誤差的下降開始很快后面很難,如何在各個階段快速突破,在被煎熬死之前完成任務,以下有一點想法。

一、誤差100%以上

從啟動計算就死,達到能夠輸出一個結果看到第一個流場彩圖。如果要去騙錢,可以展示一二美圖,宣告具備了仿真世界難題的能力,“我們取得了首場勝利,解決了有無問題,開始奔向獨立仿真設計的美好未來?！痹谶@個時刻最大效益是:做好宣傳爭取錢、項目、人員、組織機構。當然只有自己知道,連數據應當是正數還是負數還不敢保證,最好快快找個下家脫手吧(好好看看篇首的表,下面的燙山芋讓別人享受吧)。

二、誤差從100%降低到50%

通過修正錯誤,算出的結果逐步有點樣子,可以給人看了,數據和大家印象中的正確數據在一個量級,上來就批評你的人也開始猶豫了。雖然告訴領導數據結果還不對,領導也會寬容地說,“很快會成功”。這個過程消費的時間與人有關,比較靈活的人可以用幾天時間就跨越這個過程。如果戰略思想有問題,錯誤地以為到了馬上取得準確數據的時候,在此階段花費大量時間關注細節如湍流模型、壁面網格、時間步、格式精度等,有可能花費幾年的時間。

建議只關注漏項缺項,例如:

1.與你仿真的現實對比是否有漏項

2.與全流場相關的邊界條件是否準確

3.仿真與試驗的外形是否相同(千萬不要忘了試驗中往往加個支撐桿)

4.仿真與試驗的上游與下游邊界是否基本一致

5.仿真最復雜最核心區域的網格是否夠密集

6.仿真軟件是否可以做這一類問題(不要被廣告欺騙哦)

三、誤差從50%降低到20%

終于處處看起來合理了,基本現象已經捕捉到,變化規律合乎想象,與試驗的差異只集中在復雜區域。這時候聽到最多的問答是“可以用了嗎?”,“不敢保證結果正確”。“遇到什么困難?”,“遇到了所有的困難”?！斑€能繼續嗎?”,“我們會堅持下去”。這個階段如果消耗時間過長,領導的鼓勵就會逐步化為懷疑甚至失望,自己的熱情也會化作疲憊。

建議只抓工程問題的重點。例如:

1. 明確工程問題中最重要的數據是什么

2.分析對最重要數據影響最大的因素(不要超過3個)

3.先用較為少的網格量、低階模型、較大的時間步等,最快時間了解各個設置對重要數據的影響特點

4.對計算結果做機理分析,了解是否符合常識,如果有異常,分析什么設置會產生這種異常(好好發揮想象力)

5.集思廣益,避免別人已經犯過的錯誤

6.切記遇到問題不到最后不要增加網格、不要采用高級模型、不要減小時間步(因為太浪費時間,時間可關乎領導的臉色、導師的心情、老板的紅包)

四、誤差從20%降低到10%

通過靈活多變的戰術和艱苦卓越的付出,終于走到階段的其實不多。很多人都在上個階段就耗費完了自己的熱情和別人的耐心。這時數據終于可以與試驗結果放到一起對比了,有時候可以大膽地說數據能用,對軟件的了解已經被人佩服,唯一惱火的是仿真結果似是而非。

建議先去問問工程設計真的很在乎最后的這點誤差嗎?有一次設計員增加了一個凸起物,讓我們預估凸起物的阻力系數,做仿真的人員熬了兩夜終于給出阻力系數為0.1到0.2,而且一再給我道歉,實在無法降低仿真誤差。我可怎么給設計員交差啊,想了想沒有告訴設計員有100%的誤差,而是問“請問增加0.1的阻力系數對性能影響多大?”,回答“基本沒有影響”,于是我堅定地告訴他“阻力系數為0.15”。如果換一個對話方式,“阻力系數誤差100%,你們能用嗎?”,“玩去!”。有時候流體力學解決不了的問題語文可以解決。

對于工程研究,時間成本可能是最大的成本,這個階段消耗時間太多,建議快點湊合用吧。要面對殘酷的現實,再拖半年數據準確性不會有本質的提升,但是用戶的心情會有本質的下降。

這個階段是從業余走向專業,從不確定走向確定。建議一定忘記我之前說的話,采用大家在高校做理論研究的戰術,網格要夠密、模型要高級、算法要高階精度、時間步要小。

對于工程復雜仿真問題,誤差小于10%,一般會挑戰已有算法、模型的能力,需要突破理論水平、提升仿真工具,那就不是我這種衰人所能涉足的了。

向堅持研究湍流模型和高精度算法的人致敬,因為他們要花費我們工程仿真人員永遠無法付出的精力,為我們的未來開疆擴土。

五、黑色秘訣:一分鐘將誤差從100%化身5%

我見過一個總結匯報,一個極為復雜的擾流仿真,與試驗測量結果對比后得到結論:關鍵參數的誤差小于5%。瞬間我石化了,上帝也不知道如何復現這么復雜的擾流,已經達到了國際夢想水平。原來他們用了黑色秘訣,“對比無關位置的數據”。他們給出了遠離擾流的上游和下游的數據。太聰明了!在上游,擾流還沒有發生,在下游呢,擾流產生的復雜流動已經摻混成平均流動,沒什么可錯的。這些位置的數據與試驗測量數據對比怎么會有差異?(如果我做這件事,不會太貪心,找一個誤差達到15%左右的位置,不至于嚇到別人)很多人如果對流動不了解,不知道你仿真中哪里最重要,哪里最復雜,你只要將與試驗對比的點從算不準的區域外移一點點,就足以將一個完全不對的算例演化為完美的算例。