ලාභ:
- පරිගණක ද්රව ගතික (CFD) ක්රියාවලියේදී AI සැකසීම, ප්රතිඵල අර්ථ නිරූපණය සහ ආදේශක ආදර්ශ උත්පාදනය තුළ භාවිතා වන ආකාරය පැහැදිලි කිරීමට හැකි වන්න.
- විශාල සැලසුම් අවකාශයක් ඉක්මනින් පරිලෝකනය කිරීමේ හැකියාව සහ යන්ත්ර ඉගෙනීම මත පදනම් වූ ආදේශක ආකෘති සමඟ අපේක්ෂක ජ්යාමිතිය ශ්රේණිගත කිරීම
- අභිසාරීතාවය, ජාල ස්වාධීනත්වය සහ භෞතික විශ්වාසනීය නිර්ණායක සමඟ AI-බලගන්වන වායුගතික නිමැවුම් වලංගු කිරීමේ හැකියාව
පියාපත් සෝපානයක් නිපදවන ආකාරය, බඳකයක් වාතය බෙදන ආකාරය, පාලන පෘෂ්ඨයක් ගලායාම අපසරනය කරන ආකාරය; Aerodynamics යනු මෙම අදෘශ්යමාන බලවේග පිළිබඳ විද්යාවයි. ඉන්ජිනේරුවා මෙම බලවේග ක්රම දෙකකින් ඉගෙන ගනී: සුළං උමඟක අත්හදා බැලීම් මගින් හෝ පරිගණක පරිගණන තරල ගතිකත්වය (CFD; පරිගණක තරල ගතිකත්වය, ගණනය කිරීමේ ජාලයක් මත ප්රවාහ සමීකරණ සංඛ්යාත්මකව විසඳන ක්රමයක්). CFD ප්රබල නමුත් මිල අධිකයි: සංකීර්ණ ධාවනයකට තනි සැලසුම් ලක්ෂ්යයක් ලබා දෙමින් පැය, දින පවා ගත විය හැක. නිර්මාණ සිය ගණනක් අත්හදා බලන්නට කැමති ඉංජිනේරුවා මෙතැනදී ගැටේ.
කෘතිම බුද්ධිය (AI) මෙම බාධකය ස්ථාන දෙකකින් විවෘත කරයි. පළමුව, CFD ක්රියාවලිය තුළම: පිහිටුවීම් පාලනය, ප්රතිඵල අර්ථ නිරූපණය සහ වාර්තා කිරීම. දෙවනුව, සහ වඩාත් පරිවර්තනීය, ආදේශක ආකෘති වේ (මිල සමාකරණයක ආදාන-ප්රතිදාන සම්බන්ධතාවය ඉගෙන ගන්නා යන්ත්ර ඉගෙනුම් ආකෘතිය සහ තත්පර කිහිපයකින් ආසන්න අනාවැකියක් ලබා දෙයි). ආදේශක ආකෘතියට ස්තූතිවන්ත වන අතර, විශාල සැලසුම් අවකාශයක් පැය වෙනුවට තත්පර කිහිපයකින් පරිලෝකනය කරනු ලැබේ, පොරොන්දු වූ අපේක්ෂකයින් කිහිප දෙනෙකු තෝරා ගනු ලැබේ, සහ ඔවුන් පමණක් ඉහළ නිරවද්යතාවයකින් සම්පූර්ණ CFD සමඟ ගණනය කරනු ලැබේ. මෙම ඒකකය තුළ, මෙම කාර්ය ප්රවාහයේ AI කාවැද්දීමේදී අපි වෙනස් කළ නොහැකි රීතිය පවත්වා ගනිමු: අභිසාරීතාව සහ ජාල ස්වාධීනත්වය ප්රදර්ශනය නොකර භෞතික විශ්වාසනීය පෙරහන හරහා ගමන් නොකර විධිමත් ප්රතිඵල කිසිවක් පිළිගනු නොලැබේ.
සංකල්ප: අභිසාරීත්වය: පුනරාවර්තන ප්රගතියත් සමඟ විසඳුම නියත අගයක පිහිටයි; එය නොගැලපේ නම්, ප්රතිඵලය විශ්වාස කළ නොහැකි ය. දැල් ස්වාධීනත්වය: ඔබ ගිණුම් ජාලය තද කළ විට ප්රතිඵලය සැලකිය යුතු ලෙස වෙනස් නොවේ. CL/CD: ලිෆ්ට් සංගුණකය / ඇදගෙන යාමේ සංගුණකය; වායුගතික කාර්යක්ෂමතාවයේ මූලික මිනුම. ආදේශක ආකෘතිය: සමාකරණයේ වේගවත් ආසන්න අනුකරණය.
CFD කාර්ය ප්රවාහයේ AI හි ස්ථානය
CFD ධාවනයක් දළ වශයෙන් පියවර පහකින් සමන්විත වේ: ජ්යාමිතිය සකස් කිරීම, දැල් උත්පාදනය, විසඳුම් සැකසීම, ධාවනය සහ පසු-සැකසීම. AI සෑම පියවරකදීම වෙනස් ලෙස උපකාර කරයි, නමුත් ඒ කිසිවකට අවසාන ප්රකාශය එයට නොමැත.
දැල් උත්පාදනයේදී, AI හට මායිම් ස්ථර විභේදනය සඳහා y+ ඉලක්කයට සාපේක්ෂව ආරම්භක සෛල උස දළ වශයෙන් ගණනය කළ හැක. විසර්ජන සැකසුම තුළ කැළඹිලි ආකෘති තේරීම (උදා: k-omega SST) සඳහා, එය සාධාරණීකරණය සමඟ ප්රවාහ තන්ත්රයට සුදුසු විකල්ප යෝජනා කළ හැකිය. පසු-සැකසුමේදී, ප්රතිඵල ගොනු පේළි දහස් ගණනකින් එසවීම, ඇදගෙන යාම සහ මොහොත සංගුණකය උපුටා ගැනීම සඳහා පයිතන් ස්ක්රිප්ට් එකක් ලිවිය හැකි අතර ප්රහාරක ස්වීප් ප්ලොට් කෝණයක් නිර්මාණය කළ හැකිය. නමුත් y+ අගය සැබවින්ම ඉලක්කයට තිබේද, කැළඹිලි ආකෘතිය මෙම ප්රවාහයට ගැලපේද, ප්රතිඵලය අභිසාරී වේද නැද්ද යන්න ඉංජිනේරු ඇසින් පරීක්ෂා කරයි.
බොහෝ විට භාවිතා කරන ස්ථානය වන්නේ ප්රතිඵල විවරණයයි. ඔබ "CL-alpha curve අංශක 14 දී කැඩී යන්නේ ඇයි" කියා ඔබ AI ගෙන් විමසූ විට, එය ඔබට නැවතීමේ හැකියාව මතක් කර දෙයි (ප්රහාරයේ කෝණය වැඩි වන විට සහ එසවීම අඩු වන විට ප්රවාහය තටුවෙන් වෙන් වේ) සහ ඔබ පරීක්ෂා කළ යුතු ප්රවාහ වෙන් කිරීමේ දර්ශක ලැයිස්තුගත කරයි. මෙය උපකල්පිත උත්පාදකයකි; තහවුරු කිරීම නැවතත් දත්තවල ඇත.
අවවාදයයි: AI හට CFD ප්රතිඵලයක් චතුර ලෙස අර්ථ දැක්විය හැක, නමුත් ප්රතිඵලයම වැරදි නම්, අර්ථ නිරූපණය ද වැරදි වනු ඇත. "මෙම ඇදගෙන යාමේ අගය සාධාරණයි" යන වාක්ය යෙන් විසඳුම අභිසාරී නොවන්නේ නම් කිසිවක් අදහස් නොවේ. පළමුව අංකයේ වලංගු භාවය පරීක්ෂා කරන්න, පසුව අදහස් දැක්වීම.
ආදේශක මාදිලි: තත්පර කිහිපයකින් නිර්මාණ අවකාශය පරිලෝකනය කිරීම
ආදේශක ආකෘතියක් ස්ථාපිත කිරීමේ තර්කනය සරල ය. පළමුව, ප්රවේශමෙන් තෝරාගත් නියැදියක් (උදා: සැලසුම් ලක්ෂ්ය 40-80; පර්යේෂණාත්මක සැලසුම DoE විසින් බෙදා හරිනු ලැබේ) සම්පූර්ණ CFD සමඟ ගණනය කෙරේ. එවිට මෙම ආදාන-ප්රතිදාන යුගල සමඟ යන්ත්ර ඉගෙනුම් ආකෘතියක් (ගවුසියන් ක්රියාවලි ප්රතික්ෂේප කිරීම/ක්රිජිං, රේඩියල් පදනම් ශ්රිතය හෝ ස්නායු ජාලය) පුහුණු කරනු ලැබේ. මෙම ආකෘතිය දැන් තත්පර කිහිපයකින් නව ජ්යාමිතියක් සඳහා CL/CD පුරෝකථනය කරයි. මෙම මිල අඩු ආකෘතිය සමඟ අයදුම්කරුවන් දහස් ගණනක් පරීක්ෂා කරනු ලබන අතර, හොඳම පෙනුම ඇති අපේක්ෂකයින් 3-5 දෙනා සම්පූර්ණ CFD සමඟ නැවත ගණනය කර සත්යාපනය කරනු ලැබේ.
මෙහි තීරනාත්මක ලක්ෂ්යය වන්නේ විශ්වාස අන්තරයයි. ක්රිජිං වැනි නිරූපිකාවන් අනාවැකියක් පමණක් නොව, එම අනාවැකිය (අවිනිශ්චිතතාව) ගැන කොතරම් විශ්වාස කරනවාද යන්නද සපයයි. අවිනිශ්චිතතාවය පුහුණු ස්ථාන වලින් දුරස්ථ ප්රදේශ වල වර්ධනය වේ; එහිදී, ආකෘතිය අන්ධ ලෙස විශ්වාස කිරීම වෙනුවට නව CFD ලක්ෂ්යයක් එකතු වේ. මෙම “අවිනිශ්චිතතාවය ඉහළ මට්ටමක පවතින නව නියැදිය එක් කරන්න” ලූපය සක්රීය ඉගෙනීම ලෙස හඳුන්වන අතර මිල අධික ලකුණු කුඩා සංඛ්යාවක් සමඟින් විශාල ඉඩක් කාර්යක්ෂමව පරිලෝකනය කරයි.
ක්රමය
එක් සැලසුම් ලක්ෂ්යයක් පිරිවැය
නිරවද්යතාව
කවදාද
සම්පූර්ණ CFD (RANS)
ඔරලෝසු
ඉහළ
අවසාන සත්යාපනය, අපේක්ෂකයින් කුඩා සංඛ්යාවක්
ආදේශක ආකෘතිය (ක්රිජිං)
තත්පර
මධ්යම-ඉහළ (අධ්යාපන ක්ෂේත්රයේ)
විශාල ඉඩ පරිලෝකනය, ප්රශස්තකරණය
පැනලය/අඩු ඇණවුම් ක්රමය
තත්පර-විනාඩි
අඩු මධ්යම
ඉවත් කිරීම කල් වැඩියි, දළ අදහස
සුළං උමග
දින-සති
ඉහළම (සැබෑ)
විවේචනාත්මක සත්යාපනය, සහතික කිරීම
ඉඟිය: පුහුණු දත්ත මගින් ආවරණය කරන ලද පරාසයෙන් පිටත ආදේශක ආකෘතිය කිසි විටෙක භාවිතා නොකරන්න (පිටකිරීම). මාදිලිය අංශක 5-15 ක ප්රහාරක කෝණයකින් පුහුණු කර ඇත්නම්, අංශක 25 කින් එය ලබා දෙන අගය අනාවැකියක් නොව ප්රබන්ධයකි. ආකෘතිය තැනීමේදී "පුහුණු පරාසය ලිවීමට සහ සීමාවෙන් බැහැර විමසුම් ප්රතික්ෂේප කිරීමට" AI ගෙන් ඉල්ලා සිටීම මෙම උගුල වසා දමයි.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මේ airfoil හොඳද? මගේ CFD ප්රතිඵලය අර්ථ දක්වන්න: CD=0.009.
බලවත් විමසුම:
භූමිකාව: ඔබ වායුගතික විශ්ලේෂණ උපදේශකයෙක්; ඔබ ආරක්ෂිත-විවේචනාත්මක සත්යාපනය යොදන්න. සන්දර්භය: 2D airfoil RANS CFD විශ්ලේෂණය (අගය නියෝජනය වේ):Re=1.5e6, Mach=0.2, ප්රහාරයේ කෝණය 4°, කැළඹිලි ආකෘතිය k-omega SST. ප්රතිඵලය: CL=0.62, CD=0.0091. ජාලය: 180k සෛල, y+ ~1.Task:1) වලංගු ප්රතිඵලය සලකා බැලීමට පෙර මට පරීක්ෂා කිරීමට අවශ්ය සත්යාපන පියවර ලැයිස්තුගත කරන්න (අභිසාරීත්වය, ජාල ස්වාධීනත්වය, y+).2) CL/CD අනුපාතය ගණනය කර මෙම පැතිකඩ පන්තිය සඳහා සාමාන්ය පරාසය සමඟ සසඳන්න. ඔබට විශ්වාස නැති තැන සලකුණු කරන්න; නිශ්චිත "හොඳ/නරක" විනිශ්චයක් නොකරන්න, සත්යාපන සැලැස්මක් දෙන්න.
පිටපත් කළ හැකි ඉක්මන් සැකිලි
සැකිල්ල 1 — CFD සැකසුම් තර්කනය:
පහත ප්රවාහ තත්ත්වය සඳහා CFD පිහිටුවීම් නිර්දේශය ලබා දෙන්න (නියෝජිත අගයන්): Re=[...], Mach=[...], geometry=[...]. මට පහත හේතු යෝජනා කරන්න: සුදුසු කැළඹිලි ආකෘති විකල්ප, මායිම් ස්ථරය සඳහා ඉලක්ක y+ සහ ආරම්භක සෛල උස ගණනය කිරීම, මායිම් කොන්දේසි. එක් එක් තේරීම සඳහා, "ඇයි" සහ "එය වැරදි වන්නේ කුමන අවස්ථාවකද" යන සටහනක් එක් කරන්න. සංඛ්යා ඒකකය ලියන්න.
සැකිල්ල 2 — අත්හදා බැලීම් සැලසුම් කිරීම (DoE) සහ ආදේශක ආකෘති සැලැස්ම:
මා සතුව [N] සැලසුම් විචල්ය ඇත: [ලැයිස්තුව, පරාස සහිත]. ආදේශක ආකෘතියක් පුහුණු කිරීම සඳහා: (අ) නියැදි ලකුණු කීයක් සහ කුමන නියැදීමේ ක්රමය (උදා: ලතින් හයිපර්කියුබ්) ඔබ නිර්දේශ කරන්නේද; (ආ) කුමන ආකාරයේ ආදේශක ආකෘතිය සුදුසුද සහ ඇයි; (ඇ) මා ආකෘතිය වලංගු කරන්නේ කෙසේද (හරස් වලංගු කිරීම, බෙදීම් පරීක්ෂණ කට්ටලය). පිටකිරීමේ අවදානමට එරෙහිව මා පැනවිය යුතු රීතිය කුමක්ද?
සැකිල්ල 3 — CFD ප්රතිඵල ගොනුවෙන් සංගුණක උපුටා ගැනීමට ස්ක්රිප්ට්:
CFD බල වාර්තාවකින් CSV (තීරු: පුනරාවර්තනය, Fx, Fy, Fz) Python සමඟ: (a) අවසාන පුනරාවර්තන 500 සාමාන්යය මගින් convergedCL සහ CD ගණනය කරන්න; (ආ) අවසාන පුනරාවර්තන 500 හි සම්මත අපගමනය ලියා අභිසාරීතාව පරීක්ෂා කිරීම සඳහා එළිපත්තක් සමඟ සංසන්දනය කරන්න; (ඇ) ප්රහාරක ස්කෑන් කෝණය සඳහා CL-alpha කුමන්ත්රණය කරන්න. පරාමිති ලෙස යොමු ප්රදේශය සහ ගතික පීඩනය සකසන්න; අදහස් පේළි සමඟ ගිණුම පැහැදිලි කරන්න.
සැකිල්ල 4 — ආදේශක ආදර්ශ අනාවැකි විශ්වාස විමසුම:
මා විසින් පුහුණු කරන ලද ක්රිජිං ප්රොක්සි ආකෘතිය පහත අනාවැකිය සඳහා CL=0.71, අවිනිශ්චිතතාව(std) 0.02 ලබා දුන්නේය; විමසුම් ලක්ෂ්යය [ඇතුළත/පිටත] පුහුණු පරාසයයි.(අ) තීරණය ගැනීමට මෙම අවිනිශ්චිතතාවය ප්රමාණවත්ද, මා තීරණය කරන්නේ කෙසේද? (ආ) අවිනිශ්චිතතාවය ඉහළ නම්, මම නව CFD අවස්ථාවක් (ක්රියාකාරී ඉගෙනුම් තර්කනය) එක් කළ යුත්තේ කුමන අවස්ථාවේදීද? (ඇ) මම මෙම පුරෝකථනය සම්පූර්ණ CFD සමඟ තහවුරු කළ යුත්තේ කවදාද?
කුඩා නඩු
නඩුව 1 - අභිසාරී නොවන ප්රතිඵලය හසු වේ. ශිෂ්යයෙකුට ගුවන් පථය සඳහා CD=0.0065 ප්රතිඵලය ලැබෙන අතර සතුටට පත් වේ; පැතිකඩ පන්තිය සඳහා සාමාන්ය සංයුක්ත තැටිය 0.008-0.012 පරාසයේ ඇත, ප්රතිඵලය ඉතා හොඳ බව පෙනේ. AI විසින් යෝජනා කරන ලද අභිසාරී චෙක්පත යෙදීමෙන් පෙන්නුම් කරන්නේ බල සංගුණකය අවසන් පුනරාවර්තන වලදී තවමත් දෝලනය වන බවයි (සාමාන්ය අපගමනය මධ්යන්යයෙන් 8%). විසඳුම වැඩි පුනරාවර්තන සමඟ අභිසාරී වන විට, එය CD = 0.0094 හි පිහිටයි. පාඩම: "ඉතා හොඳ" ප්රතිඵලයක් බොහෝ විට අභිසාරී නොවන ප්රතිඵලයකි.
නඩුව 2 - ආදේශක ආකෘතිය 200 ගුණයකින් වේගවත් වේ. කණ්ඩායමක් ජ්යාමිතික පරාමිතීන් 6ක් සහිත පියාපත් සඳහා සම්පූර්ණ CFD ධාවන 60ක් (~2 බැගින්) ධාවනය කරන අතර ක්රිජිං ආදේශක ආකෘතියක් පුහුණු කරයි. ඉන්පසුව එය තත්පර 40කින් ප්රොක්සි ආකෘතිය සමඟ අපේක්ෂක වින්යාසයන් 5000ක් පරිලෝකනය කරයි, සම්පූර්ණ CFD සහිත හොඳම අපේක්ෂකයින් 4 වලංගු කරයි. මුළු CFD ලකුණු 64ක් සමඟින්, දළ ඇස්තමේන්තුවක් ලකුණු 5000කට සමාන වේ. කාලය සති සිට දින දෙකක් දක්වා අඩු වේ. පාඩම: මිල අධික සමාකරණය සෑම ලක්ෂ්යයකදීම නොව වලංගු කිරීමේ ස්ථානවල පමණක් ධාවනය කරන්න.
නඩුව 3 - නිස්සාරණ උගුල. ඉන්ජිනේරුවෙක් අංශක 3-12 ප්රහාරක කෝණයකින් පුහුණු කරන ලද ආදේශක ආකෘතියකට අංශක 18 කදී සෝපාන ප්රශ්නයක් අසයි; ආකෘතිය CL=1.6 වැනි සුමට ලෙස වැඩි වන අගයක් ලබා දෙයි. යථාර්ථයේ දී, පියාපත් අංශක 15 ක් පමණ ග්රහණය අහිමි වන අතර එසවීම අඩු වේ, නමුත් ආදේශක ආකෘතිය එය මෙම භෞතික විද්යාව "නොපෙනෙන" නිසා එය කෙළින්ම දිගු කරයි. ඉංජිනේරුවරයා භෞතික විද්යාත්මක පරීක්ෂණයකින් (ඇලවුම් අලාභය අපේක්ෂාවෙන්) ප්රතිඵලය ප්රතික්ෂේප කර එම ප්රදේශයට සම්පූර්ණ CFD ධාවනය කරයි. පාඩම: ආදේශක ආකෘතිය එහි පුහුණු පරාසයෙන් ඔබ්බට භෞතික විද්යාව නොදනී.
පොදු වැරදි
- අභිසාරීතාව සඳහා පරීක්ෂා නොකරයි. අභිසාරී නොවන විසඳුමක සංගුණක අර්ථ විරහිත ය; ප්රස්ථාරයේ අලංකාරය අභිසාරී වීමේ සහතිකයක් නොවේ.
- ජාල ස්වාධීනත්වය මග හැරීම. ප්රතිඵලය ජාලය මත රඳා පවතී නම්, විවිධ ජාල සමඟ විවිධ පිළිතුරු පැමිණේ; කුමන එකක් නිවැරදි දැයි දැනගත නොහැක.
- ආදේශක ආකෘතියේ නිස්සාරණය. පුහුණු පරාසයෙන් පිටත පුරෝකථනය භෞතික සත්යයක් නොව ගණිතමය දිගුවක් ලබා දෙයි.
- අවිනිශ්චිතතාවය නොසලකා හැරීම. ක්රිජිං අනාවැකියේ විශ්වාස තොරතුරු භාවිතා නොකරන්නේ නම්, ආකෘතිය වඩාත්ම විශ්වාසදායක කලාපය සහ අඩු විශ්වාසය ඇති කලාපය එකම ලෙස සලකනු ලැබේ.
- කැළඹිලි ආකෘතිය අත්තනෝමතික ලෙස තෝරා ගැනීම. වැරදි කැළඹිලි ආකෘතිය, අභිසාරී සහ ජාල ස්වාධීන විසඳුමක් පවා භෞතිකව වැරදි කරයි.
සාරාංශයකින්
CFD යනු බලවත් නමුත් මිල අධික මෙවලමකි; AI එය ස්ථාන දෙකකින් වේගවත් කරයි: ක්රියාවලි කළමනාකරණය (ස්ථාපනය, විවරණ, ස්ක්රිප්ට්) සහ ආදේශක මාදිලි සමඟ තත්පර කිහිපයකින් විශාල සැලසුම් අවකාශය පරිලෝකනය කිරීම. ආදේශක ආකෘතිය පූර්ණ CFD ධාවන කුඩා සංඛ්යාවක් සමඟ පුහුණු කර ඇති අතර, විශ්වාසනීය පරතරයක් සමඟ භාවිතා කරන අතර හොඳම අපේක්ෂකයින් සම්පූර්ණ CFD සමඟ අනිවාර්යයෙන්ම වලංගු වේ. අභිසාරීතාව, ජාල ස්වාධීනත්වය සහ භෞතික විශ්වසනීයත්වය පරීක්ෂා නොකර විධිමත් ප්රතිඵල කිසිවක් පිළිගනු නොලැබේ. AI උපකල්පනය සහ වේගය ලබා දෙයි; භෞතික විද්යාවේ අවසාන තීරකයා දත්ත වේ.
යෙදුම් කාර්යය
ගුවන් තීරුවක් හෝ සරල ජ්යාමිතියක් සඳහා CFD ධාවන දර්ශනයක් නිර්වචනය කරන්න (නියෝජිත, සත්ය ව්යාපෘති දත්ත නොවේ). AI භාවිතා කරමින්, (අ) වලංගු ප්රතිඵලය සලකා බැලීමට පෙර වලංගු කිරීමේ පියවර ලැයිස්තුගත කරන්න, (b) ප්රතිඵල ගොනුවෙන් සංගුණක උපුටා ගන්නා Python ස්ක්රිප්ට් එකක් මුද්රණය කර එහි තාර්කික රේඛාව පේළියෙන් පරීක්ෂා කරන්න, (ඇ) ආදේශක ආකෘතියක් තැනීමට සැලැස්මක් සකස් කරන්න (නියැදි කීයක්, කුමන ක්රමය, වලංගු කරන්නේ කෙසේද). සාමාන්ය පරාසයට ප්රතිඵලයක් සසඳා එහි විශ්වසනීයත්වය තක්සේරු කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම එක් එක් CFD ප්රතිඵලය සඳහා අභිසාරී පරීක්ෂණයක් කළෙමි.
- [ ] ජාල ස්වාධීනත්වය පෙන්නුම් කළේ දැයි මම ප්රශ්න කළෙමි.
- [ ] මම සාමාන්ය පන්ති පරාසයට CL/CD වැනි සංගුණක සංසන්දනය කළෙමි.
- [ ] මම ආදේශක ආකෘතිය භාවිතා කළේ පුහුණු පරාසය තුළ පමණි.
- [ ] මම ආදේශක ආදර්ශ අනාවැකි වල අවිනිශ්චිතතාවය තීරණයට හේතු විය.
- [ ] මම සම්පූර්ණ CFD සමඟ හොඳම අපේක්ෂකයින් සත්යාපනය කළෙමි.