ایروڈائینامکس، سی ایف ڈی اور سروگیٹ ماڈلز کے ساتھ ریپڈ ڈیزائن ایکسپلوریشن

فائدہ:

• کمپیوٹیشنل فلوڈ ڈائنامکس (CFD) کے عمل میں سیٹ اپ، نتیجہ کی تشریح اور سروگیٹ ماڈل جنریشن میں AI کو کس طرح استعمال کیا جاتا ہے اس کی وضاحت کرنے کے قابل ہوں۔
• مشین لرننگ پر مبنی سروگیٹ ماڈلز کے ساتھ ایک بڑی ڈیزائن کی جگہ کو تیزی سے اسکین کرنے اور امیدوار جیومیٹریوں کی درجہ بندی کرنے کی صلاحیت
• AI سے چلنے والی ایروڈینامک آؤٹ پٹس کو کنورجنسی، نیٹ ورک کی آزادی، اور فزیکل پلیزبلٹی کے معیار کے ساتھ توثیق کرنے کی صلاحیت

ایک بازو کس طرح لفٹ پیدا کرتا ہے، کس طرح ایک جسم ہوا کو تقسیم کرتا ہے، کس طرح کنٹرول کی سطح بہاؤ کو موڑتی ہے۔ ایروڈینامکس ان غیر مرئی قوتوں کی سائنس ہے۔ انجینئر ان قوتوں کو دو طریقوں سے سیکھتا ہے: ونڈ ٹنل میں تجربے کے ذریعے یا کمپیوٹر کمپیوٹیشنل فلوڈ ڈائنامکس (CFD؛ کمپیوٹیشنل فلوئڈ ڈائنامکس، ایک ایسا طریقہ جو کمپیوٹیشنل نیٹ ورک پر بہاؤ کی مساوات کو عددی طور پر حل کرتا ہے)۔ CFD طاقتور لیکن مہنگا ہے: ایک پیچیدہ دوڑ میں گھنٹے، حتیٰ کہ دن لگ سکتے ہیں، جس سے ایک ہی ڈیزائن پوائنٹ حاصل ہوتا ہے۔ انجینئر جو سینکڑوں ڈیزائن آزمانا چاہتا ہے وہ یہاں ایک رکاوٹ میں پڑ جاتا ہے۔

مصنوعی ذہانت (AI) اس رکاوٹ کو دو جگہوں پر کھولتی ہے۔ سب سے پہلے، خود CFD عمل میں: سیٹ اپ کنٹرول، نتیجہ کی تشریح اور رپورٹنگ۔ دوسرا، اور زیادہ تبدیلی لانے والا، سروگیٹ ماڈل ہیں (مشین لرننگ ماڈل جو ایک مہنگے تخروپن کے ان پٹ آؤٹ پٹ تعلقات کو سیکھتا ہے اور سیکنڈوں میں تخمینی پیشن گوئی دیتا ہے)۔ سروگیٹ ماڈل کی بدولت، ایک بڑی ڈیزائن کی جگہ کو گھنٹوں کے بجائے سیکنڈوں میں اسکین کیا جاتا ہے، چند امید افزا امیدواروں کا انتخاب کیا جاتا ہے، اور صرف ان کا حساب مکمل CFD کے ساتھ اعلیٰ درستگی کے ساتھ کیا جاتا ہے۔ اس یونٹ میں، ہم اس ورک فلو میں AI کو سرایت کرتے وقت ناقابل تغیر اصول کو برقرار رکھتے ہیں: ہم آہنگی اور نیٹ ورک کی آزادی کا مظاہرہ کیے بغیر اور جسمانی تعظیم کے فلٹر سے گزرے بغیر کوئی ہموار نتائج قبول نہیں کیے جاتے ہیں۔

تصورات: کنورجنسی: تکرار کی ترقی کے ساتھ ایک مستقل قدر پر حل۔ اگر یہ فٹ نہیں ہے تو، نتیجہ ناقابل اعتماد ہے. میش کی آزادی: جب آپ اکاؤنٹ کے نیٹ ورک کو سخت کرتے ہیں تو نتیجہ نمایاں طور پر تبدیل نہیں ہوتا ہے۔ CL/CD: لفٹ گتانک / ڈریگ گتانک؛ ایروڈینامک کارکردگی کا بنیادی پیمانہ۔ سروگیٹ ماڈل: تخروپن کی تیز تخمینی تقلید۔

CFD ورک فلو میں AI کی جگہ

ایک CFD رن تقریباً پانچ مراحل پر مشتمل ہوتا ہے: جیومیٹری کی تیاری، میش جنریشن، سولور سیٹ اپ، رننگ، اور پوسٹ پروسیسنگ۔ AI ہر قدم پر مختلف طریقے سے مدد کرتا ہے، لیکن اس میں ان میں سے کسی کے بارے میں حتمی رائے نہیں ہے۔

میش جنریشن میں، AI باؤنڈری لیئر ریزولوشن کے لیے y+ ہدف کے نسبت ابتدائی سیل کی اونچائی کا تقریباً حساب لگا سکتا ہے۔ سولور سیٹ اپ میں ٹربلنس ماڈل سلیکشن (مثلاً k-omega SST) کے لیے، یہ جواز کے ساتھ بہاؤ کے نظام کے لیے مناسب اختیارات تجویز کر سکتا ہے۔ پوسٹ پروسیسنگ میں، کوئی بھی نتائج فائل کی ہزاروں لائنوں سے لفٹ، ڈریگ، اور لمحے کے کوفیشینٹس کو نکالنے کے لیے ایک ازگر اسکرپٹ لکھ سکتا ہے اور اٹیک سویپ پلاٹ کا زاویہ بنا سکتا ہے۔ لیکن آیا y+ ویلیو واقعی ہدف پر ہے، آیا ٹربلنس ماڈل اس بہاؤ کو فٹ کرتا ہے، اور آیا نتیجہ کنورج ہوتا ہے یا نہیں اس کی جانچ انجینئر کی آنکھ سے ہوتی ہے۔

سب سے زیادہ استعمال ہونے والی جگہ نتیجہ کا تبصرہ ہے۔ جب آپ AI سے پوچھتے ہیں کہ "وہ CL-alpha وکر 14 ڈگری پر کیوں ٹوٹ جاتا ہے"، تو یہ آپ کو سٹال کے امکان کی یاد دلاتا ہے (حملے کا زاویہ بڑھنے اور لفٹ میں کمی کے ساتھ بہاؤ ونگ سے الگ ہو جاتا ہے) اور ان فلو علیحدگی کے اشارے کی فہرست بناتا ہے جن کی آپ کو جانچ کرنی چاہیے۔ یہ ایک مفروضہ جنریٹر ہے؛ تصدیق دوبارہ ڈیٹا میں ہے۔

احتیاط: AI کسی CFD نتیجہ کی روانی سے تشریح کر سکتا ہے، لیکن اگر نتیجہ خود غلط ہے، تو تشریح بھی غلط ہو گی۔ "یہ ڈریگ ویلیو معقول ہے" کے جملے کا کوئی مطلب نہیں ہے اگر حل آپس میں نہیں آتا ہے۔ پہلے نمبر کی درستگی چیک کریں، پھر تبصرہ۔

سروگیٹ ماڈلز: سیکنڈوں میں ڈیزائن کی جگہ کو سکین کرنا

سروگیٹ ماڈل قائم کرنے کی منطق سادہ ہے۔ سب سے پہلے، احتیاط سے منتخب کردہ نمونہ (مثلاً 40-80 ڈیزائن پوائنٹس؛ تجرباتی ڈیزائن DoE کے ذریعے تقسیم کیا جاتا ہے) کا حساب مکمل CFD کے ساتھ کیا جاتا ہے۔ پھر ان پٹ آؤٹ پٹ جوڑوں کے ساتھ مشین لرننگ ماڈل (گاؤسین پروسیس ریگریشن/کریجنگ، ریڈیل بیسس فنکشن یا نیورل نیٹ ورک) کو تربیت دی جاتی ہے۔ ماڈل اب سیکنڈوں میں ایک نئی جیومیٹری کے لیے CL/CD کی پیش گوئی کرتا ہے۔ اس سستے ماڈل کے ساتھ ہزاروں امیدواروں کی جانچ پڑتال کی جاتی ہے، اور 3-5 بہترین نظر آنے والے امیدواروں کی دوبارہ گنتی اور مکمل CFD کے ساتھ تصدیق کی جاتی ہے۔

یہاں اہم نکتہ اعتماد کا وقفہ ہے۔ کریگنگ جیسے ماڈل نہ صرف ایک پیشین گوئی فراہم کرتے ہیں بلکہ یہ بھی بتاتے ہیں کہ وہ اس پیشین گوئی (غیر یقینی صورتحال) میں کتنے پر اعتماد ہیں۔ تربیتی مقامات سے دور علاقوں میں غیر یقینی صورتحال بڑھتی ہے۔ وہاں، ماڈل پر اندھا اعتماد کرنے کے بجائے ایک نیا CFD پوائنٹ شامل کیا گیا ہے۔ یہ "جہاں غیر یقینی صورتحال زیادہ ہے وہاں نیا نمونہ شامل کریں" لوپ کو ایکٹو لرننگ کے نام سے جانا جاتا ہے اور بہت کم مہنگے رنز کے ساتھ بڑی جگہ کو مؤثر طریقے سے اسکین کرتا ہے۔

طریقہ

ایک ڈیزائن پوائنٹ کی قیمت

درستگی

جب

مکمل CFD (RANS)

گھڑیاں

اعلی

حتمی تصدیق، امیدواروں کی کم تعداد

سروگیٹ ماڈل (کریجنگ)

سیکنڈ

متوسط اعلیٰ (تعلیم کے شعبے میں)

بڑی جگہ کی سکیننگ، اصلاح

پینل/کم آرڈر کا طریقہ

سیکنڈ منٹ

کم درمیانی

خاتمہ بہت جلد، کچا خیال

ہوا کی سرنگ

دن ہفتے

سب سے زیادہ (حقیقی)

تنقیدی تصدیق، تصدیق

ٹپ: کبھی بھی سروگیٹ ماڈل کو ٹریننگ ڈیٹا (ایکسٹراپولیشن) کے احاطہ سے باہر استعمال نہ کریں۔ اگر ماڈل کو 5-15 ڈگری کے حملے کے زاویہ کے ساتھ تربیت دی گئی تھی، تو یہ 25 ڈگری پر جو قدر دیتا ہے وہ پیشین گوئی نہیں ہے، بلکہ من گھڑت ہے۔ ماڈل بناتے وقت AI سے "تربیت کی حد لکھنے اور حد سے باہر کے سوالات کو مسترد کرنے" کے لیے کہنا اس جال کو بند کر دیتا ہے۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

کیا یہ ایئر فوائل اچھا ہے؟ میرے CFD نتیجہ کی تشریح کریں: CD=0.009۔

طاقتور اشارہ:

کردار: آپ ایروڈینامک تجزیہ کنسلٹنٹ ہیں؛ آپ حفاظت کے لیے اہم تصدیق کا اطلاق کرتے ہیں۔ سیاق و سباق: 2D ایئر فوائل RANS CFD تجزیہ (قدریں نمائندہ ہیں): Re=1.5e6، Mach=0.2، حملے کا زاویہ 4°، ٹربلنس ماڈل k-omega SST۔ نتیجہ: CL=0.62، CD=0.0091۔ نیٹ ورک: 180k سیلز، y+ ~ 1.Task:1) ان تصدیقی مراحل کی فہرست بنائیں جو مجھے درست نتیجہ پر غور کرنے سے پہلے چیک کرنے کی ضرورت ہے (کنورجنس، نیٹ ورک کی آزادی، y+)۔ 2) CL/CD تناسب کا حساب لگائیں اور اس پروفائل کلاس کے لیے مخصوص رینج سے موازنہ کریں۔ جہاں آپ کو یقین نہیں ہے وہاں نشان زد کریں۔ کوئی حتمی "اچھا/برا" فیصلہ نہ کریں، تصدیقی منصوبہ دیں۔

کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس

ٹیمپلیٹ 1 — CFD سیٹ اپ استدلال:

درج ذیل بہاؤ کی حالت (نمائندہ اقدار) کے لیے CFD سیٹ اپ کی سفارش دیں: Re=[...]، Mach=[...]، geometry=[...]۔ مجھے مندرجہ ذیل وجوہات تجویز کریں: مناسب ٹربلنس ماڈل کے اختیارات، باؤنڈری لیئر کے لیے ہدف y+ اور سیل کی اونچائی کا ابتدائی حساب، باؤنڈری کے حالات۔ ہر انتخاب کے لیے، "کیوں" اور "کس صورت میں یہ غلط ہو گا" کا ایک نوٹ شامل کریں۔ اعداد کی اکائی لکھیں۔

ٹیمپلیٹ 2 - تجربات کا ڈیزائن (DoE) اور سروگیٹ ماڈل پلان:

میرے پاس [N] ڈیزائن متغیرات ہیں: [لسٹ، رینجز کے ساتھ]۔ سروگیٹ ماڈل کو تربیت دینے کے لیے: (a) کتنے نمونے کے نکات اور نمونے لینے کا کون سا طریقہ (مثلاً لاطینی ہائپر کیوب) آپ تجویز کرتے ہیں؛ (b) کس قسم کا سروگیٹ ماڈل مناسب ہے اور کیوں؛ (c) میں ماڈل کی توثیق کیسے کرسکتا ہوں (کراس توثیق، اسپلٹ ٹیسٹ سیٹ)۔ ایکسٹراپولیشن کے خطرے کے خلاف مجھے کیا قاعدہ نافذ کرنا چاہیے؟

ٹیمپلیٹ 3 — CFD رزلٹ فائل سے گتانک نکالنے کے لیے اسکرپٹ:

CFD فورس کی رپورٹ سے CSV (کالم: iteration, Fx, Fy, Fz) ازگر کے ساتھ: (a) آخری 500 تکرار کی اوسط سے کنورجڈ سی ایل اور سی ڈی کا حساب لگائیں۔ (b) آخری 500 تکرار کا معیاری انحراف لکھیں اور کنورجنسی چیک کرنے کے لیے اس کا ایک حد سے موازنہ کریں۔ (c) حملہ اسکین کے زاویہ کے لیے CL-alpha پلاٹ کریں۔ حوالہ کے علاقے اور متحرک دباؤ کو پیرامیٹرز کے طور پر مقرر کریں؛ تبصرہ لائنوں کے ساتھ اکاؤنٹ کی وضاحت کریں۔

سانچہ 4 — سروگیٹ ماڈل پیشین گوئی اعتماد کا سوال:

میں نے جس کریگنگ پراکسی ماڈل کو تربیت دی اس نے درج ذیل پیشین گوئی کے لیے CL=0.71، غیر یقینی (std) 0.02 دیا؛ استفسار کا نقطہ [اندر/باہر] تربیت کی حد ہے۔ (a) کیا غیر یقینی کی یہ سطح فیصلہ کرنے کے لیے کافی ہے، میں کیسے فیصلہ کروں؟ (b) اگر غیر یقینی صورتحال زیادہ ہے تو مجھے کس مقام پر ایک نیا CFD مثال (ایکٹو لرننگ منطق) شامل کرنا چاہئے؟ (c) مجھے مکمل CFD کے ساتھ اس پیشین گوئی کی تصدیق کب کرنی چاہئے؟

چھوٹے کیسز

کیس 1 - غیر متغیر نتیجہ پکڑا گیا ہے۔ ایک طالب علم کو ایئر فوائل کا نتیجہ CD=0.0065 ملتا ہے اور وہ خوش ہوتا ہے۔ پروفائل کلاس کے لیے عام سی ڈی رینج 0.008-0.012 میں ہے، نتیجہ بہت اچھا لگتا ہے۔ AI کی طرف سے تجویز کردہ کنورجنسی چیک کو لاگو کرنے سے پتہ چلتا ہے کہ طاقت کا گتانک اب بھی آخری تکرار میں (معیاری انحراف 8% اوسط) دوہرتا ہے۔ جب حل کو مزید تکرار کے ساتھ ملایا جاتا ہے، تو یہ CD = 0.0094 پر طے ہوتا ہے۔ سبق: ایک "بہت اچھا" نتیجہ اکثر غیر متغیر نتیجہ ہوتا ہے۔

کیس 2 - سروگیٹ ماڈل کی رفتار 200 گنا بڑھ جاتی ہے۔ ایک ٹیم 6 جیومیٹرک پیرامیٹرز کے ساتھ ایک ونگ کے لیے 60 مکمل CFD رنز (2 گھنٹے ہر ایک) چلاتی ہے اور ایک کریگنگ سروگیٹ ماڈل کو تربیت دیتی ہے۔ پھر یہ 40 سیکنڈ میں پراکسی ماڈل کے ساتھ 5000 امیدوار کنفیگریشنز کو اسکین کرتا ہے، مکمل CFD کے ساتھ بہترین 4 امیدواروں کی توثیق کرتا ہے۔ کل 64 CFD رنز کے ساتھ، ایک موٹا تخمینہ 5000 رنز کے برابر ہے۔ مدت ہفتوں سے دو دن تک کم ہو جاتی ہے۔ سبق: مہنگا تخروپن صرف توثیق پوائنٹس پر چلائیں، ہر نقطہ پر نہیں۔

کیس 3 - ایکسٹراپولیشن ٹریپ۔ ایک انجینئر حملے کے 3-12 ڈگری زاویہ کے ساتھ تربیت یافتہ سروگیٹ ماڈل سے 18 ڈگری پر لفٹ کا سوال پوچھتا ہے۔ ماڈل آسانی سے بڑھتی ہوئی قدر دیتا ہے جیسے CL=1.6۔ حقیقت میں، بازو 15 ڈگری کے ارد گرد گرفت کھو دیتا ہے اور لفٹ کم ہو جاتی ہے، لیکن سروگیٹ ماڈل اسے سیدھا بڑھا دیتا ہے کیونکہ وہ اس طبیعیات کو "دیکھ" نہیں پاتا۔ انجینئر فزیکل پوزیبلٹی چیک (آسنسیشن کے نقصان کی توقع) کے ساتھ نتیجہ کو مسترد کرتا ہے اور اس علاقے میں مکمل CFD چلاتا ہے۔ سبق: سروگیٹ ماڈل طبیعیات کو اپنی تربیت کی حد سے باہر نہیں جانتا ہے۔

عام غلطیاں

• ہم آہنگی کی جانچ نہیں کر رہا ہے۔ غیر متضاد محلول کے عدد بے معنی ہوتے ہیں۔ گراف کی خوبصورتی ہم آہنگی کی کوئی ضمانت نہیں ہے۔
• نیٹ ورک کی آزادی کو نظرانداز کرنا۔ اگر نتیجہ نیٹ ورک پر منحصر ہے، تو مختلف نیٹ ورکس کے ساتھ مختلف جوابات سامنے آتے ہیں۔ یہ معلوم نہیں ہو سکتا کہ کون سا صحیح ہے۔
• سروگیٹ ماڈل میں ایکسٹراپولیشن۔ تربیت کی حد سے باہر پیشین گوئی ریاضیاتی توسیع دیتی ہے، جسمانی سچائی نہیں۔
• بے یقینی کو نظر انداز کرنا۔ اگر کریگنگ پیشین گوئی کی اعتماد کی معلومات کا استعمال نہیں کیا جاتا ہے، تو وہ خطہ جہاں ماڈل سب سے زیادہ پراعتماد ہے اور وہ خطہ جہاں یہ کم سے کم پر اعتماد ہے ایک جیسا سلوک کیا جائے گا۔
• من مانی طور پر ٹربولنس ماڈل کا انتخاب کرنا۔ غلط ٹربلنس ماڈل ایک متضاد اور نیٹ ورک سے آزاد حل کو بھی جسمانی طور پر غلط بنا دیتا ہے۔

خلاصہ میں

CFD ایک طاقتور لیکن مہنگا ٹول ہے۔ AI اسے دو جگہوں سے تیز کرتا ہے: پروسیس مینجمنٹ (انسٹالیشن، تبصرہ، اسکرپٹ) اور سروگیٹ ماڈلز کے ساتھ سیکنڈوں میں ڈیزائن کی بڑی جگہ کی اسکیننگ۔ سروگیٹ ماڈل کو کم تعداد میں مکمل CFD رنز کے ساتھ تربیت دی جاتی ہے، اعتماد کے وقفے کے ساتھ استعمال کیا جاتا ہے، اور بہترین امیدواروں کی توثیق لازمی طور پر مکمل CFD کے ساتھ کی جاتی ہے۔ ہم آہنگی، نیٹ ورک کی آزادی، اور جسمانی قابلیت کی جانچ کیے بغیر کوئی ہموار نتائج قبول نہیں کیے جاتے ہیں۔ AI مفروضہ اور رفتار دیتا ہے۔ طبیعیات کا حتمی ثالث ڈیٹا ہے۔

درخواست کا کام

ایئر فوائل یا سادہ جیومیٹری (نمائندہ، اصل پراجیکٹ ڈیٹا نہیں) کے لیے CFD چلانے کے منظر نامے کی وضاحت کریں۔ AI کا استعمال کرتے ہوئے، (a) نتیجہ درست ہونے پر غور کرنے سے پہلے توثیق کے مراحل کی فہرست بنائیں، (b) ایک Python اسکرپٹ پرنٹ کریں جو رزلٹ فائل سے گتانک نکالتا ہے اور اس کی منطقی لائن کو سطر سے چیک کرتا ہے، (c) ایک سروگیٹ ماڈل بنانے کا منصوبہ تیار کریں (کتنے نمونے، کون سا طریقہ، کس طرح توثیق کرنا ہے)۔ کسی نتیجے کا عام رینج سے موازنہ کریں اور اس کی قابلیت کا اندازہ لگائیں۔

چیک لسٹ

• میں نے ہر CFD نتیجہ کے لیے کنورجنسی چیک کیا۔
• میں نے سوال کیا کہ کیا نیٹ ورک کی آزادی کا مظاہرہ کیا گیا تھا۔
• میں نے CL/CD جیسے گتانکوں کا عام کلاس رینج سے موازنہ کیا۔
• میں نے سروگیٹ ماڈل کو صرف ٹریننگ کی حد میں استعمال کیا۔
• میں نے فیصلے میں سروگیٹ ماڈل کی پیشین گوئیوں کی غیر یقینی صورتحال کو سمجھا۔
• میں نے مکمل CFD کے ساتھ بہترین امیدواروں کی تصدیق کی۔