Bueno, debe hacer las preguntas: ¿por qué necesita modelar un sistema con algún grado de fidelidad?
¿Qué gana al ejecutar un cálculo de fidelidad extremadamente alto usando todos los tera / penta flops que pueda desear?
La respuesta a la primera pregunta es que un modelo es una herramienta para resolver un problema de diseño o problemas relacionados con el sistema con el mínimo grado de fidelidad necesario. Puede hacerlo con una teoría simple o una formulación 1-D y un cálculo MATLAB / Excel y puede hacerlo con una sofisticada simulación por computadora, pero si el diseño se puede hacer o el problema se puede resolver con el primero, no tiene tantos detalles para procesar y puede avanzar mucho más rápido en el diseño del sistema enfocándose en parámetros críticos.
- ¿Cuál es la mejor aplicación de la teoría de grafos en la vida real que conoces?
- ¿Cuál es la complejidad temporal de un programa que calcula el número n de Fibonacci mediante la memorización?
- ¿Hay algún fractal completo de Turing?
- ¿Las personas descubren o inventan algoritmos? ¿Cómo?
- ¿Cómo evitan los programas de aprendizaje automático / IA la trampa de quedar encerrados en una forma de hacer algo una vez que han encontrado un método exitoso para completar una tarea? ¿Pueden calcular otras soluciones competidoras en paralelo?
Para la segunda pregunta, te topas con el problema de la incertidumbre estocástica y las interacciones no lineales. Esencialmente, todas las entradas al cálculo tendrán incertidumbres y variaciones que afectarán los resultados finales del cálculo. Hay suposiciones que se hacen al configurar el modelo, como una temperatura constante o tensión constante o propiedades uniformes / isotrópicas del material que en realidad solo son válidas dentro de un cierto grado de certeza estadística.
Luego hay interacciones no lineales entre los diferentes fenómenos que ocurren dentro del sistema, algunos de los cuales están incluidos en el modelo y el resto ignorados, principalmente porque suponemos o estimamos que no son tan importantes.
Si tiene una simulación de muy alta fidelidad, entrará en una situación en la que las incertidumbres y las interacciones no lineales tendrán un mayor impacto en la respuesta final que la fidelidad o precisión adicional del cálculo. Necesitará caracterizar y / o capturar la mayoría de estos e incluirlos en los cálculos de alguna manera. Por lo tanto, un cálculo de muy alta fidelidad se limitará típicamente a problemas simples bien caracterizados.
En el mundo de los CFD, casi todos los softwares principales pueden hacer un cálculo de DNS para capturar todos los remolinos turbulentos, pero la gran mayoría de los cálculos de CFD todavía se ejecutan con modelos de turbulencia RANS, a pesar de la gran potencia de cómputo disponible en la actualidad.
Cuando intentas responder preguntas de ingeniería del día laboral y evaluar múltiples diseños, eso es lo suficientemente bueno. Para algunas aplicaciones en las que intentan diseñar hasta el enésimo grado para que sea un diseño lo más confiable posible, como las turbinas de gas, utilizan modelos de mayor fidelidad un poco más cerca de DNS, como LES. Pero prácticamente nadie fuera de la academia o los laboratorios de investigación usa DNS. Si todos los practicantes de CFD tuvieran acceso a una potencia informática ilimitada, probablemente aún no la usarían.
