ਲਾਭ:
- ਇਹ ਦੱਸਣ ਦੇ ਯੋਗ ਬਣੋ ਕਿ ਕਿਵੇਂ AI ਦੀ ਵਰਤੋਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤਰਲ ਡਾਇਨਾਮਿਕਸ (CFD) ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸੈੱਟਅੱਪ, ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਸਰੋਗੇਟ ਮਾਡਲ ਜਨਰੇਸ਼ਨ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਿਤ ਸਰੋਗੇਟ ਮਾਡਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵੱਡੀ ਡਿਜ਼ਾਇਨ ਸਪੇਸ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਸਕੈਨ ਕਰਨ ਅਤੇ ਉਮੀਦਵਾਰ ਜਿਓਮੈਟਰੀ ਨੂੰ ਦਰਜਾ ਦੇਣ ਦੀ ਸਮਰੱਥਾ
- ਕਨਵਰਜੈਂਸ, ਨੈਟਵਰਕ ਦੀ ਸੁਤੰਤਰਤਾ, ਅਤੇ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਏਆਈ-ਸੰਚਾਲਿਤ ਐਰੋਡਾਇਨਾਮਿਕ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਕਿਵੇਂ ਇੱਕ ਵਿੰਗ ਲਿਫਟ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਇੱਕ ਫਿਊਜ਼ਲੇਜ ਹਵਾ ਨੂੰ ਕਿਵੇਂ ਵੰਡਦਾ ਹੈ, ਕਿਵੇਂ ਇੱਕ ਨਿਯੰਤਰਣ ਸਤਹ ਵਹਾਅ ਨੂੰ ਵਿਗਾੜਦਾ ਹੈ; ਏਰੋਡਾਇਨਾਮਿਕਸ ਇਹਨਾਂ ਅਦਿੱਖ ਸ਼ਕਤੀਆਂ ਦਾ ਵਿਗਿਆਨ ਹੈ। ਇੰਜੀਨੀਅਰ ਇਹਨਾਂ ਸ਼ਕਤੀਆਂ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਸਿੱਖਦਾ ਹੈ: ਇੱਕ ਵਿੰਡ ਟਨਲ ਵਿੱਚ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਜਾਂ ਕੰਪਿਊਟਰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਫਲੂਇਡ ਡਾਇਨਾਮਿਕਸ (CFD; ਕੰਪਿਊਟੇਸ਼ਨਲ ਫਲੂਇਡ ਡਾਇਨਾਮਿਕਸ, ਇੱਕ ਵਿਧੀ ਜੋ ਇੱਕ ਕੰਪਿਊਟੇਸ਼ਨਲ ਨੈੱਟਵਰਕ ਉੱਤੇ ਪ੍ਰਵਾਹ ਸਮੀਕਰਨਾਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਤੌਰ 'ਤੇ ਹੱਲ ਕਰਦੀ ਹੈ)। CFD ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਰ ਮਹਿੰਗਾ ਹੈ: ਇੱਕ ਗੁੰਝਲਦਾਰ ਦੌੜ ਘੰਟੇ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਦਿਨ ਵੀ ਲੈ ਸਕਦੀ ਹੈ, ਇੱਕ ਸਿੰਗਲ ਡਿਜ਼ਾਈਨ ਪੁਆਇੰਟ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇੰਜੀਨੀਅਰ ਜੋ ਸੈਂਕੜੇ ਡਿਜ਼ਾਈਨਾਂ ਨੂੰ ਅਜ਼ਮਾਉਣਾ ਚਾਹੁੰਦਾ ਹੈ, ਇੱਥੇ ਇੱਕ ਰੁਕਾਵਟ ਬਣ ਜਾਂਦਾ ਹੈ.
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਇਸ ਰੁਕਾਵਟ ਨੂੰ ਦੋ ਥਾਵਾਂ 'ਤੇ ਖੋਲ੍ਹਦਾ ਹੈ। ਪਹਿਲਾਂ, CFD ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਹੀ: ਸੈੱਟਅੱਪ ਕੰਟਰੋਲ, ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਰਿਪੋਰਟਿੰਗ। ਦੂਜਾ, ਅਤੇ ਹੋਰ ਪਰਿਵਰਤਨਸ਼ੀਲ, ਸਰੋਗੇਟ ਮਾਡਲ ਹਨ (ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਜੋ ਇੱਕ ਮਹਿੰਗੇ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਇਨਪੁਟ-ਆਉਟਪੁੱਟ ਸਬੰਧ ਨੂੰ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਸਕਿੰਟਾਂ ਵਿੱਚ ਅਨੁਮਾਨਿਤ ਪੂਰਵ-ਅਨੁਮਾਨ ਦਿੰਦਾ ਹੈ)। ਸਰੋਗੇਟ ਮਾਡਲ ਲਈ ਧੰਨਵਾਦ, ਇੱਕ ਵੱਡੀ ਡਿਜ਼ਾਇਨ ਸਪੇਸ ਘੰਟਿਆਂ ਦੀ ਬਜਾਏ ਸਕਿੰਟਾਂ ਵਿੱਚ ਸਕੈਨ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਕੁਝ ਹੋਨਹਾਰ ਉਮੀਦਵਾਰਾਂ ਦੀ ਚੋਣ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਕੇਵਲ ਉਹਨਾਂ ਦੀ ਉੱਚ ਸ਼ੁੱਧਤਾ ਨਾਲ ਪੂਰੀ CFD ਨਾਲ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਵਰਕਫਲੋ ਵਿੱਚ AI ਨੂੰ ਏਮਬੈਡ ਕਰਦੇ ਸਮੇਂ ਅਟੱਲ ਨਿਯਮ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹਾਂ: ਕਨਵਰਜੈਂਸ ਅਤੇ ਨੈੱਟਵਰਕ ਸੁਤੰਤਰਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤੇ ਬਿਨਾਂ ਅਤੇ ਭੌਤਿਕ ਪ੍ਰਸੰਨਤਾ ਦੇ ਫਿਲਟਰ ਵਿੱਚੋਂ ਲੰਘੇ ਬਿਨਾਂ ਕੋਈ ਸੁਚਾਰੂ ਨਤੀਜੇ ਸਵੀਕਾਰ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
ਸੰਕਲਪ: ਕਨਵਰਜੈਂਸ: ਦੁਹਰਾਓ ਦੀ ਤਰੱਕੀ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਸਥਿਰ ਮੁੱਲ 'ਤੇ ਹੱਲ ਹੁੰਦਾ ਹੈ; ਜੇ ਇਹ ਫਿੱਟ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਨਤੀਜਾ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੁੰਦਾ. ਜਾਲ ਦੀ ਸੁਤੰਤਰਤਾ: ਜਦੋਂ ਤੁਸੀਂ ਖਾਤਾ ਨੈੱਟਵਰਕ ਨੂੰ ਕੱਸਦੇ ਹੋ ਤਾਂ ਨਤੀਜਾ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਨਹੀਂ ਬਦਲਦਾ ਹੈ। CL/CD: ਲਿਫਟ ਗੁਣਾਂਕ / ਡਰੈਗ ਗੁਣਾਂਕ; ਐਰੋਡਾਇਨਾਮਿਕ ਕੁਸ਼ਲਤਾ ਦਾ ਮੂਲ ਮਾਪ। ਸਰੋਗੇਟ ਮਾਡਲ: ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਤੇਜ਼ ਅਨੁਮਾਨਿਤ ਨਕਲ।
CFD ਵਰਕਫਲੋ ਵਿੱਚ AI ਦਾ ਸਥਾਨ
ਇੱਕ CFD ਰਨ ਵਿੱਚ ਲਗਭਗ ਪੰਜ ਕਦਮ ਹੁੰਦੇ ਹਨ: ਜਿਓਮੈਟਰੀ ਦੀ ਤਿਆਰੀ, ਜਾਲ ਬਣਾਉਣਾ, ਸੋਲਵਰ ਸੈੱਟਅੱਪ, ਰਨਿੰਗ, ਅਤੇ ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ। AI ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਵੱਖੋ-ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਮਦਦ ਕਰਦਾ ਹੈ, ਪਰ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ 'ਤੇ ਇਸਦਾ ਅੰਤਿਮ ਕਹਿਣਾ ਨਹੀਂ ਹੈ।
ਜਾਲ ਜਨਰੇਸ਼ਨ ਵਿੱਚ, AI ਮੋਟੇ ਤੌਰ 'ਤੇ ਸੀਮਾ ਪਰਤ ਰੈਜ਼ੋਲੂਸ਼ਨ ਲਈ y+ ਟੀਚੇ ਦੇ ਮੁਕਾਬਲੇ ਸ਼ੁਰੂਆਤੀ ਸੈੱਲ ਦੀ ਉਚਾਈ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ। ਸੌਲਵਰ ਸੈਟਅਪ ਵਿੱਚ ਗੜਬੜ ਵਾਲੇ ਮਾਡਲ ਦੀ ਚੋਣ (ਜਿਵੇਂ ਕਿ ਕੇ-ਓਮੇਗਾ SST) ਲਈ, ਇਹ ਤਰਕ ਦੇ ਨਾਲ, ਪ੍ਰਵਾਹ ਪ੍ਰਣਾਲੀ ਲਈ ਢੁਕਵੇਂ ਵਿਕਲਪਾਂ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ। ਪੋਸਟ-ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ, ਕੋਈ ਵੀ ਨਤੀਜੇ ਫਾਈਲ ਦੀਆਂ ਹਜ਼ਾਰਾਂ ਲਾਈਨਾਂ ਵਿੱਚੋਂ ਲਿਫਟ, ਡਰੈਗ ਅਤੇ ਪਲ ਗੁਣਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਇੱਕ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟ ਲਿਖ ਸਕਦਾ ਹੈ ਅਤੇ ਹਮਲਾ ਸਵੀਪ ਪਲਾਟ ਦਾ ਕੋਣ ਬਣਾ ਸਕਦਾ ਹੈ। ਪਰ ਕੀ y+ ਮੁੱਲ ਅਸਲ ਵਿੱਚ ਨਿਸ਼ਾਨਾ 'ਤੇ ਹੈ, ਕੀ ਗੜਬੜੀ ਮਾਡਲ ਇਸ ਪ੍ਰਵਾਹ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਕੀ ਨਤੀਜਾ ਇੱਕਤਰ ਹੁੰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਇੰਜੀਨੀਅਰ ਦੀ ਅੱਖ ਦੁਆਰਾ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਸਭ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਸਥਾਨ ਨਤੀਜਾ ਟਿੱਪਣੀ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ AI ਨੂੰ ਪੁੱਛਦੇ ਹੋ ਕਿ "ਉਹ CL-ਅਲਫ਼ਾ ਕਰਵ 14 ਡਿਗਰੀ 'ਤੇ ਕਿਉਂ ਟੁੱਟਦਾ ਹੈ", ਇਹ ਤੁਹਾਨੂੰ ਸਟਾਲ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ (ਹਮਲੇ ਦੇ ਕੋਣ ਦੇ ਵਧਣ ਅਤੇ ਲਿਫਟ ਦੇ ਘਟਣ ਨਾਲ ਵਿੰਗ ਤੋਂ ਵਿੰਗ ਵੱਖ ਹੋ ਜਾਂਦੀ ਹੈ) ਅਤੇ ਪ੍ਰਵਾਹ ਵਿਭਾਜਨ ਸੂਚਕਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਹਾਨੂੰ ਜਾਂਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਇਹ ਇੱਕ ਪਰਿਕਲਪਨਾ ਜਨਰੇਟਰ ਹੈ; ਪੁਸ਼ਟੀ ਡੇਟਾ ਵਿੱਚ ਦੁਬਾਰਾ ਹੈ.
ਸਾਵਧਾਨ: AI ਇੱਕ CFD ਨਤੀਜੇ ਦੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਜੇਕਰ ਨਤੀਜਾ ਖੁਦ ਗਲਤ ਹੈ, ਤਾਂ ਵਿਆਖਿਆ ਵੀ ਗਲਤ ਹੋਵੇਗੀ। ਵਾਕ "ਇਹ ਡਰੈਗ ਵੈਲਯੂ ਵਾਜਬ ਹੈ" ਦਾ ਕੋਈ ਮਤਲਬ ਨਹੀਂ ਹੈ ਜੇਕਰ ਹੱਲ ਇਕਸਾਰ ਨਹੀਂ ਹੁੰਦਾ। ਪਹਿਲਾਂ ਨੰਬਰ ਦੀ ਵੈਧਤਾ ਦੀ ਜਾਂਚ ਕਰੋ, ਫਿਰ ਟਿੱਪਣੀ।
ਸਰੋਗੇਟ ਮਾਡਲ: ਸਕਿੰਟਾਂ ਵਿੱਚ ਡਿਜ਼ਾਈਨ ਸਪੇਸ ਨੂੰ ਸਕੈਨ ਕਰਨਾ
ਸਰੋਗੇਟ ਮਾਡਲ ਸਥਾਪਤ ਕਰਨ ਦਾ ਤਰਕ ਸਧਾਰਨ ਹੈ। ਪਹਿਲਾਂ, ਧਿਆਨ ਨਾਲ ਚੁਣੇ ਗਏ ਨਮੂਨੇ (ਜਿਵੇਂ ਕਿ 40-80 ਡਿਜ਼ਾਈਨ ਪੁਆਇੰਟ; ਪ੍ਰਯੋਗਾਤਮਕ ਡਿਜ਼ਾਈਨ DoE ਦੁਆਰਾ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ) ਦੀ ਪੂਰੀ CFD ਨਾਲ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਫਿਰ ਇਹਨਾਂ ਇਨਪੁਟ-ਆਉਟਪੁੱਟ ਜੋੜਿਆਂ ਨਾਲ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ (ਗੌਸੀਅਨ ਪ੍ਰਕਿਰਿਆ ਰਿਗਰੈਸ਼ਨ/ਕ੍ਰਿਗਿੰਗ, ਰੇਡੀਅਲ ਬੇਸਿਸ ਫੰਕਸ਼ਨ ਜਾਂ ਨਿਊਰਲ ਨੈੱਟਵਰਕ) ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਮਾਡਲ ਹੁਣ ਸਕਿੰਟਾਂ ਵਿੱਚ ਇੱਕ ਨਵੀਂ ਜਿਓਮੈਟਰੀ ਲਈ CL/CD ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਸ ਸਸਤੇ ਮਾਡਲ ਨਾਲ ਹਜ਼ਾਰਾਂ ਉਮੀਦਵਾਰਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ 3-5 ਸਭ ਤੋਂ ਵਧੀਆ ਦਿਖਣ ਵਾਲੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਮੁੜ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਪੂਰੀ CFD ਨਾਲ ਤਸਦੀਕ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਇੱਥੇ ਨਾਜ਼ੁਕ ਬਿੰਦੂ ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਹੈ. ਕ੍ਰਿਗਿੰਗ ਵਰਗੇ ਮਾਡਲ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਸਗੋਂ ਇਹ ਵੀ ਦਿੰਦੇ ਹਨ ਕਿ ਉਹ ਉਸ ਭਵਿੱਖਬਾਣੀ (ਅਨਿਸ਼ਚਿਤਤਾ) ਵਿੱਚ ਕਿੰਨੇ ਭਰੋਸੇਮੰਦ ਹਨ। ਸਿਖਲਾਈ ਬਿੰਦੂਆਂ ਤੋਂ ਦੂਰ ਖੇਤਰਾਂ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਵਧਦੀ ਹੈ; ਉੱਥੇ, ਮਾਡਲ 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ ਇੱਕ ਨਵਾਂ CFD ਪੁਆਇੰਟ ਜੋੜਿਆ ਗਿਆ ਹੈ। ਇਹ "ਨਵਾਂ ਨਮੂਨਾ ਸ਼ਾਮਲ ਕਰੋ ਜਿੱਥੇ ਅਨਿਸ਼ਚਿਤਤਾ ਜ਼ਿਆਦਾ ਹੈ" ਲੂਪ ਨੂੰ ਸਰਗਰਮ ਸਿਖਲਾਈ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਥੋੜ੍ਹੇ ਜਿਹੇ ਮਹਿੰਗੇ ਦੌੜਾਂ ਦੇ ਨਾਲ ਵੱਡੀ ਥਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸਕੈਨ ਕਰਦਾ ਹੈ।
ਵਿਧੀ
ਇੱਕ ਡਿਜ਼ਾਈਨ ਪੁਆਇੰਟ ਦੀ ਲਾਗਤ
ਸ਼ੁੱਧਤਾ
ਜਦੋਂ
ਪੂਰਾ CFD (RANS)
ਘੜੀਆਂ
ਉੱਚ
ਅੰਤਿਮ ਤਸਦੀਕ, ਉਮੀਦਵਾਰਾਂ ਦੀ ਘੱਟ ਗਿਣਤੀ
ਸਰੋਗੇਟ ਮਾਡਲ (ਕ੍ਰਿਗਿੰਗ)
ਸਕਿੰਟ
ਮੱਧਮ-ਉੱਚ (ਸਿੱਖਿਆ ਖੇਤਰ ਵਿੱਚ)
ਵੱਡੀ ਸਪੇਸ ਸਕੈਨਿੰਗ, ਓਪਟੀਮਾਈਜੇਸ਼ਨ
ਪੈਨਲ/ਘੱਟ ਆਰਡਰ ਵਿਧੀ
ਸਕਿੰਟ-ਮਿੰਟ
ਘੱਟ-ਮੱਧਮ
ਖਾਤਮਾ ਬਹੁਤ ਜਲਦੀ, ਮੋਟਾ ਵਿਚਾਰ
ਹਵਾ ਸੁਰੰਗ
ਦਿਨ-ਹਫ਼ਤੇ
ਸਭ ਤੋਂ ਉੱਚਾ (ਅਸਲ)
ਨਾਜ਼ੁਕ ਤਸਦੀਕ, ਪ੍ਰਮਾਣੀਕਰਣ
ਸੰਕੇਤ: ਸਿਖਲਾਈ ਡੇਟਾ (ਐਕਸਟ੍ਰਾਪੋਲੇਸ਼ਨ) ਦੁਆਰਾ ਕਵਰ ਕੀਤੀ ਗਈ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਕਦੇ ਵੀ ਸਰੋਗੇਟ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ। ਜੇ ਮਾਡਲ ਨੂੰ 5-15 ਡਿਗਰੀ ਦੇ ਹਮਲੇ ਦੇ ਕੋਣ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਤਾਂ ਇਹ 25 ਡਿਗਰੀ 'ਤੇ ਜੋ ਮੁੱਲ ਦਿੰਦਾ ਹੈ, ਉਹ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਮਨਘੜਤ ਹੈ। ਮਾਡਲ ਬਣਾਉਣ ਵੇਲੇ ਏਆਈ ਨੂੰ "ਸਿਖਲਾਈ ਰੇਂਜ ਲਿਖਣ ਅਤੇ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਦੀਆਂ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਰੱਦ ਕਰਨ" ਲਈ ਕਹਿਣਾ ਇਸ ਜਾਲ ਨੂੰ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਕੀ ਇਹ ਏਅਰਫੋਇਲ ਵਧੀਆ ਹੈ? ਮੇਰੇ CFD ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ: CD=0.009।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਐਰੋਡਾਇਨਾਮਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸਲਾਹਕਾਰ ਹੋ; ਤੁਸੀਂ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਤਸਦੀਕ ਲਾਗੂ ਕਰਦੇ ਹੋ। ਪ੍ਰਸੰਗ: 2D ਏਅਰਫੋਇਲ RANS CFD ਵਿਸ਼ਲੇਸ਼ਣ (ਮੁੱਲ ਪ੍ਰਤੀਨਿਧੀ ਹਨ): Re=1.5e6, Mach=0.2, ਹਮਲੇ ਦਾ ਕੋਣ 4°, ਗੜਬੜ ਵਾਲਾ ਮਾਡਲ k-ਓਮੇਗਾ SST। ਨਤੀਜਾ: CL=0.62, CD=0.0091। ਨੈੱਟਵਰਕ: 180k ਸੈੱਲ, y+ ~ 1. ਟਾਸਕ:1) ਵੈਧ ਨਤੀਜੇ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਜਾਂਚ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਤਸਦੀਕ ਕਦਮਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ (ਕਨਵਰਜੈਂਸ, ਨੈੱਟਵਰਕ ਸੁਤੰਤਰਤਾ, y+)। 2) CL/CD ਅਨੁਪਾਤ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਇਸ ਪ੍ਰੋਫਾਈਲ ਕਲਾਸ ਲਈ ਖਾਸ ਰੇਂਜ ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਉੱਥੇ ਨਿਸ਼ਾਨ ਲਗਾਓ; ਇੱਕ ਨਿਸ਼ਚਿਤ "ਚੰਗਾ/ਮਾੜਾ" ਨਿਰਣਾ ਨਾ ਕਰੋ, ਇੱਕ ਤਸਦੀਕ ਯੋਜਨਾ ਦਿਓ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
ਟੈਮਪਲੇਟ 1 — CFD ਸੈੱਟਅੱਪ ਤਰਕ:
ਨਿਮਨਲਿਖਤ ਪ੍ਰਵਾਹ ਸਥਿਤੀ (ਪ੍ਰਤੀਨਿਧ ਮੁੱਲਾਂ) ਲਈ CFD ਸੈੱਟਅੱਪ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਦਿਓ: Re=[...], Mach=[...], geometry=[...]। ਮੈਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਕਾਰਨਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ: ਢੁਕਵੇਂ ਗੜਬੜ ਵਾਲੇ ਮਾਡਲ ਵਿਕਲਪ, ਸੀਮਾ ਪਰਤ ਲਈ ਟੀਚਾ y+ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਸੈੱਲ ਉਚਾਈ ਦੀ ਗਣਨਾ, ਸੀਮਾ ਦੀਆਂ ਸਥਿਤੀਆਂ। ਹਰੇਕ ਚੋਣ ਲਈ, "ਕਿਉਂ" ਅਤੇ "ਕਿਸ ਸਥਿਤੀ ਵਿੱਚ ਇਹ ਗਲਤ ਹੋਵੇਗਾ" ਦਾ ਇੱਕ ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ। ਸੰਖਿਆਵਾਂ ਦੀ ਇਕਾਈ ਲਿਖੋ।
ਟੈਂਪਲੇਟ 2 — ਪ੍ਰਯੋਗਾਂ ਦਾ ਡਿਜ਼ਾਈਨ (DoE) ਅਤੇ ਸਰੋਗੇਟ ਮਾਡਲ ਯੋਜਨਾ:
ਮੇਰੇ ਕੋਲ [N] ਡਿਜ਼ਾਈਨ ਵੇਰੀਏਬਲ ਹਨ: [ਸੂਚੀ, ਰੇਂਜਾਂ ਦੇ ਨਾਲ]। ਸਰੋਗੇਟ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ: (ਏ) ਤੁਸੀਂ ਕਿੰਨੇ ਨਮੂਨੇ ਦੇ ਬਿੰਦੂਆਂ ਅਤੇ ਨਮੂਨਾ ਲੈਣ ਦਾ ਕਿਹੜਾ ਤਰੀਕਾ (ਜਿਵੇਂ ਕਿ ਲੈਟਿਨ ਹਾਈਪਰਕਿਊਬ) ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦੇ ਹੋ; (ਬੀ) ਕਿਸ ਕਿਸਮ ਦਾ ਸਰੋਗੇਟ ਮਾਡਲ ਢੁਕਵਾਂ ਹੈ ਅਤੇ ਕਿਉਂ; (c) ਮੈਂ ਮਾਡਲ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਾਂ (ਕਰਾਸ-ਵੈਧੀਕਰਨ, ਸਪਲਿਟ ਟੈਸਟ ਸੈੱਟ)। ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਦੇ ਜੋਖਮ ਦੇ ਵਿਰੁੱਧ ਮੈਨੂੰ ਕਿਹੜਾ ਨਿਯਮ ਲਾਗੂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
ਟੈਮਪਲੇਟ 3 — CFD ਨਤੀਜਾ ਫਾਈਲ ਤੋਂ ਗੁਣਾਂਕ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਸਕ੍ਰਿਪਟ:
ਪਾਈਥਨ ਦੇ ਨਾਲ ਇੱਕ CFD ਫੋਰਸ ਰਿਪੋਰਟ CSV (ਕਾਲਮ: iteration, Fx, Fy, Fz) ਤੋਂ: (a) ਆਖਰੀ 500 ਦੁਹਰਾਓ ਦੀ ਔਸਤ ਦੁਆਰਾ ਕਨਵਰਜਡਸੀਐਲ ਅਤੇ ਸੀਡੀ ਦੀ ਗਣਨਾ ਕਰੋ; (ਬੀ) ਆਖਰੀ 500 ਦੁਹਰਾਓ ਦੇ ਮਿਆਰੀ ਵਿਵਹਾਰ ਨੂੰ ਲਿਖੋ ਅਤੇ ਕਨਵਰਜੈਂਸ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ ਤੁਲਨਾ ਕਰੋ; (c) ਹਮਲੇ ਸਕੈਨ ਦੇ ਕੋਣ ਲਈ ਪਲਾਟ CL-ਅਲਫ਼ਾ। ਸੰਦਰਭ ਖੇਤਰ ਅਤੇ ਗਤੀਸ਼ੀਲ ਦਬਾਅ ਨੂੰ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸੈੱਟ ਕਰੋ; ਟਿੱਪਣੀ ਲਾਈਨਾਂ ਨਾਲ ਖਾਤੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।
ਟੈਮਪਲੇਟ 4 — ਸਰੋਗੇਟ ਮਾਡਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਭਰੋਸੇ ਦੀ ਪੁੱਛਗਿੱਛ:
ਕ੍ਰਿਗਿੰਗ ਪ੍ਰੌਕਸੀ ਮਾਡਲ ਜੋ ਮੈਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ, ਨੇ ਹੇਠਾਂ ਦਿੱਤੀ ਭਵਿੱਖਬਾਣੀ ਲਈ CL=0.71, ਅਨਿਸ਼ਚਿਤਤਾ(std) 0.02 ਦਿੱਤਾ ਹੈ; ਪੁੱਛਗਿੱਛ ਬਿੰਦੂ ਸਿਖਲਾਈ ਸੀਮਾ ਦੇ [ਅੰਦਰ/ਬਾਹਰ] ਹੈ। (a) ਕੀ ਇਹ ਫੈਸਲਾ ਲੈਣ ਲਈ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਇਹ ਪੱਧਰ ਕਾਫ਼ੀ ਹੈ, ਮੈਂ ਕਿਵੇਂ ਫੈਸਲਾ ਕਰਾਂ? (ਬੀ) ਜੇਕਰ ਅਨਿਸ਼ਚਿਤਤਾ ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਕਿਸ ਬਿੰਦੂ 'ਤੇ ਇੱਕ ਨਵਾਂ CFD ਉਦਾਹਰਣ (ਐਕਟਿਵ ਲਰਨਿੰਗ ਤਰਕ) ਜੋੜਨਾ ਚਾਹੀਦਾ ਹੈ? (c) ਮੈਨੂੰ ਪੂਰੀ CFD ਨਾਲ ਇਸ ਭਵਿੱਖਬਾਣੀ ਦੀ ਪੁਸ਼ਟੀ ਕਦੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ?
ਮਿੰਨੀ ਕੇਸ
ਕੇਸ 1 - ਗੈਰ-ਕਨਵਰਜਡ ਨਤੀਜਾ ਫੜਿਆ ਗਿਆ ਹੈ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੂੰ ਏਅਰਫੋਇਲ ਲਈ ਨਤੀਜਾ CD=0.0065 ਮਿਲਦਾ ਹੈ ਅਤੇ ਉਹ ਖੁਸ਼ ਹੁੰਦਾ ਹੈ; ਪ੍ਰੋਫਾਈਲ ਕਲਾਸ ਲਈ ਖਾਸ ਸੀਡੀ 0.008-0.012 ਰੇਂਜ ਵਿੱਚ ਹੈ, ਨਤੀਜਾ ਬਹੁਤ ਵਧੀਆ ਜਾਪਦਾ ਹੈ। AI ਦੁਆਰਾ ਸੁਝਾਈ ਗਈ ਕਨਵਰਜੈਂਸ ਜਾਂਚ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਬਲ ਗੁਣਾਂਕ ਅਜੇ ਵੀ ਆਖਰੀ ਦੁਹਰਾਓ ਵਿੱਚ (ਸਮਾਨ ਦਾ 8% ਮੱਧਮਾਨ ਵਿਵਹਾਰ) ਓਸੀਲੇਟ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਘੋਲ ਨੂੰ ਹੋਰ ਦੁਹਰਾਓ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ CD = 0.0094 'ਤੇ ਸੈਟਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਸਬਕ: ਇੱਕ "ਬਹੁਤ ਵਧੀਆ" ਨਤੀਜਾ ਅਕਸਰ ਇੱਕ ਗੈਰ-ਇਕਸਾਰ ਨਤੀਜਾ ਹੁੰਦਾ ਹੈ।
ਕੇਸ 2 - ਸਰੋਗੇਟ ਮਾਡਲ ਦੀ ਗਤੀ 200 ਗੁਣਾ ਵੱਧ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਟੀਮ 6 ਜਿਓਮੈਟ੍ਰਿਕ ਮਾਪਦੰਡਾਂ ਵਾਲੇ ਇੱਕ ਵਿੰਗ ਲਈ 60 ਪੂਰੀਆਂ CFD ਦੌੜਾਂ (~ 2 ਘੰਟੇ ਹਰੇਕ) ਚਲਾਉਂਦੀ ਹੈ ਅਤੇ ਇੱਕ ਕ੍ਰਿਗਿੰਗ ਸਰੋਗੇਟ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੀ ਹੈ। ਫਿਰ ਇਹ 40 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪ੍ਰੌਕਸੀ ਮਾਡਲ ਦੇ ਨਾਲ 5000 ਉਮੀਦਵਾਰ ਸੰਰਚਨਾਵਾਂ ਨੂੰ ਸਕੈਨ ਕਰਦਾ ਹੈ, ਪੂਰੀ CFD ਦੇ ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ 4 ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਦਾ ਹੈ। ਕੁੱਲ 64 CFD ਦੌੜਾਂ ਦੇ ਨਾਲ, ਇੱਕ ਮੋਟਾ ਅੰਦਾਜ਼ਾ 5000 ਦੌੜਾਂ ਦੇ ਬਰਾਬਰ ਹੈ। ਇਹ ਮਿਆਦ ਹਫ਼ਤਿਆਂ ਤੋਂ ਦੋ ਦਿਨਾਂ ਤੱਕ ਘਟਦੀ ਹੈ। ਪਾਠ: ਮਹਿੰਗਾ ਸਿਮੂਲੇਸ਼ਨ ਸਿਰਫ਼ ਪ੍ਰਮਾਣਿਕਤਾ ਬਿੰਦੂਆਂ 'ਤੇ ਚਲਾਓ, ਹਰ ਬਿੰਦੂ 'ਤੇ ਨਹੀਂ।
ਕੇਸ 3 - ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਟਰੈਪ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਹਮਲੇ ਦੇ 3-12 ਡਿਗਰੀ ਕੋਣ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ ਸਰੋਗੇਟ ਮਾਡਲ ਨੂੰ 18 ਡਿਗਰੀ 'ਤੇ ਇੱਕ ਲਿਫਟ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ; ਮਾਡਲ ਇੱਕ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਵਧ ਰਿਹਾ ਮੁੱਲ ਦਿੰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ CL=1.6। ਵਾਸਤਵ ਵਿੱਚ, ਵਿੰਗ 15 ਡਿਗਰੀ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਪਕੜ ਗੁਆ ਦਿੰਦਾ ਹੈ ਅਤੇ ਲਿਫਟ ਘੱਟ ਜਾਂਦੀ ਹੈ, ਪਰ ਸਰੋਗੇਟ ਮਾਡਲ ਇਸ ਨੂੰ ਸਿੱਧਾ ਵਧਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਇਸ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ "ਵੇਖਦਾ" ਨਹੀਂ ਹੈ। ਇੰਜੀਨੀਅਰ ਇੱਕ ਭੌਤਿਕ ਪ੍ਰਸੰਸਾਯੋਗਤਾ ਜਾਂਚ (ਅਸਲੇਪਣ ਦੇ ਨੁਕਸਾਨ ਦੀ ਉਮੀਦ) ਦੇ ਨਾਲ ਨਤੀਜੇ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ ਅਤੇ ਉਸ ਖੇਤਰ ਲਈ ਇੱਕ ਪੂਰਾ CFD ਚਲਾਉਂਦਾ ਹੈ। ਸਬਕ: ਸਰੋਗੇਟ ਮਾਡਲ ਆਪਣੀ ਸਿਖਲਾਈ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨਹੀਂ ਜਾਣਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਕਨਵਰਜੈਂਸ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਇੱਕ ਗੈਰ-ਸੰਗਠਿਤ ਹੱਲ ਦੇ ਗੁਣਾਂਕ ਅਰਥਹੀਣ ਹਨ; ਗ੍ਰਾਫ ਦੀ ਸੁੰਦਰਤਾ ਕਨਵਰਜੈਂਸ ਦੀ ਕੋਈ ਗਰੰਟੀ ਨਹੀਂ ਹੈ।
- ਨੈੱਟਵਰਕ ਸੁਤੰਤਰਤਾ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ। ਜੇਕਰ ਨਤੀਜਾ ਨੈੱਟਵਰਕ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਵੱਖ-ਵੱਖ ਨੈੱਟਵਰਕਾਂ ਦੇ ਨਾਲ ਵੱਖ-ਵੱਖ ਜਵਾਬ ਆਉਂਦੇ ਹਨ; ਇਹ ਜਾਣਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਕਿ ਕਿਹੜਾ ਸਹੀ ਹੈ।
- ਸਰੋਗੇਟ ਮਾਡਲ ਵਿੱਚ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ। ਸਿਖਲਾਈ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਗਣਿਤਿਕ ਵਿਸਤਾਰ ਦਿੰਦੀ ਹੈ, ਨਾ ਕਿ ਭੌਤਿਕ ਸੱਚ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਜੇਕਰ ਕ੍ਰਿਗਿੰਗ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਭਰੋਸੇਮੰਦ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਉਹ ਖੇਤਰ ਜਿੱਥੇ ਮਾਡਲ ਸਭ ਤੋਂ ਵੱਧ ਭਰੋਸੇਮੰਦ ਹੈ ਅਤੇ ਉਹ ਖੇਤਰ ਜਿੱਥੇ ਇਹ ਘੱਟ ਤੋਂ ਘੱਟ ਭਰੋਸੇਮੰਦ ਹੈ, ਉਹੀ ਵਿਹਾਰ ਕੀਤਾ ਜਾਵੇਗਾ।
- ਗੜਬੜ ਵਾਲੇ ਮਾਡਲ ਨੂੰ ਮਨਮਾਨੇ ਢੰਗ ਨਾਲ ਚੁਣਨਾ। ਗਲਤ ਗੜਬੜ ਮਾਡਲ ਇੱਕ ਕਨਵਰਜਡ ਅਤੇ ਨੈੱਟਵਰਕ-ਸੁਤੰਤਰ ਹੱਲ ਨੂੰ ਵੀ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਗਲਤ ਬਣਾਉਂਦਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
CFD ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪਰ ਮਹਿੰਗਾ ਸੰਦ ਹੈ; AI ਇਸ ਨੂੰ ਦੋ ਥਾਵਾਂ ਤੋਂ ਤੇਜ਼ ਕਰਦਾ ਹੈ: ਪ੍ਰਕਿਰਿਆ ਪ੍ਰਬੰਧਨ (ਇੰਸਟਾਲੇਸ਼ਨ, ਟਿੱਪਣੀ, ਸਕ੍ਰਿਪਟ) ਅਤੇ ਸਰੋਗੇਟ ਮਾਡਲਾਂ ਦੇ ਨਾਲ ਸਕਿੰਟਾਂ ਵਿੱਚ ਵੱਡੀ ਡਿਜ਼ਾਈਨ ਸਪੇਸ ਦੀ ਸਕੈਨਿੰਗ। ਸਰੋਗੇਟ ਮਾਡਲ ਨੂੰ ਥੋੜ੍ਹੇ ਜਿਹੇ ਪੂਰੇ CFD ਰਨ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਇੱਕ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨਾਲ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਲਾਜ਼ਮੀ ਤੌਰ 'ਤੇ ਪੂਰੀ CFD ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕਨਵਰਜੈਂਸ, ਨੈੱਟਵਰਕ ਸੁਤੰਤਰਤਾ, ਅਤੇ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਕੋਈ ਵੀ ਸੁਚਾਰੂ ਨਤੀਜੇ ਸਵੀਕਾਰ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। AI ਪਰਿਕਲਪਨਾ ਅਤੇ ਗਤੀ ਦਿੰਦਾ ਹੈ; ਭੌਤਿਕ ਵਿਗਿਆਨ ਦਾ ਅੰਤਮ ਆਰਬਿਟਰ ਡੇਟਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਏਅਰਫੋਇਲ ਜਾਂ ਇੱਕ ਸਧਾਰਨ ਜਿਓਮੈਟਰੀ (ਪ੍ਰਤੀਨਿਧੀ, ਅਸਲ ਪ੍ਰੋਜੈਕਟ ਡੇਟਾ ਨਹੀਂ) ਲਈ ਇੱਕ CFD ਰਨ ਦ੍ਰਿਸ਼ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, (a) ਨਤੀਜੇ ਨੂੰ ਵੈਧ ਮੰਨਣ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਪੜਾਵਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ, (b) ਇੱਕ ਪਾਈਥਨ ਸਕ੍ਰਿਪਟ ਪ੍ਰਿੰਟ ਕਰੋ ਜੋ ਨਤੀਜਾ ਫਾਈਲ ਤੋਂ ਗੁਣਾਂਕ ਕੱਢਦੀ ਹੈ ਅਤੇ ਲਾਈਨ ਦੁਆਰਾ ਇਸਦੀ ਤਰਕ ਲਾਈਨ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ, (c) ਇੱਕ ਸਰੋਗੇਟ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਇੱਕ ਯੋਜਨਾ ਤਿਆਰ ਕਰੋ (ਕਿੰਨੇ ਨਮੂਨੇ, ਕਿਹੜਾ ਤਰੀਕਾ, ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ)। ਨਤੀਜੇ ਦੀ ਤੁਲਨਾ ਆਮ ਰੇਂਜ ਨਾਲ ਕਰੋ ਅਤੇ ਇਸਦੀ ਪ੍ਰਸੰਸਾਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਹਰੇਕ CFD ਨਤੀਜੇ ਲਈ ਕਨਵਰਜੈਂਸ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਸਵਾਲ ਕੀਤਾ ਕਿ ਕੀ ਨੈੱਟਵਰਕ ਦੀ ਸੁਤੰਤਰਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਗਿਆ ਸੀ।
- [ ] ਮੈਂ ਗੁਣਾਂਕ ਜਿਵੇਂ ਕਿ CL/CD ਦੀ ਤੁਲਨਾ ਆਮ ਕਲਾਸ ਰੇਂਜ ਨਾਲ ਕੀਤੀ।
- [ ] ਮੈਂ ਸਰੋਗੇਟ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਸਿਰਫ਼ ਸਿਖਲਾਈ ਸੀਮਾ ਦੇ ਅੰਦਰ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਫੈਸਲੇ ਵਿੱਚ ਸਰੋਗੇਟ ਮਾਡਲ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ।
- [ ] ਮੈਂ ਪੂਰੀ CFD ਨਾਲ ਸਭ ਤੋਂ ਵਧੀਆ ਉਮੀਦਵਾਰਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।