્રોપલ્શન ઘટાડે છે. ટીમ ગુણકના આધાર વિશે પૂછે છે; AI સ્ત્રોતો ટાંકી શકતું નથી. જ્યારે તેઓ મોડેલ ટેસ્ટ ડેટા સાથે તેની સરખામણી કરે છે, ત્યારે તેઓ જુએ છે કે વાસ્તવિક પ્રતિકાર લગભગ 610 kN છે. પાઠ: સ્ત્રોત વિના કોઈ સુધારણા પરિબળ પરિણામમાં પ્રવેશતું નથી.
કેસ 2 — Froude મર્યાદા ઓળંગવી. એક વિદ્યાર્થી પાસે 50 મીટર ફેરીના પ્રતિકારની ગણતરી કરવા માટે હોલ્ટ્રોપ છે જે 30 નોટની સર્વિસ સ્પીડનું લક્ષ્ય રાખે છે. આ લંબાઈ-સ્પીડ માટે ફ્રાઉડ નંબર વધીને ~0.70 થાય છે; હોલ્ટ્રોપની વિશ્વસનીય શ્રેણીની ઉપર. AI પ્રથમ સ્પષ્ટ કર્યા વિના પરિણામો આપે છે. જ્યારે વિદ્યાર્થી માન્યતા શ્રેણી વિશે પૂછે છે, ત્યારે તે તારણ આપે છે કે પદ્ધતિ આ શાસનમાં યોગ્ય નથી અને પ્લેનર/સેમી-ડિસ્પ્લેસમેન્ટ ફોર્મ્સ માટે અલગ પદ્ધતિ (સાવિત્સ્કી, વગેરે) જરૂરી છે. પાઠ: દરેક પ્રયોગમૂલક પદ્ધતિની માન્યતા પરબિડીયું પર પ્રશ્ન કરો.
કેસ 3 — નેટવર્કમાંથી ભૂલ. CFD અભ્યાસમાં AI બરછટ જાળી સાથે પ્રતિકાર 540 kN આપે છે. જ્યારે એન્જિનિયર નેટવર્કને સજ્જડ કરે છે અને સ્વતંત્રતા અભ્યાસ કરે છે, ત્યારે પરિણામ 605 kN છે; પ્રારંભિક મૂલ્ય 11% નીચું હતું કારણ કે એફ્ટ વેવ ફિલ્ડ પૂરતા પ્રમાણમાં ઉકેલાયું ન હતું. પાઠ: નેટવર્ક સ્વતંત્રતા અભ્યાસ વિના CFD પરિણામ વિશ્વસનીય ગણી શકાય નહીં.
નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ
નમૂનો 1 — પ્રી-સાઇઝિંગ એક્સપ્લોરેશન:
ભૂમિકા: તમે શિપ પ્રિલિમિનરી ડિઝાઇન કન્સલ્ટન્ટ છો. સંદર્ભ (પ્રતિનિધિ): બલ્ક કેરિયર માટે પેલોડ ~40,000 t, સર્વિસ સ્પીડ ~14.5 નોટ્સ, સુએઝ ડ્રાફ્ટ મર્યાદામાં. કાર્ય: 1) 4 ઉમેદવારોની મુખ્ય લંબાઈના સંયોજનોની ભલામણ કરો (Lpp, B, T).2) દરેક ઉમેદવાર માટે B/T, B/T, B/T, એપ્લિકેશન ડિસપ્લેસ કરો. ver.3) ચિહ્નિત કરો કે કયા ગુણોત્તરો લાક્ષણિક શ્રેણીની બહાર આવે છે. નિયંત્રણ: દરેક સંખ્યાનું એકમ લખો; તમે ઉપયોગ કરી રહ્યાં છો તે રીગ્રેસન/ડેટાબેઝનો ઉલ્લેખ કરો; અંતિમ નિર્ણય ન લો, ઉમેદવાર સબમિટ કરો.
નમૂનો 2 — હોલ્ટ્રોપ રેઝિસ્ટર ગણતરીને ગોઠવી રહ્યું છે:
હોલ્ટ્રોપ-મેનેન પદ્ધતિ સાથે પ્રારંભિક પ્રતિકાર ગણતરી માળખું સેટ કરો. ઇનપુટ્સ (પ્રતિનિધિ): Lpp, B, T, Cb, Cp, સેવાની ગતિ, ભીનું ક્ષેત્ર. મને જોઈએ છે:1) પ્રતિકાર ઘટકોને અલગથી સૂચિબદ્ધ કરો (ઘર્ષણ, સ્વરૂપ, તરંગ, પ્રક્ષેપણ, હવા). 2) તમે દરેક ઘટક માટે ઉપયોગ કરો છો તે સૂત્ર અને ગુણાંક લખો. 3) પદ્ધતિની માન્યતા શ્રેણી (Cb, Fn, L/B) સ્પષ્ટ કરો અને મારા ઇનપુટ્સ આ શ્રેણીમાં છે કે કેમ તે તપાસો. et.4) મોડેલ પ્રયોગ સાથે પરિણામ કેવી રીતે માપાંકિત કરવું તે ઉમેરો.
નમૂનો 3 — CFD સેટઅપ ક્વેરી:
હું બોટ રેઝિસ્ટન્સ CFD અભ્યાસ સેટ કરી રહ્યો છું. નીચેના નિર્ણયોને વાજબીતા સાથે સમજાવો અને મૂલ્યોની લાક્ષણિક શ્રેણી આપો: - ટર્બ્યુલન્સ મોડેલની પસંદગી અને કારણ - નજીક-દિવાલ ઉકેલ (y+ લક્ષ્ય) અને પ્રારંભિક કોષની ઊંચાઈ - મુક્ત સપાટી (VOF) સેટિંગ્સ - કન્વર્જન્સ અને મેશ સ્વતંત્રતા કેવી રીતે તપાસવી દરેક સૂચન માટે "હું આ કેવી રીતે ચકાસી શકું" લાઇન ઉમેરો.
નમૂનો 4 — પરિણામ વ્યાજબીતા તપાસો:
નીચેના પ્રતિકાર/શક્તિ પરિણામની ટીકા કરો:[EHP, DHP, ઝડપ, પ્રતિકાર મૂલ્યો પેસ્ટ કરો]1) શું આ કદના જહાજ માટે તીવ્રતાનો ક્રમ લાક્ષણિક છે? 2) શું તમારી પ્રોપલ્શન કાર્યક્ષમતા ધારણા વાજબી છે (સામાન્ય રીતે 0.55-0.70)? 3) પ્રતિરોધક ગતિથી ગણતરી કરો, તે કોઈપણ પ્રતિરોધક ચિહ્નિત કરે છે? શંકાસ્પદ અથવા પાયા વગરના મૂલ્યો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ બોટ માટે શ્રેષ્ઠ સ્વરૂપ અને પ્રતિકાર વળાંક આપો.
શક્તિશાળી પ્રોમ્પ્ટ:
ભૂમિકા: તમે હાઇડ્રોડાયનેમિક પ્રિલિમિનરી ડિઝાઇન કન્સલ્ટન્ટ છો. સંદર્ભ (પ્રતિનિધિ, વાસ્તવિક પ્રોજેક્ટ નહીં): Lpp ~180 m, B ~ 32 m, T ~ 12.5 m, Cb ~ 0.84, સેવાની ઝડપ ~ 14.5 નોટ્સ. કાર્ય: હોલ્ટ્રોપ પદ્ધતિ દ્વારા ઘટકના પ્રારંભિક પ્રતિકારનો અંદાજ કાઢો; દરેક ગુણાંકનો સ્ત્રોત અને પદ્ધતિની માન્યતા શ્રેણી લખો. અવરોધ: સ્ત્રોત વિના સુધારણા પરિબળ ઉમેરો. મોડેલ પરીક્ષણ સાથે પરિણામ કેવી રીતે ચકાસવું અને મારે કયા માપ લેવાની જરૂર છે તેની સૂચિ બનાવો. રાજ્ય એકમો (kN, kW, knots) સ્પષ્ટપણે.
નબળા પ્રોમ્પ્ટ ફોર્મ "શ્રેષ્ઠ" અવ્યાખ્યાયિત છોડી દે છે અને તેને માન્યતાની જરૂર નથી; મજબૂત પ્રોમ્પ્ટ સંદર્ભ, પદ્ધતિ, માન્યતા મર્યાદા અને ચકાસણી પાથની વિનંતી કરે છે.
સામાન્ય ભૂલો
- માન્યતા પરબિડીયું અવગણીને. હોલ્ટ્રોપ અથવા અન્ય કોઈપણ રીગ્રેસનનો ઉપયોગ તે શ્રેણીની બહાર જેમાંથી તે મેળવવામાં આવ્યો હતો તે વાજબી દેખાતો પણ ખોટો પ્રતિકાર આપે છે.
- અનસોર્સ્ડ કરેક્શન ફેક્ટર અપનાવવું. "સુધારો" કહો અને AI જે મામૂલી ગુણાંક ઉમેરે છે તે પરિણામને શાંતિપૂર્વક વિકૃત કરે છે.
- નેટવર્ક સ્વતંત્રતા વિના CFD નો ઉપયોગ કરવો. બરછટ જાળી સખત તરંગ અને વમળ ક્ષેત્રને હલ કરી શકતી નથી; પ્રતિકાર ઓછો થાય છે.
- સ્કેલ ઇફેક્ટને ભૂલી જવું. જ્યારે સંપૂર્ણ સ્કેલ પર જતા હોય ત્યારે મોડેલ પ્રયોગના પરિણામને ઘર્ષણ સુધારણા (ITTC પદ્ધતિ)ની જરૂર હોય છે; AI આને બાયપાસ કરી શકે છે.
- ડિસ્પેચ કાર્યક્ષમતાને આશાવાદી રીતે લેવું. જો પ્રતિકાર યોગ્ય હોય તો પણ, વધુ પડતી આશાવાદી ડ્રાઇવ કાર્યક્ષમતા જરૂરી મશીન શક્તિને ઓછો અંદાજ આપે છે.
સારાંશમાં
AI હલ ફોર્મ શોધ, પ્રયોગમૂલક પ્રતિકાર ગણતરી સેટઅપ અને CFD રન આયોજનને વેગ આપે છે; મિનિટોમાં ડઝનેક ઉમેદવારોના ફોર્મને તુલનાત્મક બનાવે છે. પરંતુ દરેક પ્રયોગમૂલક પદ્ધતિમાં માન્યતા પરબિડીયું હોય છે, દરેક CFD પરિણામમાં નેટવર્ક નિર્ભરતા હોય છે, અને દરેક પૂર્ણ-સ્કેલ અંદાજમાં સ્કેલ કરેક્શન હોય છે. AI દ્વારા ઉત્પાદિત પ્રતિકાર અને શક્તિ મૂલ્યો મોડેલ પ્રયોગો, પ્રયોગમૂલક પુષ્ટિ અને ભૌતિક બુદ્ધિગમ્યતાના ફિલ્ટરમાંથી પસાર થયા પછી જ રેફરલ નિર્ણયમાં અનુવાદિત થઈ શકે છે.
એપ્લિકેશન કાર્ય
પ્રતિનિધિ જહાજ માટે (દા.ત. Lpp ~ 150 m, B ~ 25 m, T ~ 9 m, Cb ~ 0.75, ઝડપ ~ 15 knots), હોલ્ટ્રોપ પદ્ધતિનો ઉપયોગ કરીને AI ની પ્રારંભિક ડ્રેગ અને EHP ની ગણતરી કરો. પછી "નિષ્કર્ષ બુદ્ધિગમ્યતા તપાસ" ટેમ્પલેટને લાગુ કરીને તીવ્રતા અને ડિસ્પેચ કાર્યક્ષમતા ધારણાના ક્રમની ક્વેરી કરો. પદ્ધતિની માન્યતા શ્રેણી માટે AI ને પૂછો અને તમારા ઇનપુટ્સ આ શ્રેણીમાં છે કે કેમ તે તપાસો. તમને મળી આવેલી ઓછામાં ઓછી એક અસંગતતા અને તમે તેને અડધા પૃષ્ઠમાં કેવી રીતે ચકાસ્યું તેની જાણ કરો.
ચેકલિસ્ટ
- [ ] મેં મારા ઇનપુટ્સ સાથે ઉપયોગમાં લીધેલી પ્રયોગમૂલક પદ્ધતિની માન્યતા શ્રેણીની સરખામણી કરી.
- [ ] મેં પૂછ્યું અને એઆઈએ ઉમેરેલા દરેક સુધારા પરિબળના સ્ત્રોતની પુષ્ટિ કરી.
- [ ] મેં પ્રતિકાર અને શક્તિના પરિણામોની સરખામણી સામાન્ય જહાજ સાથે તીવ્રતાના ક્રમ સાથે કરી.
- [ ] જો મેં CFD નો ઉપયોગ કર્યો હોય, તો મેં નેટવર્ક સ્વતંત્રતા અભ્યાસનું આયોજન/પ્રદર્શન કર્યું.
- [ ] મેં ચકાસ્યું છે કે ડિસ્પેચ કાર્યક્ષમતા ધારણા વાજબી શ્રેણીની અંદર છે.
- [ ] મેં મોડલ પ્રયોગ/ માન્ય પદ્ધતિ પર અંતિમ પ્રોપલ્શન નિર્ણય પર આધાર રાખ્યો.