ఏరోడైనమిక్స్, CFD మరియు సర్రోగేట్ మోడల్‌లతో రాపిడ్ డిజైన్ ఎక్స్‌ప్లోరేషన్

లాభాలు:

• కంప్యూటేషనల్ ఫ్లూయిడ్ డైనమిక్స్ (CFD) ప్రక్రియలో సెటప్, రిజల్ట్ ఇంటర్‌ప్రెటేషన్ మరియు సర్రోగేట్ మోడల్ జనరేషన్‌లో AI ఎలా ఉపయోగించబడుతుందో వివరించగలరు.
• మెషీన్ లెర్నింగ్-ఆధారిత సర్రోగేట్ మోడల్‌లతో పెద్ద డిజైన్ స్థలాన్ని త్వరగా స్కాన్ చేయగల సామర్థ్యం మరియు అభ్యర్థి జ్యామితిలను ర్యాంక్ చేయగల సామర్థ్యం
• కన్వర్జెన్స్, నెట్‌వర్క్ స్వాతంత్ర్యం మరియు భౌతిక ఆమోదయోగ్యత ప్రమాణాలతో AI-ఆధారిత ఏరోడైనమిక్ అవుట్‌పుట్‌లను ధృవీకరించగల సామర్థ్యం

ఒక రెక్క లిఫ్ట్‌ను ఎలా ఉత్పత్తి చేస్తుంది, ఫ్యూజ్‌లేజ్ గాలిని ఎలా విభజిస్తుంది, నియంత్రణ ఉపరితలం ప్రవాహాన్ని ఎలా విక్షేపం చేస్తుంది; ఏరోడైనమిక్స్ అనేది ఈ అదృశ్య శక్తుల శాస్త్రం. ఇంజనీర్ ఈ శక్తులను రెండు విధాలుగా నేర్చుకుంటాడు: విండ్ టన్నెల్‌లో ప్రయోగం ద్వారా లేదా కంప్యూటర్ కంప్యూటేషనల్ ఫ్లూయిడ్ డైనమిక్స్ (CFD; కంప్యూటేషనల్ ఫ్లూయిడ్ డైనమిక్స్, గణన నెట్‌వర్క్‌లో ప్రవాహ సమీకరణాలను సంఖ్యాపరంగా పరిష్కరించే పద్ధతి). CFD శక్తివంతమైనది కానీ ఖరీదైనది: సంక్లిష్టమైన పరుగుకు గంటలు, రోజులు కూడా పట్టవచ్చు, ఒకే డిజైన్ పాయింట్‌ని పొందవచ్చు. వందలాది డిజైన్‌లను ప్రయత్నించాలనుకునే ఇంజనీర్ ఇక్కడ అడ్డంకిలో పడతాడు.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ఈ అడ్డంకిని రెండు చోట్ల తెరుస్తుంది. ముందుగా, CFD ప్రాసెస్‌లోనే: సెటప్ కంట్రోల్, రిజల్ట్ ఇంటర్‌ప్రెటేషన్ మరియు రిపోర్టింగ్. రెండవది, మరియు మరింత పరివర్తనాత్మకమైనవి, సర్రోగేట్ మోడల్‌లు (మెషిన్ లెర్నింగ్ మోడల్, ఇది ఖరీదైన అనుకరణ యొక్క ఇన్‌పుట్-అవుట్‌పుట్ సంబంధాన్ని నేర్చుకుంటుంది మరియు సెకన్లలో సుమారుగా అంచనాను ఇస్తుంది). సర్రోగేట్ మోడల్‌కు ధన్యవాదాలు, పెద్ద డిజైన్ స్పేస్ గంటలలో కాకుండా సెకన్లలో స్కాన్ చేయబడుతుంది, కొంతమంది ఆశాజనక అభ్యర్థులు ఎంపిక చేయబడతారు మరియు వారు మాత్రమే అధిక ఖచ్చితత్వంతో పూర్తి CFDతో లెక్కించబడతారు. ఈ యూనిట్‌లో, ఈ వర్క్‌ఫ్లోలో AIని పొందుపరిచేటప్పుడు మేము మార్పులేని నియమాన్ని నిర్వహిస్తాము: కన్వర్జెన్స్ మరియు నెట్‌వర్క్ స్వతంత్రతను ప్రదర్శించకుండా మరియు ఫిజికల్ ప్లాసిబిలిటీ యొక్క ఫిల్టర్‌ను దాటకుండా ఎటువంటి క్రమబద్ధీకరించబడిన ఫలితాలు ఆమోదించబడవు.

కాన్సెప్ట్‌లు: కన్వర్జెన్స్: పునరావృత్తులు పురోగమిస్తున్నప్పుడు పరిష్కారం స్థిరమైన విలువతో స్థిరపడుతుంది; ఇది సరిపోకపోతే, ఫలితం నమ్మదగనిది. మెష్ స్వతంత్రత: మీరు ఖాతా నెట్‌వర్క్‌ను బిగించినప్పుడు ఫలితం గణనీయంగా మారదు. CL/CD: లిఫ్ట్ కోఎఫీషియంట్ / డ్రాగ్ కోఎఫీషియంట్; ఏరోడైనమిక్ సామర్థ్యం యొక్క ప్రాథమిక కొలత. సర్రోగేట్ మోడల్: అనుకరణ యొక్క వేగవంతమైన ఉజ్జాయింపు అనుకరణ.

CFD వర్క్‌ఫ్లో AI యొక్క స్థానం

ఒక CFD రన్ సుమారు ఐదు దశలను కలిగి ఉంటుంది: జ్యామితి తయారీ, మెష్ ఉత్పత్తి, సాల్వర్ సెటప్, రన్నింగ్ మరియు పోస్ట్-ప్రాసెసింగ్. AI ప్రతి దశలో విభిన్నంగా సహాయపడుతుంది, కానీ వాటిలో దేనిపైనా తుది నిర్ణయం తీసుకోదు.

మెష్ జనరేషన్‌లో, సరిహద్దు లేయర్ రిజల్యూషన్ కోసం y+ లక్ష్యానికి సంబంధించి ప్రారంభ సెల్ ఎత్తును AI దాదాపుగా లెక్కించగలదు. పరిష్కరిణి సెటప్‌లో టర్బులెన్స్ మోడల్ ఎంపిక (ఉదా. k-omega SST) కోసం, ఇది జస్టిఫికేషన్‌తో ఫ్లో పాలనకు తగిన ఎంపికలను సూచించవచ్చు. పోస్ట్-ప్రాసెసింగ్‌లో, వేలకొద్దీ పంక్తుల ఫలితాల ఫైల్ నుండి లిఫ్ట్, డ్రాగ్ మరియు మూమెంట్ కోఎఫీషియంట్‌లను సంగ్రహించడానికి పైథాన్ స్క్రిప్ట్‌ను వ్రాయవచ్చు మరియు అటాక్ స్వీప్ ప్లాట్ యొక్క కోణాన్ని సృష్టించవచ్చు. కానీ y+ విలువ నిజంగా లక్ష్యంలో ఉందా, టర్బులెన్స్ మోడల్ ఈ ప్రవాహానికి సరిపోతుందా మరియు ఫలితం కలుస్తుందా లేదా అనేది ఇంజనీర్ కంటి ద్వారా తనిఖీ చేయబడుతుంది.

చాలా తరచుగా ఉపయోగించే స్థలం ఫలితం కామెంట్. "ఆ CL-ఆల్ఫా కర్వ్ 14 డిగ్రీల వద్ద ఎందుకు విరిగిపోతుంది" అని మీరు AIని అడిగినప్పుడు, అది మీకు స్టాల్ యొక్క అవకాశాన్ని గుర్తుచేస్తుంది (దాడి కోణం పెరిగినప్పుడు మరియు లిఫ్ట్ తగ్గినప్పుడు ప్రవాహం రెక్క నుండి వేరు చేయబడుతుంది) మరియు మీరు తనిఖీ చేయవలసిన ప్రవాహ విభజన సూచికలను జాబితా చేస్తుంది. ఇది ఒక పరికల్పన జనరేటర్; నిర్ధారణ మళ్లీ డేటాలో ఉంది.

హెచ్చరిక: AI CFD ఫలితాన్ని సరళంగా అర్థం చేసుకోగలదు, కానీ ఫలితం తప్పుగా ఉంటే, వివరణ కూడా తప్పుగా ఉంటుంది. "ఈ డ్రాగ్ విలువ సహేతుకమైనది" అనే వాక్యం పరిష్కారం కలుస్తూ ఉండకపోతే ఏమీ కాదు. మొదట నంబర్ యొక్క చెల్లుబాటును తనిఖీ చేయండి, ఆపై వ్యాఖ్యను తనిఖీ చేయండి.

సర్రోగేట్ మోడల్స్: డిజైన్ స్పేస్‌ని సెకన్లలో స్కాన్ చేస్తుంది

సర్రోగేట్ మోడల్‌ను స్థాపించే తర్కం చాలా సులభం. ముందుగా, జాగ్రత్తగా ఎంచుకున్న నమూనా (ఉదా. 40-80 డిజైన్ పాయింట్‌లు; ప్రయోగాత్మక రూపకల్పన DoE ద్వారా పంపిణీ చేయబడుతుంది) పూర్తి CFDతో లెక్కించబడుతుంది. అప్పుడు ఈ ఇన్‌పుట్-అవుట్‌పుట్ జతలతో మెషిన్ లెర్నింగ్ మోడల్ (గాస్సియన్ ప్రాసెస్ రిగ్రెషన్/క్రిగింగ్, రేడియల్ బేసిస్ ఫంక్షన్ లేదా న్యూరల్ నెట్‌వర్క్) శిక్షణ పొందుతుంది. మోడల్ ఇప్పుడు కొత్త జ్యామితి కోసం CL/CDని సెకన్లలో అంచనా వేస్తుంది. ఈ చవకైన మోడల్‌తో వేలాది మంది అభ్యర్థులు పరీక్షించబడ్డారు మరియు 3-5 ఉత్తమంగా కనిపించే అభ్యర్థులు పూర్తి CFDతో తిరిగి లెక్కించబడతారు మరియు ధృవీకరించబడతారు.

ఇక్కడ కీలకమైన అంశం విశ్వాస విరామం. క్రిగింగ్ వంటి మోడల్‌లు ఒక అంచనాను మాత్రమే కాకుండా, ఆ అంచనాలో ఎంత నమ్మకంగా ఉన్నాయో కూడా అందిస్తాయి (అనిశ్చితి). శిక్షణ పాయింట్లకు దూరంగా ఉన్న ప్రాంతాల్లో అనిశ్చితి పెరుగుతుంది; అక్కడ, మోడల్‌ను గుడ్డిగా విశ్వసించే బదులు కొత్త CFD పాయింట్ జోడించబడింది. ఈ "అనిశ్చితి ఎక్కువగా ఉన్న చోట కొత్త నమూనాను జోడించు" లూప్‌ను యాక్టివ్ లెర్నింగ్ అని పిలుస్తారు మరియు తక్కువ సంఖ్యలో ఖరీదైన పరుగులతో పెద్ద స్థలాన్ని సమర్ధవంతంగా స్కాన్ చేస్తుంది.

పద్ధతి

ఒక డిజైన్ పాయింట్ ఖర్చు

ఖచ్చితత్వం

ఎప్పుడు

పూర్తి CFD (RANS)

గడియారాలు

అధిక

తుది ధృవీకరణ, తక్కువ సంఖ్యలో అభ్యర్థులు

సర్రోగేట్ మోడల్ (క్రిగింగ్)

సెకన్లు

మీడియం-హై (విద్యా ప్రాంతంలో)

పెద్ద స్పేస్ స్కానింగ్, ఆప్టిమైజేషన్

ప్యానెల్/తక్కువ ఆర్డర్ పద్ధతి

సెకన్లు-నిమిషం

తక్కువ-మధ్యస్థ

ఎలిమినేషన్ చాలా త్వరగా, కఠినమైన ఆలోచన

గాలి సొరంగం

రోజులు-వారాలు

అత్యధిక (నిజమైన)

క్రిటికల్ వెరిఫికేషన్, సర్టిఫికేషన్

చిట్కా: శిక్షణ డేటా (ఎక్స్‌ట్రాపోలేషన్) ద్వారా కవర్ చేయబడిన పరిధి వెలుపల సర్రోగేట్ మోడల్‌ను ఎప్పుడూ ఉపయోగించవద్దు. మోడల్ 5-15 డిగ్రీల దాడి కోణంతో శిక్షణ పొందినట్లయితే, అది 25 డిగ్రీల వద్ద ఇచ్చే విలువ అంచనా కాదు, కల్పన. మోడల్‌ను నిర్మించేటప్పుడు "శిక్షణ పరిధిని వ్రాయమని మరియు సరిహద్దుల వెలుపల ప్రశ్నలను తిరస్కరించమని" AIని అడగడం ఈ ఉచ్చును మూసివేస్తుంది.

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనమైన ప్రాంప్ట్:

ఈ ఎయిర్‌ఫాయిల్ మంచిదా? నా CFD ఫలితాన్ని వివరించండి: CD=0.009.

శక్తివంతమైన ప్రాంప్ట్:

పాత్ర: మీరు ఏరోడైనమిక్ అనాలిసిస్ కన్సల్టెంట్; మీరు భద్రత-క్లిష్టమైన ధృవీకరణను వర్తింపజేస్తారు. సందర్భం: 2D ఎయిర్‌ఫాయిల్ RANS CFD విశ్లేషణ (విలువలు ప్రాతినిధ్యం వహిస్తాయి):Re=1.5e6, Mach=0.2, దాడి కోణం 4°, టర్బులెన్స్ మోడల్ k-omega SST. ఫలితం: CL=0.62, CD=0.0091. నెట్‌వర్క్: 180k సెల్‌లు, y+ ~1.Task:1) చెల్లుబాటు అయ్యే ఫలితాన్ని పరిగణనలోకి తీసుకునే ముందు నేను తనిఖీ చేయాల్సిన ధృవీకరణ దశలను జాబితా చేయండి (కన్వర్జెన్స్, నెట్‌వర్క్ స్వాతంత్ర్యం, y+).2) CL/CD నిష్పత్తిని లెక్కించండి మరియు ఈ ప్రొఫైల్ తరగతికి సాధారణ పరిధితో సరిపోల్చండి. 3) W.Cri విలువ యూనిట్‌లో కనిపిస్తే, లోపం యొక్క సాధ్యమైన మూలాలను చూపండి; మీకు ఖచ్చితంగా తెలియదని గుర్తించండి; ఖచ్చితమైన "మంచి/చెడు" తీర్పు ఇవ్వకండి, ధృవీకరణ ప్రణాళికను ఇవ్వండి.

కాపీ చేయదగిన ప్రాంప్ట్ టెంప్లేట్లు

టెంప్లేట్ 1 — CFD సెటప్ రీజనింగ్:

కింది ఫ్లో కండిషన్ (ప్రతినిధి విలువలు) కోసం CFD సెటప్ సిఫార్సును ఇవ్వండి: Re=[...], Mach=[...], జ్యామితి=[...]. నాకు ఈ క్రింది కారణాలను సూచించండి: తగిన టర్బులెన్స్ మోడల్ ఎంపికలు, సరిహద్దు లేయర్ కోసం లక్ష్యం y+ మరియు ప్రారంభ సెల్ ఎత్తు గణన, సరిహద్దు పరిస్థితులు. ప్రతి ఎంపిక కోసం, "ఎందుకు" మరియు "ఏ సందర్భంలో అది తప్పు అవుతుంది" అనే గమనికను జోడించండి. సంఖ్యల యూనిట్‌ని వ్రాయండి.

టెంప్లేట్ 2 — ప్రయోగాల రూపకల్పన (DoE) మరియు సర్రోగేట్ మోడల్ ప్లాన్:

నా వద్ద [N] డిజైన్ వేరియబుల్స్ ఉన్నాయి: [జాబితా, పరిధులతో]. సర్రోగేట్ మోడల్‌కు శిక్షణ ఇవ్వడానికి: (ఎ) మీరు ఎన్ని నమూనా పాయింట్‌లు మరియు ఏ నమూనా పద్ధతిని (ఉదా. లాటిన్ హైపర్‌క్యూబ్) సిఫార్సు చేస్తారు; (బి) ఏ రకమైన సర్రోగేట్ మోడల్ సరైనది మరియు ఎందుకు; (సి) నేను మోడల్‌ని ఎలా ధృవీకరించాలి (క్రాస్ ధ్రువీకరణ, స్ప్లిట్ టెస్ట్ సెట్). ఎక్స్‌ట్రాపోలేషన్ ప్రమాదానికి వ్యతిరేకంగా నేను ఏ నియమాన్ని విధించాలి?

టెంప్లేట్ 3 — CFD రిజల్ట్ ఫైల్ నుండి గుణకాలను సంగ్రహించడానికి స్క్రిప్ట్:

CFD ఫోర్స్ రిపోర్ట్ నుండి CSV (నిలువు వరుసలు: పునరావృతం, Fx, Fy, Fz) పైథాన్‌తో: (a) గత 500 పునరావృత్తులు సగటున కన్వర్జ్డ్CL మరియు CDని లెక్కించండి; (బి) చివరి 500 పునరావృతాల యొక్క ప్రామాణిక విచలనాన్ని వ్రాసి, కన్వర్జెన్స్‌ని తనిఖీ చేయడానికి దానిని థ్రెషోల్డ్‌తో సరిపోల్చండి; (సి) దాడి స్కాన్ కోణం కోసం CL-alpha ప్లాట్ చేయండి. సూచన ప్రాంతం మరియు డైనమిక్ ఒత్తిడిని పారామితులుగా సెట్ చేయండి; వ్యాఖ్య పంక్తులతో ఖాతాను వివరించండి.

టెంప్లేట్ 4 — సర్రోగేట్ మోడల్ ప్రిడిక్షన్ కాన్ఫిడెన్స్ క్వెరీ:

నేను శిక్షణ పొందిన క్రిగింగ్ ప్రాక్సీ మోడల్ కింది అంచనాకు CL=0.71, అనిశ్చితి(std) 0.02 ఇచ్చింది; ప్రశ్న పాయింట్ [లోపల/బయటి] శిక్షణ పరిధి.(a) నిర్ణయం తీసుకోవడానికి ఈ స్థాయి అనిశ్చితి సరిపోతుందా, నేను ఎలా నిర్ణయించుకోవాలి? (బి) అనిశ్చితి ఎక్కువగా ఉంటే, నేను ఏ సమయంలో కొత్త CFD ఉదాహరణని (యాక్టివ్ లెర్నింగ్ లాజిక్) జోడించాలి? (సి) నేను ఈ అంచనాను పూర్తి CFDతో ఎప్పుడు నిర్ధారించాలి?

మినీ కేసులు

కేసు 1 — నాన్-కన్వర్జ్డ్ ఫలితం క్యాచ్ చేయబడింది. ఒక విద్యార్థి ఎయిర్‌ఫాయిల్ కోసం CD=0.0065 ఫలితాన్ని పొందాడు మరియు సంతోషించాడు; ప్రొఫైల్ క్లాస్ కోసం సాధారణ CD 0.008-0.012 పరిధిలో ఉంది, ఫలితం చాలా బాగుంది. AI సూచించిన కన్వర్జెన్స్ చెక్‌ను వర్తింపజేయడం వలన శక్తి గుణకం చివరి పునరావృతాలలో ఇప్పటికీ డోలనం (సగటులో 8% ప్రామాణిక విచలనం) ఉన్నట్లు చూపిస్తుంది. పరిష్కారం మరిన్ని పునరావృత్తులతో కలిసినప్పుడు, అది CD = 0.0094 వద్ద స్థిరపడుతుంది. పాఠం: "చాలా మంచి" ఫలితం తరచుగా కన్వర్జ్ కాని ఫలితం.

కేస్ 2 — సర్రోగేట్ మోడల్ 200 రెట్లు వేగాన్ని పెంచుతుంది. ఒక బృందం 6 రేఖాగణిత పారామితులతో ఒక వింగ్ కోసం 60 పూర్తి CFD పరుగులు (ఒక్కొక్కటి ~2 గంటలు) నడుపుతుంది మరియు ఒక క్రిగింగ్ సర్రోగేట్ మోడల్‌కు శిక్షణ ఇస్తుంది. తర్వాత ఇది 40 సెకన్లలో ప్రాక్సీ మోడల్‌తో 5000 అభ్యర్థుల కాన్ఫిగరేషన్‌లను స్కాన్ చేస్తుంది, పూర్తి CFDతో ఉత్తమమైన 4 అభ్యర్థులను ధృవీకరిస్తుంది. మొత్తం 64 CFD పరుగులతో, స్థూల అంచనా 5000 పరుగులకు సమానం. వ్యవధి వారాల నుండి రెండు రోజుల వరకు తగ్గుతుంది. పాఠం: ఖరీదైన అనుకరణను ప్రతి పాయింట్ వద్ద కాకుండా ధ్రువీకరణ పాయింట్ల వద్ద మాత్రమే అమలు చేయండి.

కేస్ 3 - ఎక్స్‌ట్రాపోలేషన్ ట్రాప్. ఒక ఇంజనీర్ 3-12 డిగ్రీల కోణంతో శిక్షణ పొందిన సర్రోగేట్ మోడల్‌కు 18 డిగ్రీల వద్ద లిఫ్ట్ ప్రశ్న అడుగుతాడు; మోడల్ CL=1.6 వంటి సాఫీగా పెరుగుతున్న విలువను ఇస్తుంది. వాస్తవానికి, రెక్క 15 డిగ్రీల చుట్టూ పట్టును కోల్పోతుంది మరియు లిఫ్ట్ తగ్గుతుంది, అయితే సర్రోగేట్ మోడల్ దానిని నేరుగా విస్తరించింది ఎందుకంటే ఇది ఈ భౌతిక శాస్త్రాన్ని "చూడదు". ఇంజనీర్ భౌతిక ఆమోదయోగ్యత తనిఖీ (సంశ్లేషణ నష్టం యొక్క అంచనా)తో ఫలితాన్ని తిరస్కరిస్తాడు మరియు ఆ ప్రాంతానికి పూర్తి CFDని అమలు చేస్తాడు. పాఠం: సర్రోగేట్ మోడల్‌కు దాని శిక్షణ పరిధికి మించి భౌతికశాస్త్రం తెలియదు.

సాధారణ తప్పులు

• కన్వర్జెన్స్ కోసం తనిఖీ చేయడం లేదు. నాన్‌కన్వర్జ్డ్ సొల్యూషన్ యొక్క గుణకాలు అర్థరహితమైనవి; గ్రాఫ్ యొక్క అందం కలయికకు హామీ లేదు.
• నెట్‌వర్క్ స్వతంత్రతను దాటవేయడం. ఫలితం నెట్‌వర్క్‌పై ఆధారపడి ఉంటే, వివిధ నెట్‌వర్క్‌లతో విభిన్న సమాధానాలు వస్తాయి; ఏది సరైనదో తెలియదు.
• సర్రోగేట్ మోడల్‌లో ఎక్స్‌ట్రాపోలేషన్. శిక్షణ పరిధి వెలుపల అంచనా గణిత శాస్త్ర పొడిగింపును ఇస్తుంది, భౌతిక సత్యం కాదు.
• అనిశ్చితిని విస్మరించడం. క్రిగింగ్ ప్రిడిక్షన్ యొక్క కాన్ఫిడెన్స్ సమాచారం ఉపయోగించబడకపోతే, మోడల్ అత్యంత నమ్మకంగా ఉన్న ప్రాంతం మరియు తక్కువ నమ్మకం ఉన్న ప్రాంతం ఒకే విధంగా పరిగణించబడతాయి.
• టర్బులెన్స్ మోడల్‌ను ఏకపక్షంగా ఎంచుకోవడం. తప్పు టర్బులెన్స్ మోడల్ కన్వర్జ్డ్ మరియు నెట్‌వర్క్-స్వతంత్ర పరిష్కారాన్ని కూడా భౌతికంగా తప్పుగా చేస్తుంది.

సారాంశంలో

CFD ఒక శక్తివంతమైన కానీ ఖరీదైన సాధనం; AI దీన్ని రెండు ప్రదేశాల నుండి వేగవంతం చేస్తుంది: ప్రాసెస్ మేనేజ్‌మెంట్ (ఇన్‌స్టాలేషన్, వ్యాఖ్య, స్క్రిప్ట్) మరియు సర్రోగేట్ మోడల్‌లతో సెకన్లలో పెద్ద డిజైన్ స్థలాన్ని స్కాన్ చేయడం. సర్రోగేట్ మోడల్ తక్కువ సంఖ్యలో పూర్తి CFD పరుగులతో శిక్షణ పొందింది, విశ్వాస విరామంతో ఉపయోగించబడుతుంది మరియు ఉత్తమ అభ్యర్థులు తప్పనిసరిగా పూర్తి CFDతో ధృవీకరించబడతారు. కన్వర్జెన్స్, నెట్‌వర్క్ స్వతంత్రత మరియు భౌతిక ఆమోదయోగ్యతను తనిఖీ చేయకుండా క్రమబద్ధీకరించబడిన ఫలితాలు ఏవీ ఆమోదించబడవు. AI పరికల్పన మరియు వేగాన్ని ఇస్తుంది; భౌతికశాస్త్రం యొక్క చివరి మధ్యవర్తి డేటా.

అప్లికేషన్ టాస్క్

ఎయిర్‌ఫాయిల్ లేదా సాధారణ జ్యామితి కోసం CFD రన్ దృష్టాంతాన్ని నిర్వచించండి (ప్రతినిధి, వాస్తవ ప్రాజెక్ట్ డేటా కాదు). AI ఉపయోగించి, (a) ఫలితాన్ని చెల్లుబాటు అయ్యేలా పరిగణించే ముందు ధృవీకరణ దశలను జాబితా చేయండి, (b) రిజల్ట్ ఫైల్ నుండి గుణకాలను సంగ్రహించే పైథాన్ స్క్రిప్ట్‌ను ప్రింట్ చేయండి మరియు దాని లాజిక్ లైన్‌ను లైన్ ద్వారా తనిఖీ చేయండి, (సి) సర్రోగేట్ మోడల్‌ను రూపొందించడానికి ఒక ప్రణాళికను సిద్ధం చేయండి (ఎన్ని నమూనాలు, ఏ పద్ధతి, ఎలా ధృవీకరించాలి). ఫలితాన్ని సాధారణ పరిధికి సరిపోల్చండి మరియు దాని ఆమోదయోగ్యతను అంచనా వేయండి.

చెక్లిస్ట్

• [ ] నేను ప్రతి CFD ఫలితం కోసం కన్వర్జెన్స్ చెక్ చేసాను.
• [ ] నెట్‌వర్క్ స్వతంత్రత ప్రదర్శించబడిందా అని నేను ప్రశ్నించాను.
• [ ] నేను CL/CD వంటి గుణకాలను సాధారణ తరగతి పరిధితో పోల్చాను.
• [ ] నేను శిక్షణ పరిధిలో మాత్రమే సర్రోగేట్ మోడల్‌ని ఉపయోగించాను.
• [ ] నేను సర్రోగేట్ మోడల్ అంచనాల యొక్క అనిశ్చితిని నిర్ణయానికి కారణమయ్యాను.
• [ ] నేను పూర్తి CFDతో ఉత్తమ అభ్యర్థులను ధృవీకరించాను.