ஏரோடைனமிக்ஸ், CFD மற்றும் வாடகை மாதிரிகள் கொண்ட விரைவான வடிவமைப்பு ஆய்வு

ஆதாயங்கள்:

• கணக்கீட்டு திரவ இயக்கவியல் (CFD) செயல்பாட்டில் AI எவ்வாறு அமைவு, முடிவு விளக்கம் மற்றும் மாற்று மாதிரி உருவாக்கம் ஆகியவற்றில் பயன்படுத்தப்படுகிறது என்பதை விளக்க முடியும்.
• ஒரு பெரிய வடிவமைப்பு இடத்தை விரைவாக ஸ்கேன் செய்யும் திறன் மற்றும் இயந்திர கற்றல் அடிப்படையிலான வாடகை மாதிரிகள் மூலம் வேட்பாளர் வடிவவியலை வரிசைப்படுத்துதல்
• ஒருங்கிணைப்பு, நெட்வொர்க் சுதந்திரம் மற்றும் இயற்பியல் நம்பகத்தன்மை அளவுகோல்களுடன் AI-இயங்கும் ஏரோடைனமிக் வெளியீடுகளை சரிபார்க்கும் திறன்

ஒரு இறக்கை எவ்வாறு லிஃப்டை உருவாக்குகிறது, ஒரு உருகி காற்றை எவ்வாறு பிரிக்கிறது, ஒரு கட்டுப்பாட்டு மேற்பரப்பு எவ்வாறு ஓட்டத்தை திசை திருப்புகிறது; ஏரோடைனமிக்ஸ் என்பது இந்த கண்ணுக்கு தெரியாத சக்திகளின் அறிவியல். பொறியாளர் இந்த சக்திகளை இரண்டு வழிகளில் கற்றுக்கொள்கிறார்: காற்று சுரங்கப்பாதையில் பரிசோதனை செய்வதன் மூலம் அல்லது கணினி கணக்கீட்டு திரவ இயக்கவியல் (CFD; கணக்கீட்டு திரவ இயக்கவியல், கணக்கீட்டு நெட்வொர்க்கில் எண்ணியல் மூலம் ஓட்ட சமன்பாடுகளை தீர்க்கும் ஒரு முறை). CFD சக்தி வாய்ந்தது ஆனால் விலை உயர்ந்தது: ஒரு சிக்கலான ஓட்டத்திற்கு மணிநேரம், நாட்கள் கூட ஆகலாம், இது ஒரு ஒற்றை வடிவமைப்பு புள்ளியை அளிக்கிறது. நூற்றுக்கணக்கான டிசைன்களை முயற்சிக்க விரும்பும் பொறியாளர் இங்கே ஒரு இடையூறாக ஓடுகிறார்.

செயற்கை நுண்ணறிவு (AI) இந்த தடையை இரண்டு இடங்களில் திறக்கிறது. முதலில், CFD செயல்முறையிலேயே: அமைவு கட்டுப்பாடு, முடிவு விளக்கம் மற்றும் அறிக்கையிடல். இரண்டாவதாக, மேலும் மாற்றத்தை ஏற்படுத்தக்கூடியவை, வாடகை மாதிரிகள் (விலையுயர்ந்த உருவகப்படுத்துதலின் உள்ளீடு-வெளியீட்டு உறவைக் கற்றுக் கொள்ளும் இயந்திர கற்றல் மாதிரி மற்றும் வினாடிகளில் தோராயமான கணிப்பைக் கொடுக்கும்). வாடகை மாதிரிக்கு நன்றி, ஒரு பெரிய வடிவமைப்பு இடம் மணிநேரங்களுக்குப் பதிலாக நொடிகளில் ஸ்கேன் செய்யப்படுகிறது, சில நம்பிக்கைக்குரிய வேட்பாளர்கள் தேர்ந்தெடுக்கப்பட்டனர், மேலும் அவர்கள் மட்டுமே அதிக துல்லியத்துடன் முழு CFD உடன் கணக்கிடப்படுகிறார்கள். இந்த யூனிட்டில், இந்த பணிப்பாய்வுகளில் AI ஐ உட்பொதிக்கும்போது மாறாத விதியை நாங்கள் பராமரிக்கிறோம்: ஒருங்கிணைப்பு மற்றும் நெட்வொர்க் சுதந்திரத்தை நிரூபிக்காமல் மற்றும் இயற்பியல் நம்பகத்தன்மையின் வடிகட்டியைக் கடக்காமல் எந்த நெறிப்படுத்தப்பட்ட முடிவுகளும் ஏற்றுக்கொள்ளப்படாது.

கருத்துகள்: ஒன்றிணைதல்: மறு செய்கைகள் முன்னேறும்போது தீர்வு நிலையான மதிப்பில் நிலைபெறுகிறது; அது பொருந்தவில்லை என்றால், விளைவு நம்பமுடியாதது. மெஷ் சுதந்திரம்: நீங்கள் கணக்கு நெட்வொர்க்கை இறுக்கும்போது முடிவு கணிசமாக மாறாது. CL/CD: லிஃப்ட் குணகம் / இழுவை குணகம்; ஏரோடைனமிக் செயல்திறனின் அடிப்படை அளவுகோல். மாற்று மாதிரி: உருவகப்படுத்துதலின் வேகமான தோராயமான சாயல்.

CFD பணிப்பாய்வுகளில் AI இன் இடம்

ஒரு CFD ரன் தோராயமாக ஐந்து படிகளைக் கொண்டுள்ளது: வடிவியல் தயாரித்தல், கண்ணி உருவாக்கம், கரைப்பான் அமைப்பு, இயங்குதல் மற்றும் பிந்தைய செயலாக்கம். AI ஒவ்வொரு படிநிலையிலும் வித்தியாசமாக உதவுகிறது, ஆனால் அவற்றில் எதுவுமே இறுதி முடிவைக் கொண்டிருக்கவில்லை.

கண்ணி உருவாக்கத்தில், எல்லை அடுக்குத் தீர்மானத்திற்கான y+ இலக்குடன் தொடர்புடைய ஆரம்ப செல் உயரத்தை AI தோராயமாக கணக்கிட முடியும். கரைப்பான் அமைப்பில் உள்ள கொந்தளிப்பு மாதிரி தேர்வுக்கு (எ.கா. k-omega SST), இது நியாயத்துடன், ஓட்ட முறைக்கு பொருத்தமான விருப்பங்களை பரிந்துரைக்கலாம். பிந்தைய செயலாக்கத்தில், ஆயிரக்கணக்கான வரி முடிவுகள் கோப்பிலிருந்து லிஃப்ட், இழுத்தல் மற்றும் தருண குணகங்களைப் பிரித்தெடுக்க பைதான் ஸ்கிரிப்டை எழுதலாம் மற்றும் தாக்குதல் ஸ்வீப் ப்ளாட்டின் கோணத்தை உருவாக்கலாம். ஆனால் y+ மதிப்பு உண்மையில் இலக்கில் உள்ளதா, கொந்தளிப்பு மாதிரி இந்த ஓட்டத்திற்கு பொருந்துமா, மற்றும் முடிவு ஒன்றிணைகிறதா இல்லையா என்பதை பொறியாளரின் கண் சரிபார்க்கிறது.

மிகவும் அடிக்கடி பயன்படுத்தப்படும் இடம் முடிவு கருத்து. "அந்த CL-ஆல்ஃபா வளைவு ஏன் 14 டிகிரியில் உடைகிறது" என்று நீங்கள் AI ஐக் கேட்டால், அது நிறுத்தப்படுவதற்கான சாத்தியத்தை உங்களுக்கு நினைவூட்டுகிறது (தாக்குதல் கோணம் அதிகரிக்கும் மற்றும் லிப்ட் குறையும்போது இறக்கையில் இருந்து ஓட்டம் பிரிகிறது) மற்றும் நீங்கள் சரிபார்க்க வேண்டிய ஓட்டம் பிரிப்பு குறிகாட்டிகளை பட்டியலிடுகிறது. இது ஒரு கருதுகோள் ஜெனரேட்டர்; உறுதிப்படுத்தல் மீண்டும் தரவுகளில் உள்ளது.

எச்சரிக்கை: AI ஆனது CFD முடிவை சரளமாக விளக்குகிறது, ஆனால் முடிவு தவறாக இருந்தால், விளக்கமும் தவறாக இருக்கும். "இந்த இழுவை மதிப்பு நியாயமானது" என்ற வாக்கியம், தீர்வு ஒன்றுபடவில்லை என்றால், எதுவும் இல்லை என்று அர்த்தம். முதலில் எண்ணின் செல்லுபடியை சரிபார்க்கவும், பின்னர் கருத்து.

வாடகை மாதிரிகள்: வினாடிகளில் வடிவமைப்பு இடத்தை ஸ்கேன் செய்கிறது

வாடகை மாதிரியை நிறுவுவதற்கான தர்க்கம் எளிது. முதலில், கவனமாக தேர்ந்தெடுக்கப்பட்ட மாதிரி (எ.கா. 40-80 வடிவமைப்பு புள்ளிகள்; சோதனை வடிவமைப்பு DoE ஆல் விநியோகிக்கப்படுகிறது) முழு CFD உடன் கணக்கிடப்படுகிறது. இந்த உள்ளீடு-வெளியீட்டு ஜோடிகளுடன் ஒரு இயந்திர கற்றல் மாதிரி (காசியன் செயல்முறை பின்னடைவு/கிரிகிங், ரேடியல் அடிப்படை செயல்பாடு அல்லது நரம்பியல் நெட்வொர்க்) பயிற்சியளிக்கப்படுகிறது. மாடல் இப்போது CL/CD ஐ வினாடிகளில் புதிய வடிவவியலுக்கான கணிக்கின்றது. இந்த மலிவான மாதிரியுடன் ஆயிரக்கணக்கான விண்ணப்பதாரர்கள் திரையிடப்படுகிறார்கள், மேலும் 3-5 சிறந்த தோற்றமுள்ள விண்ணப்பதாரர்கள் முழு CFD மூலம் மீண்டும் கணக்கிடப்பட்டு சரிபார்க்கப்படுகிறார்கள்.

இங்கே முக்கியமான புள்ளி நம்பிக்கை இடைவெளி. கிரிகிங் போன்ற மாதிரிகள் ஒரு கணிப்பை மட்டும் வழங்குவதில்லை, ஆனால் அந்த கணிப்பில் அவர்கள் எவ்வளவு நம்பிக்கையுடன் இருக்கிறார்கள் (நிச்சயமற்ற தன்மை). பயிற்சி புள்ளிகளிலிருந்து வெகு தொலைவில் உள்ள பகுதிகளில் நிச்சயமற்ற தன்மை வளர்கிறது; அங்கு, மாதிரியை கண்மூடித்தனமாக நம்புவதற்குப் பதிலாக ஒரு புதிய CFD புள்ளி சேர்க்கப்பட்டுள்ளது. இந்த "நிச்சயமற்ற தன்மை அதிகமாக இருக்கும் புதிய மாதிரியைச் சேர்" லூப் செயலில் கற்றல் என அழைக்கப்படுகிறது மற்றும் குறைந்த எண்ணிக்கையிலான விலையுயர்ந்த ரன்களுடன் பெரிய இடத்தை திறமையாக ஸ்கேன் செய்கிறது.

முறை

ஒரு வடிவமைப்பு புள்ளி விலை

துல்லியம்

எப்போது

முழு CFD (RANS)

கடிகாரங்கள்

உயர்

இறுதி சரிபார்ப்பு, குறைந்த எண்ணிக்கையிலான வேட்பாளர்கள்

வாடகை மாதிரி (கிரிகிங்)

வினாடிகள்

நடுத்தர உயர் (கல்வி பகுதியில்)

பெரிய விண்வெளி ஸ்கேனிங், தேர்வுமுறை

பேனல்/குறைந்த வரிசை முறை

நொடிகள்-நிமிடங்கள்

குறைந்த நடுத்தர

மிக விரைவில் நீக்குதல், கடினமான யோசனை

காற்று சுரங்கப்பாதை

நாட்கள்-வாரங்கள்

மிக உயர்ந்த (உண்மையான)

முக்கியமான சரிபார்ப்பு, சான்றிதழ்

உதவிக்குறிப்பு: பயிற்சித் தரவு (எக்ஸ்ட்ராபோலேஷன்) உள்ளடக்கிய வரம்பிற்கு வெளியே வாடகை மாதிரியை ஒருபோதும் பயன்படுத்த வேண்டாம். மாதிரியானது 5-15 டிகிரி தாக்குதலின் கோணத்தில் பயிற்சியளிக்கப்பட்டிருந்தால், அது 25 டிகிரியில் கொடுக்கும் மதிப்பு ஒரு கணிப்பு அல்ல, ஆனால் ஒரு புனைகதை. மாதிரியை உருவாக்கும்போது, ​​"பயிற்சி வரம்பை எழுதவும் மற்றும் வரம்புக்கு அப்பாற்பட்ட வினவல்களை நிராகரிக்கவும்" AI ஐக் கேட்பது இந்த பொறியை மூடுகிறது.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

இந்த ஏர்ஃபாயில் நல்லதா? எனது CFD முடிவை விளக்கவும்: CD=0.009.

சக்திவாய்ந்த தூண்டுதல்:

பங்கு: நீங்கள் ஒரு ஏரோடைனமிக் பகுப்பாய்வு ஆலோசகர்; நீங்கள் பாதுகாப்பு முக்கியமான சரிபார்ப்பைப் பயன்படுத்துகிறீர்கள். சூழல்: 2D ஏர்ஃபாயில் RANS CFD பகுப்பாய்வு (மதிப்புகள் பிரதிநிதித்துவம்):Re=1.5e6, Mach=0.2, தாக்குதலின் கோணம் 4°, கொந்தளிப்பு மாதிரி k-omega SST. முடிவு: CL=0.62, CD=0.0091. நெட்வொர்க்: 180k செல்கள், y+ ~1.Task:1) சரியான முடிவைக் கருத்தில் கொள்வதற்கு முன் நான் சரிபார்க்க வேண்டிய சரிபார்ப்புப் படிகளைப் பட்டியலிடுங்கள் (ஒருங்கிணைவு, நெட்வொர்க் சுதந்திரம், y+).2) CL/CD விகிதத்தைக் கணக்கிட்டு, இந்த சுயவிவர வகுப்பிற்கான வழக்கமான வரம்புடன் ஒப்பிடவும். நீங்கள் உறுதியாக தெரியாத இடத்தைக் குறிக்கவும்; ஒரு உறுதியான "நல்ல/கெட்ட" தீர்ப்பை வழங்காதீர்கள், சரிபார்ப்புத் திட்டத்தை வழங்கவும்.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

டெம்ப்ளேட் 1 — CFD அமைவு பகுத்தறிவு:

பின்வரும் ஓட்ட நிலைக்கு (பிரதிநிதி மதிப்புகள்) CFD அமைவு பரிந்துரையை வழங்கவும்: Re=[...], Mach=[...], geometry=[...]. பின்வரும் காரணங்களை எனக்குப் பரிந்துரைக்கவும்: பொருத்தமான கொந்தளிப்பு மாதிரி விருப்பங்கள், எல்லை அடுக்குக்கான இலக்கு y+ மற்றும் ஆரம்ப செல் உயரக் கணக்கீடு, எல்லை நிலைமைகள். ஒவ்வொரு தேர்வுக்கும், "ஏன்" மற்றும் "எந்த விஷயத்தில் அது தவறாக இருக்கும்" என்ற குறிப்பைச் சேர்க்கவும். எண்களின் அலகை எழுதவும்.

டெம்ப்ளேட் 2 — சோதனைகளின் வடிவமைப்பு (DoE) மற்றும் பினாமி மாதிரி திட்டம்:

என்னிடம் [N] வடிவமைப்பு மாறிகள் உள்ளன: [பட்டியல், வரம்புகளுடன்]. ஒரு மாற்று மாதிரியைப் பயிற்றுவிக்க: (அ) எத்தனை மாதிரிப் புள்ளிகள் மற்றும் என்ன மாதிரி முறை (எ.கா. லத்தீன் ஹைபர்கியூப்) பரிந்துரைக்கிறீர்கள்; (ஆ) எந்த வகையான பினாமி மாதிரி பொருத்தமானது மற்றும் ஏன்; (இ) மாதிரியை நான் எவ்வாறு சரிபார்க்க வேண்டும் (குறுக்கு சரிபார்ப்பு, பிளவு சோதனை தொகுப்பு). எக்ஸ்ட்ராபோலேஷன் அபாயத்திற்கு எதிராக நான் என்ன விதியை விதிக்க வேண்டும்?

டெம்ப்ளேட் 3 — CFD முடிவு கோப்பிலிருந்து குணகங்களைப் பிரித்தெடுக்கும் ஸ்கிரிப்ட்:

CFD ஃபோர்ஸ் ரிப்போர்ட்டிலிருந்து CSV (நெடுவரிசைகள்: மறு செய்கை, Fx, Fy, Fz) பைத்தானுடன்: (அ) கடந்த 500 மறு செய்கைகளின் சராசரியைக் கொண்டு convergedCL மற்றும் CD ஆகியவற்றைக் கணக்கிடுங்கள்; (ஆ) கடந்த 500 மறு செய்கைகளின் நிலையான விலகலை எழுதவும் மற்றும் ஒருங்கிணைப்பை சரிபார்க்க ஒரு வரம்புடன் ஒப்பிடவும்; (c) தாக்குதல் ஸ்கேன் கோணத்திற்கு CL-ஆல்ஃபாவைத் திட்டமிடுங்கள். குறிப்பு பகுதி மற்றும் மாறும் அழுத்தத்தை அளவுருக்களாக அமைக்கவும்; கருத்து வரிகளுடன் கணக்கை விளக்குங்கள்.

டெம்ப்ளேட் 4 — மாற்று மாதிரி கணிப்பு நம்பிக்கை வினவல்:

நான் பயிற்றுவித்த க்ரிஜிங் ப்ராக்ஸி மாதிரியானது பின்வரும் கணிப்புக்கு CL=0.71, நிச்சயமற்ற தன்மை(std) 0.02; வினவல் புள்ளி [உள்ளே/வெளியே] பயிற்சி வரம்பாகும்.(அ) முடிவெடுக்க இந்த நிச்சயமற்ற நிலை போதுமானதா, நான் எப்படி முடிவு செய்வது? (ஆ) நிச்சயமற்ற தன்மை அதிகமாக இருந்தால், எந்த கட்டத்தில் நான் ஒரு புதிய CFD நிகழ்வைச் சேர்க்க வேண்டும் (செயலில் கற்றல் தர்க்கம்)? (இ) இந்த கணிப்பை முழு CFD உடன் நான் எப்போது உறுதிப்படுத்த வேண்டும்?

மினி வழக்குகள்

வழக்கு 1 - ஒன்றிணைக்கப்படாத முடிவு பிடிக்கப்பட்டது. ஒரு மாணவர் ஏர்ஃபாயிலுக்கான CD=0.0065 முடிவைப் பெற்று மகிழ்ச்சி அடைகிறார்; சுயவிவர வகுப்பிற்கான வழக்கமான சிடி 0.008-0.012 வரம்பில் உள்ளது, முடிவு மிகவும் நன்றாக உள்ளது. AI ஆல் பரிந்துரைக்கப்பட்ட கன்வர்ஜென்ஸ் சரிபார்ப்பைப் பயன்படுத்துவது, கடைசி மறு செய்கைகளில் விசைக் குணகம் இன்னும் ஊசலாடுகிறது (சராசரியில் 8% நிலையான விலகல்) என்பதைக் காட்டுகிறது. தீர்வு அதிக மறு செய்கைகளுடன் ஒன்றிணைக்கப்படும் போது, ​​அது CD = 0.0094 இல் நிலைபெறுகிறது. பாடம்: "மிகவும் நல்லது" முடிவு பெரும்பாலும் ஒருங்கிணைக்கப்படாத முடிவாகும்.

வழக்கு 2 - வாடகை மாதிரி 200 மடங்கு வேகமடைகிறது. ஒரு குழு 6 வடிவியல் அளவுருக்கள் கொண்ட ஒரு இறக்கைக்காக 60 முழு CFD ரன்களை (ஒவ்வொன்றும் ~ 2 மணிநேரம்) இயக்குகிறது மற்றும் ஒரு கிரிகிங் வாடகை மாதிரியைப் பயிற்றுவிக்கிறது. பின்னர் 40 வினாடிகளில் ப்ராக்ஸி மாதிரியுடன் 5000 வேட்பாளர் உள்ளமைவுகளை ஸ்கேன் செய்து, முழு CFD உடன் சிறந்த 4 வேட்பாளர்களை சரிபார்க்கிறது. மொத்தம் 64 CFD ரன்களுடன், தோராயமான மதிப்பீடு 5000 ரன்களுக்குச் சமம். கால அளவு வாரங்கள் முதல் இரண்டு நாட்கள் வரை குறைகிறது. பாடம்: விலையுயர்ந்த உருவகப்படுத்துதலை சரிபார்ப்பு புள்ளிகளில் மட்டுமே இயக்கவும், ஒவ்வொரு புள்ளியிலும் அல்ல.

வழக்கு 3 - எக்ஸ்ட்ராபோலேஷன் பொறி. ஒரு பொறியாளர் 18 டிகிரியில் லிப்ட் கேள்வியை 3-12 டிகிரி கோணத்தில் தாக்குதலுடன் பயிற்சி பெற்ற வாடகை மாதிரியிடம் கேட்கிறார்; மாடல் CL=1.6 போன்ற சீராக அதிகரிக்கும் மதிப்பை அளிக்கிறது. உண்மையில், இறக்கை சுமார் 15 டிகிரி பிடியை இழக்கிறது மற்றும் லிஃப்ட் குறைகிறது, ஆனால் இந்த இயற்பியலை அது "பார்க்கவில்லை" என்பதால், வாடகை மாதிரி அதை நேராக நீட்டிக்கிறது. பொறியாளர் ஒரு உடல் நம்பகத்தன்மை சோதனை (ஒட்டுதல் இழப்பின் எதிர்பார்ப்பு) மூலம் முடிவை நிராகரித்து, அந்த பகுதிக்கு முழு CFD ஐ இயக்குகிறார். பாடம்: வாடகை மாதிரி அதன் பயிற்சி வரம்பிற்கு அப்பால் இயற்பியல் தெரியாது.

பொதுவான தவறுகள்

• ஒன்றிணைவதை சரிபார்க்கவில்லை. ஒரு மாறாத கரைசலின் குணகங்கள் அர்த்தமற்றவை; வரைபடத்தின் அழகு ஒன்றிணைவதற்கு உத்தரவாதம் இல்லை.
• பிணைய சுதந்திரத்தைத் தவிர்க்கிறது. முடிவு பிணையத்தைப் பொறுத்தது என்றால், வெவ்வேறு நெட்வொர்க்குகளுடன் வெவ்வேறு பதில்கள் வெளிவரும்; எது சரி என்று அறிய முடியாது.
• வாடகை மாதிரியில் எக்ஸ்ட்ராபோலேஷன். பயிற்சி வரம்பிற்கு வெளியே கணிப்பு கணித விரிவாக்கத்தை அளிக்கிறது, உடல் உண்மை அல்ல.
• நிச்சயமற்ற தன்மையை புறக்கணித்தல். கிரிகிங் கணிப்பின் நம்பிக்கைத் தகவல் பயன்படுத்தப்படாவிட்டால், மாதிரி மிகவும் நம்பிக்கையுடன் இருக்கும் பகுதியும், குறைந்த நம்பிக்கையுடன் இருக்கும் பகுதியும் ஒரே மாதிரியாகக் கருதப்படும்.
• கொந்தளிப்பு மாதிரியை தன்னிச்சையாக தேர்வு செய்தல். தவறான கொந்தளிப்பு மாதிரியானது ஒன்றிணைந்த மற்றும் பிணைய-சுயாதீனமான தீர்வை கூட உடல் ரீதியாக தவறாக ஆக்குகிறது.

சுருக்கமாக

CFD ஒரு சக்திவாய்ந்த ஆனால் விலையுயர்ந்த கருவியாகும்; AI அதை இரண்டு இடங்களிலிருந்து துரிதப்படுத்துகிறது: செயல்முறை மேலாண்மை (நிறுவல், கருத்து, ஸ்கிரிப்ட்) மற்றும் வாடகை மாதிரிகள் மூலம் பெரிய வடிவமைப்பு இடத்தை நொடிகளில் ஸ்கேன் செய்தல். வாடகை மாதிரியானது குறைந்த எண்ணிக்கையிலான முழு CFD ரன்களுடன் பயிற்சியளிக்கப்படுகிறது, நம்பிக்கை இடைவெளியுடன் பயன்படுத்தப்படுகிறது, மேலும் சிறந்த வேட்பாளர்கள் முழு CFD உடன் சரிபார்க்கப்பட வேண்டும். ஒருங்கிணைப்பு, நெட்வொர்க் சுதந்திரம் மற்றும் இயற்பியல் நம்பகத்தன்மை ஆகியவற்றைச் சரிபார்க்காமல் நெறிப்படுத்தப்பட்ட முடிவுகள் ஏற்றுக்கொள்ளப்படாது. AI கருதுகோள் மற்றும் வேகத்தை அளிக்கிறது; இயற்பியலின் இறுதி நடுவர் தரவு.

விண்ணப்ப பணி

ஏர்ஃபாயில் அல்லது எளிய வடிவவியலுக்கான CFD ரன் காட்சியை வரையறுக்கவும் (பிரதிநிதி, உண்மையான திட்டத் தரவு அல்ல). AI ஐப் பயன்படுத்தி, (a) சரியான முடிவைக் கருத்தில் கொள்வதற்கு முன் சரிபார்ப்புப் படிகளைப் பட்டியலிடுங்கள், (b) முடிவுக் கோப்பிலிருந்து குணகங்களைப் பிரித்தெடுக்கும் பைதான் ஸ்கிரிப்டை அச்சிட்டு, அதன் லாஜிக் வரியை வரியாகச் சரிபார்க்கவும், (இ) ஒரு மாற்று மாதிரியை உருவாக்குவதற்கான திட்டத்தைத் தயாரிக்கவும் (எத்தனை மாதிரிகள், எந்த முறை, எப்படி சரிபார்க்க வேண்டும்). ஒரு முடிவை வழக்கமான வரம்புடன் ஒப்பிட்டு அதன் நம்பகத்தன்மையை மதிப்பிடுங்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் ஒவ்வொரு CFD முடிவுக்கும் ஒரு ஒருங்கிணைப்பு சோதனை செய்தேன்.
• [ ] நெட்வொர்க் சுதந்திரம் நிரூபிக்கப்பட்டதா என்று நான் கேள்வி எழுப்பினேன்.
• [ ] நான் CL/CD போன்ற குணகங்களை வழக்கமான வகுப்பு வரம்புடன் ஒப்பிட்டேன்.
• [ ] நான் பயிற்சி வரம்பிற்குள் மட்டுமே வாடகை மாதிரியைப் பயன்படுத்தினேன்.
• [ ] பினாமி மாதிரி கணிப்புகளின் நிச்சயமற்ற தன்மையை நான் தீர்மானித்தேன்.
• [ ] முழு CFD உடன் சிறந்த விண்ணப்பதாரர்களை நான் சரிபார்த்தேன்.