എയറോഡൈനാമിക്‌സ്, സിഎഫ്ഡി, സറോഗേറ്റ് മോഡലുകൾ എന്നിവയ്‌ക്കൊപ്പം ദ്രുത ഡിസൈൻ പര്യവേക്ഷണം

നേട്ടങ്ങൾ:

• കമ്പ്യൂട്ടേഷണൽ ഫ്ലൂയിഡ് ഡൈനാമിക്സ് (CFD) പ്രക്രിയയിൽ സജ്ജീകരണം, ഫല വ്യാഖ്യാനം, സറോഗേറ്റ് മോഡൽ ജനറേഷൻ എന്നിവയിൽ AI എങ്ങനെ ഉപയോഗിക്കുന്നുവെന്ന് വിശദീകരിക്കാൻ കഴിയും.
• ഒരു വലിയ ഡിസൈൻ ഇടം വേഗത്തിൽ സ്കാൻ ചെയ്യാനും മെഷീൻ ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള സറോഗേറ്റ് മോഡലുകൾ ഉപയോഗിച്ച് കാൻഡിഡേറ്റ് ജ്യാമിതികളെ റാങ്ക് ചെയ്യാനും ഉള്ള കഴിവ്
• കൺവെർജൻസ്, നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യം, ഫിസിക്കൽ പ്ലാസിബിലിറ്റി മാനദണ്ഡങ്ങൾ എന്നിവ ഉപയോഗിച്ച് AI- പവർഡ് എയറോഡൈനാമിക് ഔട്ട്‌പുട്ടുകൾ സാധൂകരിക്കാനുള്ള കഴിവ്

ഒരു ചിറക് എങ്ങനെ ലിഫ്റ്റ് ഉത്പാദിപ്പിക്കുന്നു, ഒരു ഫ്യൂസ്‌ലേജ് വായുവിനെ എങ്ങനെ വിഭജിക്കുന്നു, ഒരു നിയന്ത്രണ ഉപരിതല പ്രവാഹത്തെ എങ്ങനെ വ്യതിചലിപ്പിക്കുന്നു; ഈ അദൃശ്യ ശക്തികളുടെ ശാസ്ത്രമാണ് എയറോഡൈനാമിക്സ്. എഞ്ചിനീയർ ഈ ശക്തികളെ രണ്ട് തരത്തിൽ പഠിക്കുന്നു: ഒരു കാറ്റ് തുരങ്കത്തിലെ പരീക്ഷണം വഴി അല്ലെങ്കിൽ കമ്പ്യൂട്ടർ കമ്പ്യൂട്ടേഷണൽ ഫ്ലൂയിഡ് ഡൈനാമിക്സ് (CFD; കമ്പ്യൂട്ടേഷണൽ ഫ്ലൂയിഡ് ഡൈനാമിക്സ്, ഒരു കമ്പ്യൂട്ടേഷണൽ നെറ്റ്‌വർക്കിൽ ഫ്ലോ സമവാക്യങ്ങൾ സംഖ്യാപരമായി പരിഹരിക്കുന്ന ഒരു രീതി). CFD ശക്തവും എന്നാൽ ചെലവേറിയതുമാണ്: സങ്കീർണ്ണമായ ഓട്ടത്തിന് മണിക്കൂറുകളോ ദിവസങ്ങളോ എടുത്തേക്കാം, ഒരൊറ്റ ഡിസൈൻ പോയിൻ്റ് ലഭിക്കും. നൂറുകണക്കിന് ഡിസൈനുകൾ പരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന എഞ്ചിനീയർ ഇവിടെ ഒരു തടസ്സത്തിലാണ്.

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ഈ തടസ്സം രണ്ടിടത്ത് തുറക്കുന്നു. ആദ്യം, CFD പ്രക്രിയയിൽ തന്നെ: സജ്ജീകരണ നിയന്ത്രണം, ഫല വ്യാഖ്യാനവും റിപ്പോർട്ടിംഗും. രണ്ടാമത്തേത്, കൂടുതൽ രൂപാന്തരപ്പെടുത്തുന്നവയാണ് സറോഗേറ്റ് മോഡലുകൾ (ചെലവേറിയ സിമുലേഷൻ്റെ ഇൻപുട്ട്-ഔട്ട്പുട്ട് ബന്ധം പഠിക്കുകയും നിമിഷങ്ങൾക്കുള്ളിൽ ഏകദേശ പ്രവചനം നൽകുകയും ചെയ്യുന്ന മെഷീൻ ലേണിംഗ് മോഡൽ). സറോഗേറ്റ് മോഡലിന് നന്ദി, മണിക്കൂറുകൾക്ക് പകരം സെക്കൻഡുകൾക്കുള്ളിൽ ഒരു വലിയ ഡിസൈൻ സ്പേസ് സ്കാൻ ചെയ്യുന്നു, കുറച്ച് വാഗ്ദാനമുള്ള കാൻഡിഡേറ്റുകൾ തിരഞ്ഞെടുത്തു, കൂടാതെ ഉയർന്ന കൃത്യതയോടെ പൂർണ്ണ CFD ഉപയോഗിച്ച് മാത്രമേ അവർ കണക്കാക്കൂ. ഈ യൂണിറ്റിൽ, ഈ വർക്ക്ഫ്ലോയിൽ AI ഉൾച്ചേർക്കുമ്പോൾ ഞങ്ങൾ മാറ്റമില്ലാത്ത നിയമം പാലിക്കുന്നു: ഒത്തുചേരലും നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യവും പ്രകടിപ്പിക്കാതെയും ഫിസിക്കൽ പ്ലാസിബിലിറ്റിയുടെ ഫിൽട്ടറിലൂടെ കടന്നുപോകാതെയും കാര്യക്ഷമമായ ഫലങ്ങളൊന്നും സ്വീകരിക്കില്ല.

ആശയങ്ങൾ: ഒത്തുചേരൽ: ആവർത്തനങ്ങൾ പുരോഗമിക്കുമ്പോൾ പരിഹാരം സ്ഥിരമായ മൂല്യത്തിൽ സ്ഥിരത കൈവരിക്കുന്നു; ഇത് അനുയോജ്യമല്ലെങ്കിൽ, ഫലം വിശ്വസനീയമല്ല. മെഷ് സ്വാതന്ത്ര്യം: നിങ്ങൾ അക്കൗണ്ട് നെറ്റ്‌വർക്ക് ശക്തമാക്കുമ്പോൾ ഫലത്തിൽ കാര്യമായ മാറ്റമുണ്ടാകില്ല. CL/CD: ലിഫ്റ്റ് കോഫിഫിഷ്യൻ്റ് / ഡ്രാഗ് കോഫിഫിഷ്യൻ്റ്; എയറോഡൈനാമിക് കാര്യക്ഷമതയുടെ അടിസ്ഥാന അളവ്. സറോഗേറ്റ് മോഡൽ: അനുകരണത്തിൻ്റെ വേഗത്തിലുള്ള ഏകദേശ അനുകരണം.

CFD വർക്ക്ഫ്ലോയിൽ AI-യുടെ സ്ഥാനം

ഒരു CFD റണ്ണിൽ ഏകദേശം അഞ്ച് ഘട്ടങ്ങളുണ്ട്: ജ്യാമിതി തയ്യാറാക്കൽ, മെഷ് ജനറേഷൻ, സോൾവർ സജ്ജീകരണം, റണ്ണിംഗ്, പോസ്റ്റ്-പ്രോസസ്സിംഗ്. AI ഓരോ ഘട്ടത്തിലും വ്യത്യസ്‌തമായി സഹായിക്കുന്നു, എന്നാൽ അവയിലൊന്നിലും അതിന് അന്തിമ അഭിപ്രായം ഇല്ല.

മെഷ് ജനറേഷനിൽ, ബൗണ്ടറി ലെയർ റെസല്യൂഷനുള്ള y+ ലക്ഷ്യവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പ്രാരംഭ സെൽ ഉയരം ഏകദേശം കണക്കാക്കാൻ AI-ന് കഴിയും. സോൾവർ സജ്ജീകരണത്തിലെ ടർബുലൻസ് മോഡൽ തിരഞ്ഞെടുക്കലിനായി (ഉദാ. k-omega SST), അത് ഫ്ലോ ഭരണകൂടത്തിന് അനുയോജ്യമായ ഓപ്ഷനുകൾ, ന്യായീകരണത്തോടെ നിർദ്ദേശിച്ചേക്കാം. പോസ്റ്റ്-പ്രോസസിംഗിൽ, ആയിരക്കണക്കിന് ഫല ഫയലുകളിൽ നിന്ന് ലിഫ്റ്റ്, ഡ്രാഗ്, മൊമെൻ്റ് കോഫിഫിഷ്യൻ്റുകൾ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യാനും ആക്രമണ സ്വീപ്പ് പ്ലോട്ടിൻ്റെ ഒരു ആംഗിൾ സൃഷ്‌ടിക്കാനും ഒരാൾക്ക് ഒരു പൈത്തൺ സ്‌ക്രിപ്റ്റ് എഴുതാം. എന്നാൽ y+ മൂല്യം ശരിക്കും ലക്ഷ്യത്തിലാണോ, ടർബുലൻസ് മോഡൽ ഈ ഒഴുക്കിന് അനുയോജ്യമാണോ, ഫലം ഒത്തുചേരുമോ ഇല്ലയോ എന്ന് എഞ്ചിനീയറുടെ കണ്ണ് പരിശോധിക്കുന്നു.

ഏറ്റവും കൂടുതൽ ഉപയോഗിക്കുന്ന സ്ഥലം ഫല കമൻ്റാണ്. "എന്തുകൊണ്ടാണ് ആ CL-ആൽഫ കർവ് 14 ഡിഗ്രിയിൽ പൊട്ടുന്നത്" എന്ന് നിങ്ങൾ AI-യോട് ചോദിക്കുമ്പോൾ, അത് സ്തംഭനത്തിൻ്റെ സാധ്യതയെക്കുറിച്ച് നിങ്ങളെ ഓർമ്മിപ്പിക്കുന്നു (ആക്രമണത്തിൻ്റെ ആംഗിൾ കൂടുകയും ലിഫ്റ്റ് കുറയുകയും ചെയ്യുമ്പോൾ ചിറകിൽ നിന്ന് ഒഴുക്ക് വേർപെടുന്നു) കൂടാതെ നിങ്ങൾ പരിശോധിക്കേണ്ട ഫ്ലോ സെപ്പറേഷൻ സൂചകങ്ങൾ ലിസ്റ്റുചെയ്യുന്നു. ഇതൊരു ഹൈപ്പോതെസിസ് ജനറേറ്ററാണ്; സ്ഥിരീകരണം വീണ്ടും ഡാറ്റയിലാണ്.

മുന്നറിയിപ്പ്: AI-ന് ഒരു CFD ഫലം ഒഴുക്കോടെ വ്യാഖ്യാനിക്കാൻ കഴിയും, എന്നാൽ ഫലം തന്നെ തെറ്റാണെങ്കിൽ, വ്യാഖ്യാനവും തെറ്റായിരിക്കും. "ഈ ഡ്രാഗ് മൂല്യം ന്യായമാണ്" എന്ന വാചകം, പരിഹാരം ഒത്തുചേരുന്നില്ലെങ്കിൽ ഒന്നും അർത്ഥമാക്കുന്നില്ല. ആദ്യം നമ്പറിൻ്റെ സാധുത പരിശോധിക്കുക, തുടർന്ന് കമൻ്റ്.

സറോഗേറ്റ് മോഡലുകൾ: സെക്കൻഡിൽ ഡിസൈൻ സ്പേസ് സ്കാൻ ചെയ്യുന്നു

ഒരു സറോഗേറ്റ് മോഡൽ സ്ഥാപിക്കുന്നതിനുള്ള യുക്തി ലളിതമാണ്. ആദ്യം, ശ്രദ്ധാപൂർവം തിരഞ്ഞെടുത്ത സാമ്പിൾ (ഉദാ. 40-80 ഡിസൈൻ പോയിൻ്റുകൾ; പരീക്ഷണാത്മക ഡിസൈൻ DoE വിതരണം ചെയ്യുന്നു) മുഴുവൻ CFD ഉപയോഗിച്ച് കണക്കാക്കുന്നു. തുടർന്ന് ഈ ഇൻപുട്ട്-ഔട്ട്പുട്ട് ജോഡികൾ ഉപയോഗിച്ച് ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ (ഗൗസിയൻ പ്രോസസ് റിഗ്രഷൻ/ക്രിഗിംഗ്, റേഡിയൽ ബേസ് ഫംഗ്ഷൻ അല്ലെങ്കിൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്) പരിശീലിപ്പിക്കപ്പെടുന്നു. മോഡൽ ഇപ്പോൾ നിമിഷങ്ങൾക്കുള്ളിൽ ഒരു പുതിയ ജ്യാമിതിക്കായി CL/CD പ്രവചിക്കുന്നു. ഈ ചെലവുകുറഞ്ഞ മോഡൽ ഉപയോഗിച്ച് ആയിരക്കണക്കിന് കാൻഡിഡേറ്റുകളെ സ്‌ക്രീൻ ചെയ്യുന്നു, കൂടാതെ മികച്ചതായി കാണപ്പെടുന്ന 3-5 ഉദ്യോഗാർത്ഥികളെ വീണ്ടും കണക്കാക്കുകയും ഒരു പൂർണ്ണ CFD ഉപയോഗിച്ച് പരിശോധിച്ചുറപ്പിക്കുകയും ചെയ്യുന്നു.

ഇവിടെ നിർണായകമായ കാര്യം ആത്മവിശ്വാസത്തിൻ്റെ ഇടവേളയാണ്. ക്രിഗിംഗ് പോലുള്ള മോഡലുകൾ ഒരു പ്രവചനം മാത്രമല്ല, ആ പ്രവചനത്തിൽ അവർക്ക് എത്രമാത്രം ആത്മവിശ്വാസമുണ്ട് (അനിശ്ചിതത്വം). പരിശീലന പോയിൻ്റുകളിൽ നിന്ന് അകലെയുള്ള പ്രദേശങ്ങളിൽ അനിശ്ചിതത്വം വളരുന്നു; അവിടെ, മോഡലിനെ അന്ധമായി വിശ്വസിക്കുന്നതിനുപകരം ഒരു പുതിയ CFD പോയിൻ്റ് ചേർക്കുന്നു. ഈ "അനിശ്ചിതത്വം കൂടുതലുള്ളിടത്ത് പുതിയ സാമ്പിൾ ചേർക്കുക" ലൂപ്പ് സജീവ പഠനം എന്നറിയപ്പെടുന്നു, കൂടാതെ ചെറിയ എണ്ണം ചെലവേറിയ റണ്ണുകൾ ഉപയോഗിച്ച് വലിയ ഇടം കാര്യക്ഷമമായി സ്കാൻ ചെയ്യുന്നു.

രീതി

ഒരു ഡിസൈൻ പോയിൻ്റ് ചെലവ്

കൃത്യത

എപ്പോൾ

മുഴുവൻ CFD (RANS)

വാച്ചുകൾ

ഉയർന്നത്

അന്തിമ പരിശോധന, ഉദ്യോഗാർത്ഥികളുടെ ചെറിയ എണ്ണം

സറോഗേറ്റ് മോഡൽ (ക്രിഗിംഗ്)

സെക്കൻ്റുകൾ

ഇടത്തരം ഉയർന്ന (വിദ്യാഭ്യാസ മേഖലയിൽ)

വലിയ ഇടം സ്കാനിംഗ്, ഒപ്റ്റിമൈസേഷൻ

പാനൽ/ലോ ഓർഡർ രീതി

സെക്കൻഡ്-മിനിറ്റ്

താഴ്ന്ന ഇടത്തരം

ഉന്മൂലനം വളരെ നേരത്തെ തന്നെ, ഏകദേശ ആശയം

കാറ്റ് തുരങ്കം

ദിവസങ്ങൾ-ആഴ്ചകൾ

ഏറ്റവും ഉയർന്നത് (യഥാർത്ഥം)

ക്രിട്ടിക്കൽ വെരിഫിക്കേഷൻ, സർട്ടിഫിക്കേഷൻ

നുറുങ്ങ്: പരിശീലന ഡാറ്റ (എക്‌സ്‌ട്രാപോളേഷൻ) പരിധിക്ക് പുറത്ത് ഒരിക്കലും സറോഗേറ്റ് മോഡൽ ഉപയോഗിക്കരുത്. 5-15 ഡിഗ്രി ആക്രമണത്തിൻ്റെ കോണിലാണ് മോഡൽ പരിശീലിപ്പിച്ചതെങ്കിൽ, അത് 25 ഡിഗ്രിയിൽ നൽകുന്ന മൂല്യം ഒരു പ്രവചനമല്ല, മറിച്ച് ഒരു കൃത്രിമത്വമാണ്. മോഡൽ നിർമ്മിക്കുമ്പോൾ "പരിശീലന ശ്രേണി എഴുതാനും പരിധിക്ക് പുറത്തുള്ള ചോദ്യങ്ങൾ നിരസിക്കാനും" AI-യോട് ആവശ്യപ്പെടുന്നത് ഈ കെണി അടയ്ക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ എയർഫോയിൽ നല്ലതാണോ? എൻ്റെ CFD ഫലം വ്യാഖ്യാനിക്കുക: CD=0.009.

ശക്തമായ നിർദ്ദേശം:

റോൾ: നിങ്ങൾ ഒരു എയറോഡൈനാമിക് അനാലിസിസ് കൺസൾട്ടൻ്റാണ്; നിങ്ങൾ സുരക്ഷാ-നിർണ്ണായക പരിശോധന പ്രയോഗിക്കുന്നു. സന്ദർഭം: 2D എയർഫോയിൽ RANS CFD വിശകലനം (മൂല്യങ്ങൾ പ്രതിനിധീകരിക്കുന്നു):Re=1.5e6, Mach=0.2, ആക്രമണത്തിൻ്റെ ആംഗിൾ 4°, ടർബുലൻസ് മോഡൽ k-omega SST. ഫലം: CL=0.62, CD=0.0091. നെറ്റ്‌വർക്ക്: 180k സെല്ലുകൾ, y+ ~1.ടാസ്ക്:1) ഫലം സാധുതയുള്ളതായി പരിഗണിക്കുന്നതിന് മുമ്പ് ഞാൻ പരിശോധിക്കേണ്ട സ്ഥിരീകരണ ഘട്ടങ്ങൾ ലിസ്റ്റ് ചെയ്യുക (കൺവേർജൻസ്, നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യം, y+).2) CL/CD അനുപാതം കണക്കാക്കുക, ഈ പ്രൊഫൈൽ ക്ലാസിൻ്റെ സാധാരണ ശ്രേണിയുമായി താരതമ്യം ചെയ്യുക. നിങ്ങൾക്ക് ഉറപ്പില്ലാത്ത ഇടം അടയാളപ്പെടുത്തുക; ഒരു നിർണായകമായ "നല്ലത്/ചീത്ത" വിധി പറയരുത്, ഒരു സ്ഥിരീകരണ പ്ലാൻ നൽകുക.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ടെംപ്ലേറ്റ് 1 — CFD സജ്ജീകരണ ന്യായവാദം:

ഇനിപ്പറയുന്ന ഫ്ലോ അവസ്ഥയ്ക്കായി CFD സജ്ജീകരണ ശുപാർശ നൽകുക (പ്രതിനിധി മൂല്യങ്ങൾ): Re=[...], Mach=[...], geometry=[...]. ഇനിപ്പറയുന്ന കാരണങ്ങൾ എനിക്ക് നിർദ്ദേശിക്കുക: ഉചിതമായ ടർബുലൻസ് മോഡൽ ഓപ്ഷനുകൾ, ബൗണ്ടറി ലെയറിനായുള്ള ടാർഗെറ്റ് y+, പ്രാരംഭ സെൽ ഉയരം കണക്കുകൂട്ടൽ, അതിർത്തി വ്യവസ്ഥകൾ. ഓരോ ചോയിസിനും, "എന്തുകൊണ്ട്", "ഏത് സാഹചര്യത്തിൽ അത് തെറ്റായിരിക്കും" എന്നതിൻ്റെ ഒരു കുറിപ്പ് ചേർക്കുക. സംഖ്യകളുടെ യൂണിറ്റ് എഴുതുക.

ടെംപ്ലേറ്റ് 2 — പരീക്ഷണങ്ങളുടെ രൂപകൽപ്പനയും (DoE) സറോഗേറ്റ് മോഡൽ പ്ലാനും:

എനിക്ക് [N] ഡിസൈൻ വേരിയബിളുകൾ ഉണ്ട്: [ലിസ്റ്റ്, ശ്രേണികളുള്ള]. ഒരു സറോഗേറ്റ് മോഡൽ പരിശീലിപ്പിക്കുന്നതിന്: (എ) എത്ര സാമ്പിൾ പോയിൻ്റുകളും ഏത് സാമ്പിൾ രീതിയും (ഉദാ. ലാറ്റിൻ ഹൈപ്പർക്യൂബ്) നിങ്ങൾ ശുപാർശ ചെയ്യുന്നു; (ബി) ഏത് തരം സറോഗേറ്റ് മോഡലാണ് ഉചിതം, എന്തുകൊണ്ട്; (സി) ഞാൻ എങ്ങനെ മോഡൽ സാധൂകരിക്കും (ക്രോസ്-വാലിഡേഷൻ, സ്പ്ലിറ്റ് ടെസ്റ്റ് സെറ്റ്). എക്സ്ട്രാപോളേഷൻ്റെ അപകടസാധ്യതയ്‌ക്കെതിരെ ഞാൻ എന്ത് നിയമമാണ് ചുമത്തേണ്ടത്?

ടെംപ്ലേറ്റ് 3 — CFD ഫല ഫയലിൽ നിന്ന് ഗുണകങ്ങൾ വേർതിരിച്ചെടുക്കുന്നതിനുള്ള സ്‌ക്രിപ്റ്റ്:

ഒരു CFD ഫോഴ്‌സ് റിപ്പോർട്ടിൽ നിന്ന് CSV (നിരകൾ: ആവർത്തനം, Fx, Fy, Fz) പൈത്തണിനൊപ്പം: (a) അവസാനത്തെ 500 ആവർത്തനങ്ങളുടെ ശരാശരി കണക്കാക്കി convergedCL, CD എന്നിവ കണക്കാക്കുക; (ബി) കഴിഞ്ഞ 500 ആവർത്തനങ്ങളുടെ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ എഴുതുകയും ഒത്തുചേരൽ പരിശോധിക്കുന്നതിന് ഒരു പരിധിയുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യുക; (സി) ആക്രമണ സ്കാനിൻ്റെ ആംഗിളിനായി CL-alpha പ്ലോട്ട് ചെയ്യുക. റഫറൻസ് ഏരിയയും ഡൈനാമിക് മർദ്ദവും പാരാമീറ്ററുകളായി സജ്ജമാക്കുക; കമൻ്റ് ലൈനുകൾ ഉപയോഗിച്ച് അക്കൗണ്ട് വിശദീകരിക്കുക.

ടെംപ്ലേറ്റ് 4 — സറോഗേറ്റ് മോഡൽ പ്രവചന ആത്മവിശ്വാസ ചോദ്യം:

ഞാൻ പരിശീലിപ്പിച്ച ക്രിഗിംഗ് പ്രോക്സി മോഡൽ ഇനിപ്പറയുന്ന പ്രവചനത്തിന് CL=0.71, അനിശ്ചിതത്വം(std) 0.02 നൽകി; ക്വറി പോയിൻ്റ് [അകത്ത്/പുറത്ത്] പരിശീലന ശ്രേണിയാണ്.(എ) തീരുമാനമെടുക്കാൻ ഈ അനിശ്ചിതാവസ്ഥ പര്യാപ്തമാണോ, ഞാൻ എങ്ങനെ തീരുമാനിക്കും? (ബി) അനിശ്ചിതത്വം ഉയർന്നതാണെങ്കിൽ, ഏത് ഘട്ടത്തിലാണ് ഞാൻ ഒരു പുതിയ CFD ഉദാഹരണം (സജീവ പഠന യുക്തി) ചേർക്കേണ്ടത്? (സി) പൂർണ്ണമായ CFD ഉപയോഗിച്ച് ഈ പ്രവചനം ഞാൻ എപ്പോഴാണ് സ്ഥിരീകരിക്കേണ്ടത്?

മിനി കേസുകൾ

കേസ് 1 - നോൺ-കൺവേർഡ് ഫലം പിടിക്കപ്പെട്ടു. എയർഫോയിലിനായി ഒരു വിദ്യാർത്ഥിക്ക് CD=0.0065 ഫലം ലഭിക്കുകയും സന്തോഷിക്കുകയും ചെയ്യുന്നു; പ്രൊഫൈൽ ക്ലാസിനായുള്ള സാധാരണ സിഡി 0.008-0.012 പരിധിയിലാണ്, ഫലം വളരെ മികച്ചതായി തോന്നുന്നു. AI നിർദ്ദേശിച്ച കൺവെർജൻസ് ചെക്ക് പ്രയോഗിക്കുന്നത്, അവസാന ആവർത്തനങ്ങളിൽ ഫോഴ്‌സ് കോഫിഫിഷ്യൻ്റ് ഇപ്പോഴും ആന്ദോളനം ചെയ്യുന്നതായി കാണിക്കുന്നു (സാധാരണ വ്യതിയാനം ശരാശരിയുടെ 8%). കൂടുതൽ ആവർത്തനങ്ങളുമായി പരിഹാരം സംയോജിപ്പിക്കുമ്പോൾ, അത് CD = 0.0094-ൽ സ്ഥിരതാമസമാക്കുന്നു. പാഠം: "വളരെ നല്ല" ഫലം പലപ്പോഴും ഒത്തുചേരാത്ത ഫലമാണ്.

കേസ് 2 - സറോഗേറ്റ് മോഡൽ 200 മടങ്ങ് വേഗത വർദ്ധിപ്പിക്കുന്നു. ഒരു ടീം 6 ജ്യാമിതീയ പാരാമീറ്ററുകളുള്ള ഒരു ചിറകിനായി 60 പൂർണ്ണ CFD റണ്ണുകൾ (~2 മണിക്കൂർ വീതം) ഓടിക്കുകയും ഒരു ക്രേജിംഗ് സറോഗേറ്റ് മോഡൽ പരിശീലിപ്പിക്കുകയും ചെയ്യുന്നു. തുടർന്ന് ഇത് 40 സെക്കൻഡിനുള്ളിൽ പ്രോക്സി മോഡൽ ഉപയോഗിച്ച് 5000 കാൻഡിഡേറ്റ് കോൺഫിഗറേഷനുകൾ സ്കാൻ ചെയ്യുന്നു, പൂർണ്ണ CFD ഉള്ള മികച്ച 4 കാൻഡിഡേറ്റുകളെ സാധൂകരിക്കുന്നു. ആകെ 64 CFD റണ്ണുകൾ ഉള്ളപ്പോൾ, ഒരു ഏകദേശ കണക്ക് 5000 റൺസിന് തുല്യമാണ്. ദൈർഘ്യം ആഴ്ചകൾ മുതൽ രണ്ട് ദിവസം വരെ കുറയുന്നു. പാഠം: വിലയേറിയ സിമുലേഷൻ മൂല്യനിർണ്ണയ പോയിൻ്റുകളിൽ മാത്രം പ്രവർത്തിപ്പിക്കുക, എല്ലാ പോയിൻ്റിലും അല്ല.

കേസ് 3 - എക്സ്ട്രാപോളേഷൻ ട്രാപ്പ്. ഒരു എഞ്ചിനീയർ 3-12 ഡിഗ്രി കോണിൽ ആക്രമണം പരിശീലിപ്പിച്ച ഒരു സറോഗേറ്റ് മോഡലിനോട് 18 ഡിഗ്രിയിൽ ലിഫ്റ്റ് ചോദ്യം ചോദിക്കുന്നു; മോഡൽ CL=1.6 പോലെ സുഗമമായി വർദ്ധിക്കുന്ന മൂല്യം നൽകുന്നു. വാസ്തവത്തിൽ, ചിറകിന് ഏകദേശം 15 ഡിഗ്രി ഗ്രിപ്പ് നഷ്ടപ്പെടുകയും ലിഫ്റ്റ് കുറയുകയും ചെയ്യുന്നു, എന്നാൽ ഈ ഭൗതികശാസ്ത്രം "കാണുന്നില്ല" എന്നതിനാൽ സറോഗേറ്റ് മോഡൽ അതിനെ നേരെ നീട്ടുന്നു. എഞ്ചിനീയർ ഫിസിക്കൽ പ്ലാസിബിലിറ്റി ചെക്ക് (അഡീഷൻ നഷ്ടം പ്രതീക്ഷിക്കൽ) ഉപയോഗിച്ച് ഫലം നിരസിക്കുകയും ആ പ്രദേശത്തേക്ക് ഒരു പൂർണ്ണ CFD പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുന്നു. പാഠം: സറോഗേറ്റ് മോഡലിന് അതിൻ്റെ പരിശീലന പരിധിക്കപ്പുറം ഭൗതികശാസ്ത്രം അറിയില്ല.

സാധാരണ തെറ്റുകൾ

• ഒത്തുചേരൽ പരിശോധിക്കുന്നില്ല. കോൺവെർജ് ചെയ്യാത്ത ലായനിയുടെ ഗുണകങ്ങൾ അർത്ഥശൂന്യമാണ്; ഗ്രാഫിൻ്റെ ഭംഗി ഒത്തുചേരുമെന്നതിന് യാതൊരു ഉറപ്പുമില്ല.
• നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യം മറികടക്കുന്നു. ഫലം നെറ്റ്‌വർക്കിനെ ആശ്രയിച്ചിരിക്കുന്നുവെങ്കിൽ, വ്യത്യസ്ത നെറ്റ്‌വർക്കുകൾക്കൊപ്പം വ്യത്യസ്ത ഉത്തരങ്ങൾ പുറത്തുവരുന്നു; ഏതാണ് ശരിയെന്ന് അറിയാൻ കഴിയില്ല.
• സറോഗേറ്റ് മോഡലിൽ എക്സ്ട്രാപോളേഷൻ. പരിശീലന പരിധിക്ക് പുറത്തുള്ള പ്രവചനം ഭൗതിക സത്യമല്ല, ഗണിതശാസ്ത്രപരമായ വിപുലീകരണം നൽകുന്നു.
• അനിശ്ചിതത്വം അവഗണിക്കുന്നു. ക്രിഗിംഗ് പ്രവചനത്തിൻ്റെ ആത്മവിശ്വാസ വിവരങ്ങൾ ഉപയോഗിക്കുന്നില്ലെങ്കിൽ, മോഡൽ ഏറ്റവും ആത്മവിശ്വാസമുള്ള പ്രദേശവും ആത്മവിശ്വാസം കുറഞ്ഞ പ്രദേശവും ഒരുപോലെ പരിഗണിക്കും.
• പ്രക്ഷുബ്ധ മോഡൽ ഏകപക്ഷീയമായി തിരഞ്ഞെടുക്കുന്നു. തെറ്റായ പ്രക്ഷുബ്ധ മോഡൽ, ഒത്തുചേർന്നതും നെറ്റ്‌വർക്ക്-സ്വതന്ത്രവുമായ പരിഹാരത്തെ പോലും ശാരീരികമായി തെറ്റാക്കുന്നു.

ചുരുക്കത്തിൽ

CFD ഒരു ശക്തവും എന്നാൽ ചെലവേറിയതുമായ ഉപകരണമാണ്; AI അതിനെ രണ്ട് സ്ഥലങ്ങളിൽ നിന്ന് ത്വരിതപ്പെടുത്തുന്നു: പ്രോസസ്സ് മാനേജ്‌മെൻ്റ് (ഇൻസ്റ്റാളേഷൻ, കമൻ്റ്, സ്‌ക്രിപ്റ്റ്), സറോഗേറ്റ് മോഡലുകൾ ഉപയോഗിച്ച് നിമിഷങ്ങൾക്കുള്ളിൽ വലിയ ഡിസൈൻ സ്‌പേസ് സ്കാൻ ചെയ്യുക. സറോഗേറ്റ് മോഡൽ ഒരു ചെറിയ സംഖ്യ മുഴുവൻ CFD റണ്ണുകൾ ഉപയോഗിച്ച് പരിശീലിപ്പിക്കപ്പെടുന്നു, ഒരു കോൺഫിഡൻസ് ഇടവേളയിൽ ഉപയോഗിക്കുന്നു, കൂടാതെ മികച്ച കാൻഡിഡേറ്റുകൾ പൂർണ്ണ CFD ഉപയോഗിച്ച് സാധൂകരിക്കപ്പെടേണ്ടതാണ്. ഒത്തുചേരൽ, നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യം, ഫിസിക്കൽ പ്ലാസിബിലിറ്റി എന്നിവ പരിശോധിക്കാതെ കാര്യക്ഷമമായ ഫലങ്ങളൊന്നും സ്വീകരിക്കില്ല. AI അനുമാനവും വേഗതയും നൽകുന്നു; ഭൗതികശാസ്ത്രത്തിൻ്റെ അവസാന മദ്ധ്യസ്ഥൻ ഡാറ്റയാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു എയർഫോയിലിനോ ലളിതമായ ജ്യാമിതിക്കോ വേണ്ടിയുള്ള ഒരു CFD റൺ രംഗം നിർവചിക്കുക (പ്രതിനിധി, യഥാർത്ഥ പദ്ധതി ഡാറ്റയല്ല). AI ഉപയോഗിച്ച്, (എ) ഫലം സാധുതയുള്ളതായി പരിഗണിക്കുന്നതിന് മുമ്പ് മൂല്യനിർണ്ണയ ഘട്ടങ്ങൾ ലിസ്റ്റ് ചെയ്യുക, (ബി) ഫല ഫയലിൽ നിന്ന് ഗുണകങ്ങൾ വേർതിരിച്ചെടുക്കുന്ന ഒരു പൈത്തൺ സ്ക്രിപ്റ്റ് പ്രിൻ്റ് ചെയ്ത് അതിൻ്റെ ലോജിക് ലൈൻ ബൈ ലൈൻ പരിശോധിക്കുക, (സി) ഒരു സറോഗേറ്റ് മോഡൽ നിർമ്മിക്കാൻ ഒരു പ്ലാൻ തയ്യാറാക്കുക (എത്ര സാമ്പിളുകൾ, ഏത് രീതി, എങ്ങനെ സാധൂകരിക്കാം). ഒരു ഫലത്തെ സാധാരണ ശ്രേണിയുമായി താരതമ്യം ചെയ്ത് അതിൻ്റെ വിശ്വാസ്യത വിലയിരുത്തുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഓരോ CFD ഫലത്തിനും ഞാൻ ഒരു കൺവെർജൻസ് പരിശോധന നടത്തി.
• [ ] നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യം പ്രകടമാക്കിയിട്ടുണ്ടോ എന്ന് ഞാൻ ചോദ്യം ചെയ്തു.
• [ ] ഞാൻ CL/CD പോലുള്ള ഗുണകങ്ങളെ സാധാരണ ക്ലാസ് ശ്രേണിയുമായി താരതമ്യം ചെയ്തു.
• പരിശീലന പരിധിക്കുള്ളിൽ മാത്രമാണ് ഞാൻ വാടക മോഡൽ ഉപയോഗിച്ചത്.
• സറോഗേറ്റ് മോഡൽ പ്രവചനങ്ങളുടെ അനിശ്ചിതത്വം ഞാൻ തീരുമാനത്തിലേക്ക് നയിച്ചു.
• [ ] പൂർണ്ണ CFD ഉപയോഗിച്ച് ഞാൻ മികച്ച സ്ഥാനാർത്ഥികളെ പരിശോധിച്ചു.