മോഡൽ അടിസ്ഥാനമാക്കിയുള്ള ഡിസൈനും സിമുലേഷനും

നേട്ടങ്ങൾ:

• AI ഉപയോഗിച്ച് ഒരു സിസ്റ്റത്തിൻ്റെ ഡിഫറൻഷ്യൽ ഇക്വേഷൻ മോഡൽ നിർമ്മിക്കാനും അത് പൈത്തണിൽ അനുകരിക്കാനുമുള്ള കഴിവ്
• AI-യുടെ സഹായത്തോടെ സിമുലേഷൻ ഫലങ്ങൾ (ഘട്ട പ്രതികരണം, സ്ഥിരത) വ്യാഖ്യാനിക്കാനുള്ള കഴിവ്
• മോഡൽ അനുമാനങ്ങളുടെ പരിധിയും യഥാർത്ഥ സിസ്റ്റവുമായുള്ള അവയുടെ അനുയോജ്യതയും പരിശോധിക്കുന്നതിനുള്ള അച്ചടക്കം പ്രയോഗിക്കാനുള്ള കഴിവ്

ഭൗതികമായി ഒരു മെക്കാട്രോണിക് സിസ്റ്റം നിർമ്മിക്കുന്നതിന് മുമ്പ്, നിങ്ങൾക്ക് അത് ഒരു മോഡലിൽ മനസിലാക്കാനും രൂപകൽപ്പന ചെയ്യാനും പരിശോധിക്കാനും കഴിയും. മോഡൽ അടിസ്ഥാനമാക്കിയുള്ള ഡിസൈൻ; ഡിഫറൻഷ്യൽ ഇക്വേഷനുകളോ ബ്ലോക്ക് ഡയഗ്രമുകളോ ഉള്ള ഒരു സിസ്റ്റത്തിൻ്റെ സ്വഭാവത്തെ പ്രതിനിധീകരിക്കാനും അത് സിമുലേഷനിൽ പ്രവർത്തിപ്പിക്കാനും ഒരു കൺട്രോളർ രൂപകൽപ്പന ചെയ്യാനും പരിശോധിക്കാനുമുള്ള ഒരു സമീപനമാണിത്. ഇതിന് വലിയ മൂല്യമുണ്ട്: നിങ്ങൾക്ക് നൂറുകണക്കിന് സാഹചര്യങ്ങൾ പരീക്ഷിക്കാനും സ്ഥിരത പ്രവചിക്കാനും ഹാർഡ്‌വെയറിനെ അപകടപ്പെടുത്താതെ തന്നെ കൺട്രോളർ നേട്ടങ്ങൾ സുരക്ഷിതമായി ക്രമീകരിക്കാനും കഴിയും. ഈ പ്രക്രിയയിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു ശക്തമായ സഹായിയാണ്: ഇത് ഒരു സിസ്റ്റത്തിൻ്റെ സമവാക്യം നിർമ്മിക്കുന്നു, പൈത്തണിൽ അതിൻ്റെ സിമുലേഷൻ എഴുതുന്നു, ഫലങ്ങൾ വ്യാഖ്യാനിക്കുന്നു. എന്നാൽ മാതൃക ഭൂപടമാണ്, ഭൂപ്രദേശമല്ല; മോഡൽ യാഥാർത്ഥ്യത്തെ (സാധുവാക്കൽ) എത്ര നന്നായി പ്രതിനിധീകരിക്കുന്നു എന്ന് നിർണ്ണയിക്കേണ്ടത് എഞ്ചിനീയറുടെ ഉത്തരവാദിത്തമാണ്. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ ഒരു മോഡൽ നിർമ്മിക്കുകയും അതിനെ അനുകരിക്കുകയും AI ഉപയോഗിച്ച് മോഡലിൻ്റെ പരിധികൾ പരിശോധിക്കുകയും ചെയ്യുന്നു.

എന്താണ് ഒരു മോഡൽ, എന്താണ് അത് അവഗണിക്കുന്നത്?

ഒരു മാതൃക എന്നത് യാഥാർത്ഥ്യത്തിൻ്റെ ഉദ്ദേശ്യത്തോടെ നിർമ്മിച്ച ലളിതമായ പ്രാതിനിധ്യമാണ്. ഉദാഹരണത്തിന്, ഒരു ഡിസി മോട്ടോറിൻ്റെ ലളിതമായ മോഡൽ ഇലക്ട്രിക്കൽ, മെക്കാനിക്കൽ സമവാക്യങ്ങൾ ഉപയോഗിച്ച് സ്ഥാപിച്ചിട്ടുണ്ട്, പക്ഷേ ഇതിന് ഘർഷണം, ഗിയർ ബാക്ക്‌ലാഷ്, താപനില പ്രഭാവം എന്നിവയുടെ രേഖീയമല്ലാത്ത ഭാഗം അവഗണിക്കാൻ കഴിയും. ഈ ഒഴിവാക്കലുകൾ മോഡലിനെ ഉപയോഗപ്രദമാക്കുകയും അതിൻ്റെ സാധുതയുടെ പരിധി നിശ്ചയിക്കുകയും ചെയ്യുന്നു.

മോഡലിലാണ്

പലപ്പോഴും അവഗണിക്കപ്പെടുന്നു

പിണ്ഡം, ജഡത്വം, പ്രതിരോധം, പ്രേരണ

രേഖീയമല്ലാത്ത ഘർഷണം, തിരിച്ചടി

അടിസ്ഥാന ചലനാത്മക സമവാക്യങ്ങൾ

സാച്ചുറേഷൻ, ഡെഡ് സോൺ

അനുയോജ്യമായ സെൻസർ / ആക്യുവേറ്റർ

അളക്കൽ ശബ്ദം, കാലതാമസം

നിശ്ചിത പാരാമീറ്ററുകൾ

താപനില മാറുന്ന പരാമീറ്ററുകൾ

പ്രധാന തത്വം: "എല്ലാ മോഡലുകളും തെറ്റാണ്, ചിലത് ഉപയോഗപ്രദമാണ്." മോഡൽ പ്രവർത്തിക്കുന്നുണ്ടോ എന്നത് അത് ഒഴിവാക്കുന്ന കാര്യങ്ങൾ നിങ്ങളുടെ പ്രവർത്തന ശ്രേണിയിൽ പ്രധാനമാണോ എന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു.

ഒരു ഡിസി മോട്ടോർ മോഡൽ നിർമ്മിക്കുകയും അനുകരിക്കുകയും ചെയ്യുന്നു

ഒരു DC മോട്ടോറിൻ്റെ ഒരു ലളിതമായ സ്റ്റേറ്റ്-സ്പേസ് മോഡൽ കോണീയ പ്രവേഗം ω, കറൻ്റ് i എന്നിവ ഉപയോഗിച്ച് എഴുതിയിരിക്കുന്നു. AI-ന് ഈ സമവാക്യങ്ങൾ സജ്ജീകരിക്കാനും അവയെ പൈത്തണിൽ സ്‌കൈപ്പി ഉപയോഗിച്ച് അനുകരിക്കാനും കഴിയും:

scipy-ൽ നിന്ന് nppy ആയി ഇറക്കുമതി ചെയ്യുക. import solve_ivpimport matplotlib.pyplot plt# DC മോട്ടോർ പാരാമീറ്ററുകളായി സംയോജിപ്പിക്കുക (സാമ്പിൾ മൂല്യങ്ങൾ -- യഥാർത്ഥ ഡാറ്റാഷീറ്റിൽ നിന്ന് എടുക്കേണ്ടതാണ്)J = 0.01 # ജഡത്വം (kg*m^2)b = 0.1 # വിസ്കോസ് friction (kg*m^2)b = 0.1 # വിസ്കോസ് friction (Nm/A, V*s/rad)R = 1.0 # പ്രതിരോധം (ഓം)L = 0.5 # ഇൻഡക്‌ടൻസ് (H)def motor_dynamigi(t, x, V): """ x = [omega, i]. V = അപ്ലൈഡ് വോൾട്ടേജ്.""" ഒമേഗ, i = x domega = (K * i - b * omega) / JQuation ഒമേഗ) / L # വൈദ്യുത സമവാക്യം റിട്ടേൺ [domega, di # 12 വി സ്റ്റെപ്പ് ഇൻപുട്ടുള്ള സിമുലേഷൻ (സ്ഥിരീകരണം):omega_ss_theoretical = K * V / (R * b + K**2)print(f"Simulation final speed: {omega[-1]:.2f} rad/s")print (f") {omega_ss_theoretical:.2f} rad/s")

ഇവിടെയുള്ള മൂല്യനിർണ്ണയ രേഖ വളരെ നിർണായകമാണ്: സിമുലേഷൻ വഴി നേടിയ സ്ഥിരമായ വേഗതയെ ഞങ്ങൾ കൈയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ സൈദ്ധാന്തിക ഫോർമുലയുമായി താരതമ്യം ചെയ്യുന്നു (K·V/(R·b+K²)). രണ്ടും പൊരുത്തപ്പെടുന്നെങ്കിൽ, സിമുലേഷനിലുള്ള നമ്മുടെ ആത്മവിശ്വാസം വർദ്ധിക്കും; അവ പൊരുത്തപ്പെടുന്നില്ലെങ്കിൽ, സമവാക്യത്തിലോ കോഡിലോ ഒരു പിശകുണ്ട്. AI നിർമ്മിക്കുന്ന ഓരോ സിമുലേഷനും അത്തരമൊരു സ്വതന്ത്ര ഹാഷ് പോയിൻ്റ് കണ്ടെത്തുക.

നുറുങ്ങ്: നിങ്ങൾക്ക് ഒരു സിസ്റ്റം സിമുലേറ്റ് ചെയ്യാൻ AI ഉള്ളപ്പോൾ, "എനിക്ക് ഫലം പരിശോധിക്കാൻ കഴിയുന്ന ഒരു സൈദ്ധാന്തിക/വിശകലന ചെക്ക് പോയിൻ്റും തരൂ" എന്ന് പറയുക. സ്ഥിരമായ മൂല്യം, സംരക്ഷണ നിയമം, ഊർജ്ജ ബാലൻസ് മുതലായവ പോലെയുള്ള ഒരു സ്വതന്ത്ര പരിശോധനയാണ് കോഡ് പിശകുകൾ കണ്ടെത്താനുള്ള ഏറ്റവും വേഗതയേറിയ മാർഗം.

ഘട്ടം പ്രതികരണവും സ്ഥിരതയും

സിമുലേഷനിൽ നിന്ന് നിങ്ങൾ വായിക്കുന്ന അടിസ്ഥാന സ്വഭാവങ്ങൾ:

• ഉയരുന്ന സമയം: ലക്ഷ്യത്തിൻ്റെ ഒരു നിശ്ചിത ഭാഗത്തേക്ക് ഔട്ട്പുട്ട് എത്താൻ എടുക്കുന്ന സമയം.
• ഓവർഷൂട്ട്: ഇത് ലക്ഷ്യത്തേക്കാൾ എത്രമാത്രം കവിയുന്നു.
• തീർപ്പാക്കൽ സമയം: ടാർഗെറ്റ് ബാൻഡിൽ സ്ഥിരമാകാൻ എടുക്കുന്ന സമയം.
• സ്ഥിരത: പ്രതികരണം പരിമിതമായി തുടരുമോ അതോ അനന്തതയിലേക്ക് വളരുമോ?

മോഡൽ അടിസ്ഥാനമാക്കിയുള്ള രൂപകൽപ്പനയുടെ ഏറ്റവും നിർണായകമായ ഫലമാണ് സ്ഥിരത. ഒരു സിസ്റ്റത്തിൻ്റെ ധ്രുവങ്ങൾ (ട്രാൻസ്ഫർ ഫംഗ്‌ഷൻ്റെ ഡിനോമിനേറ്ററിൻ്റെ വേരുകൾ) ഇടത് പകുതി തലത്തിലാണെങ്കിൽ, സിസ്റ്റം സ്ഥിരതയുള്ളതാണ്; വലത് പകുതി തലത്തിലേക്ക് നീങ്ങുന്ന ഒരു ധ്രുവം അസ്ഥിരത എന്നാണ് അർത്ഥമാക്കുന്നത്. AI-ക്ക് ഒരു സിസ്റ്റത്തിൻ്റെ ധ്രുവത കണക്കാക്കാനും അതിൻ്റെ സ്ഥിരത വ്യാഖ്യാനിക്കാനും കഴിയും:

np# ആയി numpy ഇറക്കുമതി ചെയ്യുക ഉദാഹരണം: സ്വഭാവ ബഹുപദ ഗുണകങ്ങൾ [1, a2, a1, a0]ഗുണകങ്ങൾ = [1, 3, 3, 1] വേരുകൾ = np.roots(ഗുണകങ്ങൾ) പ്രിൻ്റ് ("പോളുകൾ:", വേരുകൾ) സ്ഥിരത = np.all(np.reals) <0) സിസ്റ്റം സ്ഥിരതയുള്ളത്) # എല്ലാം യഥാർത്ഥ ഭാഗങ്ങൾ നെഗറ്റീവ് ആണോ?

മോഡൽ പരിശോധന (സാധുവാക്കൽ)

ഒരു മാതൃക നിർമ്മിച്ച് അതിനെ അനുകരിക്കാൻ മാത്രം പോരാ; മോഡൽ യാഥാർത്ഥ്യത്തെ പ്രതിനിധീകരിക്കുന്നുവെന്ന് നിങ്ങൾ തെളിയിക്കേണ്ടതുണ്ട്. സ്ഥിരീകരണ ഘട്ടങ്ങൾ:

1. അനലിറ്റിക്സ് നൽകുക: സ്ഥിരമായ അവസ്ഥ, സംരക്ഷണ നിയമങ്ങൾ പോലുള്ള സ്വതന്ത്ര നിയന്ത്രണങ്ങളുമായി താരതമ്യം ചെയ്യുക.
2. പാരാമീറ്റർ ഉറവിടം: മോഡൽ പാരാമീറ്ററുകൾ (ജെ, കെ, ആർ...) യഥാർത്ഥത്തിൽ അളക്കുന്നത്/ഡാറ്റാഷീറ്റ് അല്ലെങ്കിൽ എസ്റ്റിമേറ്റ് ആണോ?
3. പരീക്ഷണാത്മക താരതമ്യം: സാധ്യമെങ്കിൽ, യഥാർത്ഥ സിസ്റ്റത്തിൻ്റെ സ്റ്റെപ്പ് റെസ്‌പോൺസ് അളക്കുകയും അത് മോഡലിൻ്റെ കൂടെ ഓവർലേ ചെയ്യുകയും ചെയ്യുക.
4. സംവേദനക്ഷമത: പാരാമീറ്ററുകൾ ± 20% (മോഡൽ എത്ര സെൻസിറ്റീവ് ആണ്) മാറ്റുമ്പോൾ ഫലം എത്രത്തോളം മാറുന്നു?
5. സാധുത പരിധി: ഏത് സ്പീഡ്/ലോഡ്/താപനില ശ്രേണിയിലാണ് മോഡൽ സാധുതയുള്ളത്, എവിടെയാണ് അത് തകരുന്നത്?

മുന്നറിയിപ്പ്: AI നൽകുന്ന മോഡൽ പാരാമീറ്ററുകൾ (ജഡത്വം, ഘർഷണം, മോട്ടോർ സ്ഥിരാങ്കം) മിക്കവാറും എല്ലായ്‌പ്പോഴും സാമ്പിൾ/പ്ലെയ്‌സ്‌ഹോൾഡർ മൂല്യങ്ങളാണ്. നിങ്ങളുടെ യഥാർത്ഥ സിസ്റ്റത്തിൻ്റെ ഡാറ്റാഷീറ്റോ അളവുകളോ ഉപയോഗിച്ച് സിമുലേഷൻ ഫലങ്ങൾ "യാഥാർത്ഥ്യത്തിലേക്ക്" കൊണ്ടുവരരുത്. പാരാമീറ്റർ കൃത്യതയും മൂല്യനിർണ്ണയവുമാണ് "വർക്കുകൾ ഇൻ സിമുലേഷനും" "ഫീൽഡിലെ വർക്കുകളും" തമ്മിലുള്ള പാലം.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്:"ഒരു മോട്ടോർ സിമുലേഷൻ എഴുതുക."(ഏത് മോഡൽ? പാരാമീറ്ററുകൾ? സ്ഥിരീകരണം? അർത്ഥരഹിതമായ ഗ്രാഫിക് ദൃശ്യമാകുന്നു.)STRONG:"ഒരു DC മോട്ടോറിൻ്റെ ഒരു സ്റ്റേറ്റ്-സ്പേസ് മോഡൽ (സ്റ്റേറ്റ്സ്: കോണീയ വേഗതയും കറൻ്റും) നിർമ്മിക്കുക. 12 V സ്റ്റെപ്പ് പ്രതികരണം vescipy solve_ivp ഉപയോഗിച്ച് അനുകരിക്കുക. തുടക്കത്തിൽ, RJ പരാമീറ്ററുകൾ നിർവചിക്കുക. എനിക്ക് എൻ്റെ യഥാർത്ഥ മൂല്യങ്ങൾ സ്ഥാപിക്കാൻ കഴിയും "അതിനാൽ എനിക്ക് സിമുലേഷൻ പരിശോധിക്കാൻ കഴിയും. സ്റ്റെപ്പ് പ്രതികരണത്തിൽ നിന്ന് ഉയരുന്ന സമയം, ഓവർഷൂട്ട്, സമയം എന്നിവ കണക്കാക്കുക."

മിനി കേസ്

R&D എഞ്ചിനീയർ Nil ഒരു പുതിയ പൊസിഷനിംഗ് ആക്സിസിനായി ഒരു കൺട്രോളർ രൂപകൽപന ചെയ്യുന്നതിന് മുമ്പ് സിസ്റ്റത്തെ മാതൃകയാക്കുന്നു. ഡിസി മോട്ടോർ മോഡൽ നിർമ്മിക്കാനും ഒരു PID കൺട്രോളർ ചേർക്കാനും അദ്ദേഹത്തിന് AI ഉണ്ട്; സിമുലേഷൻ ഒരു നല്ല, ഓവർഷൂട്ടിംഗ് അല്ലാത്ത പ്രതികരണം നൽകുന്നു. എന്നാൽ നിൽ സ്ഥിരമായ വേഗതയെ സൈദ്ധാന്തിക ഫോർമുലയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, അവൻ 15% വ്യത്യാസം കണ്ടെത്തുന്നു: AI ഉപയോഗിക്കുന്ന സാമ്പിൾ എഞ്ചിൻ സ്ഥിരമായ K യഥാർത്ഥ എഞ്ചിനിൽ നിന്ന് വ്യത്യസ്തമാണ്. നിങ്ങൾ ഡാറ്റാഷീറ്റ് മൂല്യങ്ങൾ നൽകുമ്പോൾ, സിമുലേഷൻ സിദ്ധാന്തവുമായി യോജിക്കുന്നു. ഇത് യഥാർത്ഥ എഞ്ചിൻ്റെ സ്റ്റെപ്പ് പ്രതികരണം അളക്കുകയും മോഡൽ ഔട്ട്പുട്ടിനൊപ്പം അതിനെ ഓവർലേ ചെയ്യുകയും ചെയ്യുന്നു; മോഡൽ വേഗതയേറിയ മേഖലയിൽ നന്നായി യോജിക്കുന്നു, പക്ഷേ കുറഞ്ഞ വേഗതയിൽ വ്യതിചലിക്കുന്നു-കാരണം മോഡൽ സ്റ്റാറ്റിക് ഘർഷണത്തെ അവഗണിക്കുന്നു. Nil ഈ പരിധി രേഖപ്പെടുത്തുന്നു: മോഡൽ ഉയർന്ന വേഗതയിൽ വിശ്വസനീയമാണ്, വളരെ കുറഞ്ഞ വേഗതയിലല്ല. അതിനനുസരിച്ച് കൺട്രോളർ രൂപകൽപന ചെയ്യുന്നു. AI മോഡലും സിമുലേഷനും പെട്ടെന്ന് സ്ഥാപിക്കപ്പെട്ടു; എന്നാൽ പാരാമീറ്റർ മൂല്യനിർണ്ണയവും പരീക്ഷണാത്മക താരതമ്യവും എഞ്ചിനീയർക്ക് മോഡലിൻ്റെ സാധുതയുടെ യഥാർത്ഥ പരിധി വെളിപ്പെടുത്തി.

സാധാരണ തെറ്റുകൾ

• AI-യുടെ സാമ്പിൾ/പ്ലെയ്‌സ്‌ഹോൾഡർ പാരാമീറ്ററുകൾ അനുകരിച്ച് ഫലം യാഥാർത്ഥ്യത്തിലേക്ക് കൊണ്ടുവരുന്നു.
• ഒരു സ്വതന്ത്ര അനലിറ്റിക്കൽ ചെക്ക് പോയിൻ്റ് ഉപയോഗിച്ച് സിമുലേഷൻ സാധൂകരിക്കുന്നില്ല.
• മോഡൽ അവഗണിക്കുന്ന ഇഫക്റ്റുകൾ (ഘർഷണം, തിരിച്ചടി, കാലതാമസം) മറന്ന് എല്ലാ സാഹചര്യങ്ങളിലും വിശ്വസിക്കുക.
• യഥാർത്ഥ അളവുമായി ഒരിക്കലും താരതമ്യം ചെയ്യാതെ മോഡൽ "സാധുതയുള്ളത്" പരിഗണിക്കുന്നു.
• സ്ഥിരത വിശകലനം (പോളുകൾ) ഒഴിവാക്കി "ഗ്രാഫ് മനോഹരമായി തോന്നുന്നു" എന്ന് പറയുക.
• സാധുത പരിധി നിശ്ചയിക്കാതെ മുഴുവൻ പഠന മേഖലയിലും മോഡൽ ഉപയോഗിക്കുന്നു.

ചുരുക്കത്തിൽ

• ഈ മോഡൽ യാഥാർത്ഥ്യത്തിൻ്റെ ലക്ഷ്യബോധത്തോടെയുള്ള ലളിതവൽക്കരണമാണ്, അത് എപ്പോഴും എന്തെങ്കിലും ഉപേക്ഷിക്കുന്നു.
• ഹാർഡ്‌വെയറിനെ അപകടപ്പെടുത്താതെ ഡിസൈനും കൺട്രോളർ ട്യൂണിംഗും സിമുലേഷൻ പ്രാപ്തമാക്കുന്നു.
• ഓരോ സിമുലേഷനും ഒരു സ്വതന്ത്ര അനലിറ്റിക്കൽ ഹാഷ് പോയിൻ്റിനെതിരെ സാധൂകരിക്കണം.
• മോഡൽ പാരാമീറ്ററുകൾ യഥാർത്ഥ അളവ്/ഡാറ്റാഷീറ്റിൽ നിന്നായിരിക്കണം, AI-യുടെ സാമ്പിൾ മൂല്യത്തിൽ അവശേഷിക്കരുത്.
• പോൾ ലൊക്കേഷനുകൾ (ഇടത് പകുതി തലം) നോക്കിയാണ് സ്ഥിരത വിലയിരുത്തുന്നത്.
• മൂല്യനിർണ്ണയം എഞ്ചിനീയർക്ക് മോഡലിൻ്റെ സാധുത പരിധിയും പരിധിയും കാണിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു ലളിതമായ ഡൈനാമിക് സിസ്റ്റം (ഡിസി മോട്ടോർ, മാസ്-സ്പ്രിംഗ്-ഡാംപ്പർ, ആർസി സർക്യൂട്ട്) തിരഞ്ഞെടുക്കുക. AI-യോട് ഒരു സ്റ്റേറ്റ്-സ്പേസ് അല്ലെങ്കിൽ ഡിഫറൻഷ്യൽ ഇക്വേഷൻ മോഡൽ നിർമ്മിക്കുകയും പൈത്തണിലെ സ്റ്റെപ്പ് പ്രതികരണം അനുകരിക്കുകയും ചെയ്യുക, കൂടാതെ ഒരു സൈദ്ധാന്തിക സ്റ്റേഡി-സ്റ്റേറ്റ്/അനലിറ്റിക്കൽ ഹാഷ് പോയിൻ്റ് ആവശ്യപ്പെടുന്നത് ഉറപ്പാക്കുക. തുടർന്ന്: (1) സിമുലേഷൻ ഫലത്തെ അത് അംഗീകരിക്കുന്നുണ്ടോ എന്ന് കാണുന്നതിന് സൈദ്ധാന്തിക മൂല്യവുമായി താരതമ്യം ചെയ്യുക, (2) ഒരു പാരാമീറ്റർ ± 20% കൊണ്ട് മാറ്റുക, ഫലം എത്രത്തോളം മാറുന്നുവെന്ന് കാണുക (സെൻസിറ്റിവിറ്റി), (3) മോഡൽ അവഗണിക്കുന്ന രണ്ട് ഫിസിക്കൽ ഇഫക്റ്റുകളെങ്കിലും അവ ഏത് പ്രവർത്തന മേഖലയിലാണ് പ്രധാനമെന്ന് എഴുതുക. നിങ്ങളുടെ മോഡലിൻ്റെ സാധുത ഒരു വാക്യത്തിൽ വിവരിക്കുക.