مقدمه‌ای بر شبیه‌سازی گردابه‌های بزرگ (LES) و DNS: فراتر از RANS؛ هر آنچه مهندسان باید بدانند

چرا مدل‌های استاندارد RANS گاهی در تحلیل‌های دقیق آیرودینامیکی ما را به خطای محاسباتی فاحش می‌کشاند؟

راستش را بخواهید، بارها دیده‌ام که بچه‌های دانشجو یا حتی مهندسان باسابقه، یک هندسه پیچیده مثل اسپویلر عقب خودرو یا یک مبدل حرارتی با فین‌های متراکم را می‌اندازند توی فلوئنت، مدل k-epsilon را انتخاب می‌کنند و بعد از همگرایی (Convergence) خوشحال می‌شوند که “خب، کار تمام شد!”. اما وقتی نتایج را با دیتای تونل باد یا واقعیت چک می‌کنیم، می‌بینیم ضریب درگ ۳۰ درصد خطا دارد یا انتقال حرارت اصلا آن چیزی نیست که پیش‌بینی شده بود. 📉

مشکل اینجاست که مدل‌های RANS (مثل k-e یا k-w SST) ذاتا “میانگین‌گیر” هستند. یعنی چی؟ یعنی این مدل‌ها تمام نوسانات ریز و درشت جریان را حذف می‌کنند و فقط یک رفتار متوسط به ما می‌دهند. اما در جریان‌هایی که جدایش شدید (Separation) داریم یا گردابه‌ها مدام تشکیل می‌شوند و می‌شکنند، فیزیک مسئله دقیقا در همین نوسانات نهفته است. اگر می‌خواهید بدانید کدام مدل برای کارتان بهتر است، نگاهی به راهنمای انتخاب بهترین مدل توربولانسی (k-ε, k-ω, RSM) بیندازید تا انتخاب دقیق‌تری داشته باشید. استفاده کورکورانه از RANS در این موارد، مثل این است که بخواهید با عینک دودی در شب رانندگی کنید؛ کلیات جاده را می‌بینید اما چاله‌ها را نه!

تفاوت بنیادین رویکرد میانگین‌گیری در RANS با حل دقیق گردابه‌ها در LES و DNS دقیقاً چیست؟

اینجا باید کمی عمیق‌تر به شبیه‌سازی گردابه‌های بزرگ (LES) و DNS نگاه کنیم. در روش RANS، ما فرض می‌کنیم که توربولانس فقط یک خاصیت “لزجت اضافی” به سیال می‌دهد. اما در LES، ماجرا فرق می‌کند. ما می‌گوییم: “بیایید گردابه‌های بزرگ که انرژی اصلی جریان را دارند، مستقیماً حل کنیم و فقط گردابه‌های خیلی ریز (که رفتار همگن‌تری دارند) را مدل‌سازی کنیم.” 🌪️

این تفاوت ریشه در درک ما از معادلات ناویر-استوکس به زبان ساده دارد. در DNS (شبیه‌سازی عددی مستقیم) که پدرجد همه این‌هاست، ما هیچ‌چیزی را مدل نمی‌کنیم؛ تمام گردابه‌ها از بزرگترین مقیاس هندسی تا کوچکترین مقیاس (Kolmogorov scale) حل می‌شوند. البته که این روش دقت وحشتناکی دارد اما هزینه‌اش هم وحشتناک است! عملاً برای کارهای مهندسی روزمره قفل است و فقط روی سوپرکامپیوترهای تحقیقاتی اجرا می‌شود.

برای درک بهتر تفاوت این سه رویکرد، این جدول مقایسه‌ای را برایتان آماده کردم تا یک دید کلی نسبت به “هزینه در برابر دقت” داشته باشید:

در کدام سناریوهای صنعتی و پیچیده هزینه سنگین محاسباتی شبیه‌سازی LES به دقت حاصل از آن می‌ارزد؟

همیشه لازم نیست سراغ توپخانه سنگین بروید. ما در “سیمومک” معمولاً وقتی سراغ شبیه‌سازی گردابه‌های بزرگ (LES) و DNS (یا بهتر بگویم همان LES چون DNS در صنعت کاربرد ندارد) می‌رویم که با پدیده‌هایی مثل “نویز آیرودینامیکی” یا “اختلاط در راکتورهای شیمیایی حساس” طرف باشیم.

مثلاً یادم هست حدود ۴ سال پیش (از آن ۷ سال تجربه‌ای که در این حوزه دارم) روی پروژه‌ی طراحی یک مشعل صنعتی کار می‌کردیم. با مدل RANS شعله پایدار بود، اما در تست واقعی، مشعل “زوزه” می‌کشید و خاموش می‌شد. وقتی سوئیچ کردیم روی LES، تازه دیدیم که گردابه‌هایی در ناحیه ورود سوخت تشکیل می‌شود که فرکانس‌شان با فرکانس طبیعی محفظه یکی شده! این چیزی بود که RANS عمراً نشان نمی‌داد. پس اگر دنبال مدل سازی جریان های آشفته: از تئوری تا عمل هستید، بدانید که گاهی هزینه کردن برای LES، جلوی ضررهای میلیاردی در ساخت نمونه اولیه را می‌گیرد.

خدمات تخصصی سیمومک در حوزه دینامیک سیالات محاسباتی:
ما فقط نرم‌افزار ران نمی‌کنیم؛ ما فیزیک مسئله شما را تحلیل می‌کنیم:

• شبیه‌سازی پیشرفته جریان‌های آشفته با متدهای LES و DES
• کدنویسی UDF برای اعمال شرایط مرزی پیچیده و مدل‌های خاص در فلوئنت
• انجام پروژه‌های DNS برای مقاصد پژوهشی و استخراج دیتای پایه
• تحلیل‌های Aeroacoustics (نویز جریان) که فقط با حل‌گرهای گذرا ممکن است
• مشاوره در انتخاب سخت‌افزار مناسب (HPC) برای ران‌های سنگین

عملگر فیلترینگ در روش LES چگونه گردابه‌های بزرگ انرژی‌دار را از مقیاس‌های زیرشبکه جدا می‌کند؟

شاید فکر کنید وقتی در نرم‌افزار روی گزینه LES کلیک می‌کنید، چه اتفاقی در پس‌زمینه می‌افتد؟ اساس ریاضی LES بر پایه “فیلترینگ مکانی” است. تصور کنید یک تور ماهیگیری دارید؛ ماهی‌های بزرگ (گردابه‌های بزرگ) در تور گیر می‌کنند و ما آن‌ها را می‌بینیم (حل می‌کنیم)، اما ماهی‌های ریز (گردابه‌های کوچک) از سوراخ تور رد می‌شوند.

در معادلات، این سوراخ تور همان اندازه مش (Grid Size) شماست. هر چیزی کوچکتر از مش، باید توسط مدل‌های ریاضی حدس زده شود. برای اینکه بدانید چطور این تنظیمات را در نرم‌افزار پیاده کنید، مقاله مقدمه‌ای بر شبیه‌سازی گردابه‌های بزرگ (LES) در فلوئنت: تئوری و کاربرد را حتما بخوانید. آنجا کامل توضیح داده شده که چطور فیلترها عمل می‌کنند. نکته مهم اینجاست که اگر مش شما به اندازه کافی ریز نباشد، عملاً LES تبدیل می‌شود به یک RANS خیلی کند و بی‌کیفیت! پس فریب اسمش را نخورید، LES بدون مش ریز، پول دور ریختن است.

برای یک تحلیل LES معتبر در نرم‌افزار انسیس فلوئنت مش محاسباتی باید چه ویژگی‌های سخت‌گیرانه‌ای داشته باشد؟

اینجا جایی است که ۹۰ درصد پروژه‌ها شکست می‌خورند. در RANS شاید با مش‌های تترا (هرمی) و نامنظم هم بتوانید به جواب برسید، اما در شبیه‌سازی گردابه‌های بزرگ (LES) و DNS، کیفیت مش حکم مرگ و زندگی را دارد.

اولین قانون نانوشته این است: تا جای ممکن از مش‌های شش‌وجهی (Hexahedral) استفاده کنید. مش‌های Polyhedral هم گزینه‌های خوبی هستند، اما تترا؟ اصلا فکرش را هم نکنید مگر اینکه چاره‌ای نباشد. دلیلش هم بحث “پخش عددی” (Numerical Diffusion) است. مش‌های بی‌کیفیت باعث می‌شوند گردابه‌ها قبل از اینکه شکل بگیرند، توسط خطاهای عددی محو شوند. برای درک بهتر این موضوع، پیشنهاد می‌کنم درباره خطاهای عددی در CFD: خطای گسسته‌سازی، گرد کردن و تکرار بیشتر مطالعه کنید تا بفهمید چرا مش بد، دشمن LES است.

نکات کلیدی برای مش‌بندی LES:

1. Aspect Ratio: سعی کنید سلول‌ها تا جای ممکن مکعبی باشند (نسبت منظری نزدیک به ۱). سلول‌های کشیده در جریان آزاد ممنوع است!
2. Growth Rate: تغییر اندازه مش باید خیلی نرم باشد (زیر ۱.۱). جهش ناگهانی سایز مش باعث بازتاب امواج فشاری و خراب شدن حل می‌شود.
3. Orthogonality: کیفیت متعامد بودن مش باید بالای ۰.۵ باشد، وگرنه گرادیان‌ها درست محاسبه نمی‌شوند.

چرا مفهوم مقدار وای پلاس (y+) و رزولوشن دیواره در مدل‌های High-Fidelity اهمیتی دوچندان نسبت به مدل‌های RANS پیدا می‌کند؟

در RANS ما معمولاً از Wall Functions استفاده می‌کنیم و اگر y+ روی ۳۰ یا ۵۰ هم باشد، مشکلی نیست. اما در LES، اگر بخواهید لایه مرزی را دقیق حل کنید (Wall-Resolved LES)، مقدار y+ باید حتماً زیر ۱ باشد. و فقط این نیست؛ رزولوشن در جهت جریان (x+) و عمود بر جریان (z+) هم باید خیلی ریز باشد (مثلاً x+ < 50).

اگر این موارد رعایت نشود، ساختارهای “رگه‌ای” (Streaks) نزدیک دیواره که منبع اصلی تولید توربولانس هستند، تسخیر نمی‌شوند و کل فیزیک جریان بهم می‌ریزد. خیلی از وقت‌ها دیده‌ام که کاربر y+ را ۱ گرفته اما در جهت‌های دیگر مش درشت است و بعد تعجب می‌کند چرا ضریب اصطکاک پوستی (Skin Friction) غلط از آب در می‌آید.

مدل‌های مقیاس زیرشبکه (SGS) چگونه اثرات گردابه‌های کوچک حل نشده را در شبیه‌سازی‌های ما مدل‌سازی می‌کنند؟

همانطور که گفتیم، گردابه‌هایی که از سوراخ مش رد می‌شوند (Sub-Grid Scale) باید مدل شوند. معروف‌ترین مدل، مدل Smagorinsky است که خیلی قدیمی است و برای جریان‌های ساده خوب جواب می‌دهد. اما اگر جریان شما نزدیک دیواره است، این مدل به اشتباه “لزجت زیادی” تولید می‌کند و جریان را میرا می‌کند (Damping).

امروزه در نرم‌افزارهای تجاری مثل فلوئنت یا CFX، مدل‌های هوشمندتری مثل WALE یا Dynamic Smagorinsky وجود دارند. مدل WALE مثلاً خودش می‌فهمد کجای جریان نزدیک دیواره است و لزجت توربولانسی را به صورت خودکار صفر می‌کند (بدون نیاز به توابع میرایی). تجربه من نشان داده برای اکثر کارهای مهندسی پیچیده، WALE تعادل خوبی بین پایداری و دقت دارد. البته هیچ مدلی کامل نیست و باید با سعی و خطا و دانش فیزیکی جلو رفت.

تفاوت محاسباتی و کاربردی بین روش‌های Wall-Resolved و Wall-Modeled در پروژه‌های شبیه‌سازی صنعتی چیست؟

اینجا می‌رسیم به یک دو راهی که می‌تواند بودجه پروژه شما را منفجر کند یا نجات دهد. ببینید، در روش Wall-Resolved LES (که خیلی دقیقه)، ما باید گردابه‌های داخل زیرلایه لزج (Viscous Sublayer) را هم حل کنیم. حالا مشکل کجاست؟ هر چقدر عدد رینولدز بالاتر برود، این گردابه‌ها ریزتر می‌شوند و شما به مش وحشتناکی نیاز دارید (متناسب با توان مکعب عدد رینولدز!). عملاً برای جریان روی بال هواپیما با رینولدز بالا، این روش غیرممکن است. 🚫

اینجاست که ما در سیمومک برای پروژه‌های صنعتی معمولاً از رویکرد Wall-Modeled LES (WMLES) استفاده می‌کنیم. در این روش، لایه مرزی چسبیده به دیوار را با مدل‌های RANS می‌بینیم و بقیه جریان را با LES حل می‌کنیم. اینطوری هم هزینه محاسبات کنترل می‌شود و هم فیزیک جریان در نواحی دور از دیوار (مثل ویک پشت خودرو) به دقت کپچر می‌شود.

چگونه می‌توانیم نوسانات ورودی و توربولانس مصنوعی را برای شروع صحیح یک حل LES در نرم‌افزار OpenFOAM تنظیم کنیم؟

یکی از اشتباهاتی که خودم اوایل کارم زیاد مرتکب می‌شدم (و الان می‌بینم دانشجوها انجام میدن)، اعمال یک پروفیل سرعت صاف و “تمیز” به ورودی دامین در حل LES هست. اگر ورودی شما نوسان نداشته باشه، تا جریان بخواد داخل دامین ناپایدار بشه و گردابه تشکیل بده، نصف دامین رو طی کرده! عملاً بخش زیادی از مش شما هدر رفته.

برای حل این مشکل، خصوصاً توی نرم‌افزارهای متن‌باز مثل OpenFOAM، باید از روش‌های تولید توربولانس مصنوعی (Synthetic Turbulence Generators) یا Vortex Method استفاده کنید. یعنی به صورت دستی یک سری نوسانات رندوم اما با طیف انرژی مشخص (که شبیه توربولانس واقعی باشه) به ورودی “تزریق” کنید تا حلگر از همون قدم اول درگیر حل گردابه‌ها بشه. این تکنیک برای همگرایی سریع‌تر معجزه می‌کنه.

چرا انتخاب گام زمانی و عدد CFL در پایداری حلگرهای گذرا برای LES و DNS حکم مرگ و زندگی را دارد؟

شاید در حل‌های پایا (Steady) بتوانید با ضرایب زیر-تخفیف بازی کنید، اما در LES شوخی نداریم. اینجا “زمان” فیزیکی است. اگر گام زمانی (Time Step) را بزرگ بگیرید، اطلاعاتِِِ گردابه‌هایی که سریع‌تر از گام زمانی شما حرکت می‌کنند، گم می‌شود و حل ناپایدار میشه (یا کلاً نتایج پرت و پلا میده).

قانون طلایی اینه: عدد کورانت (CFL) در اکثر نواحی حساس باید زیر ۱ باشه. این یعنی سیال در یک گام زمانی، نباید از یک سلول کامل عبور کنه. اگر دقیق نمی‌دونید چطور این عدد رو محاسبه و کنترل کنید، پیشنهاد می‌کنم حتماً مقاله عدد کورانت (CFL) چیست و چگونه گام زمانی (Time Step) مناسب را انتخاب کنیم؟ رو بخونید. تنظیم دقیق این پارامتر، مرز بین یک شبیه‌سازی موفق و یک هفته وقت تلف شده پای سیستمه که آخرش هم واگرا میشه.

آیا شبیه‌سازی عددی مستقیم یا DNS برای پروژه‌های مهندسی فعلی توجیه اجرایی دارد یا صرفاً یک ابزار پژوهشی است؟

بگذارید رو راست باشم: اگر کسی ادعا کرد می‌خواهد برای طراحی بدنه خودروی شما از DNS استفاده کند، یا دروغ می‌گوید یا نمی‌داند راجع به چه حجم محاسباتی حرف می‌زند! شبیه‌سازی گردابه‌های بزرگ (LES) و DNS دو دنیای متفاوت از نظر هزینه هستند. DNS یعنی حل همه چیز، حتی گردابه‌هایی در مقیاس میکرون که انرژی‌شان توسط لزجت تلف می‌شود (Kolmogorov Scale).

DNS فعلاً فقط برای “تولید علم” و استخراج داده‌های دقیق برای کالیبره کردن مدل‌های توربولانس RANS کاربرد دارد. در صنعت، ما هنوز سال‌ها با استفاده روتین از DNS فاصله داریم. پس بودجه خودتان را هدر ندهید و روی همان LES یا روش‌های هیبریدی تمرکز کنید.

روش‌های ترکیبی هیبریدی (DES/SAS) چگونه می‌توانند پل میان‌بری هوشمندانه بین دقت LES و سرعت RANS باشند؟

اگر سخت‌افزارتان به LES کامل نمی‌رسد و RANS هم جوابگوی فیزیک مسئله نیست (مثلاً در شبیه‌سازی جریان اطراف ساختمان‌ها یا پایه‌های پل)، روش‌های هیبریدی مثل DES (Detached Eddy Simulation) نجات‌بخش هستند. این روش‌ها هوشمندند؛ جایی که مش ریز باشد و جدایش جریان داشته باشیم، مثل LES رفتار می‌کنند و در لایه‌های مرزی آرام، مثل RANS عمل می‌کنند. این یعنی بهترین استفاده از منابع محدود.

برای اجرای موفقیت‌آمیز این شبیه‌سازی‌های سنگین به چه سطحی از سخت‌افزارهای محاسباتی و پردازش موازی نیاز داریم؟

دیگه دوران ران گرفتن روی لپ‌تاپ شخصی با Core i7 گذشته، حداقل برای LES. برای این نوع شبیه‌سازی‌ها گلوگاه اصلی معمولاً RAM و سرعت ارتباط بین هسته‌هاست، نه فقط فرکانس CPU. جدول زیر یک برآورد سرانگشتی (بر اساس تجربه پروژه‌های اخیرمون در سیمومک) برای سخت‌افزار مورد نیاز هست:

اگر قصد دارید سیستم جمع کنید یا سرور اجاره کنید، حتماً قبلش نگاهی به راهنمای کامل انتخاب سخت‌افزار (CPU, RAM, GPU) برای شبیه‌سازی‌های CFD بندازید تا پولتون رو بابت قطعاتی که تاثیری در سرعت حل ندارن دور نریزید.

شایع‌ترین دلایل واگرایی حل در شبیه‌سازی‌های پیشرفته توربولانسی علیرغم داشتن مش باکیفیت چیست؟

گاهی مش عالیه، تنظیمات درسته، اما تا دکمه Run رو می‌زنید، بعد از ۵۰ تکرار خطای Floating Point Exception میگیرید و نرم‌افزار بسته میشه. 🤯 اینجور وقتا معمولاً مشکل از “شرایط اولیه” (Initialization) بد یا الگوریتم کوپلینگ نامناسبه.

در LES، استفاده از الگوریتم PISO معمولاً پایداری بهتری نسبت به SIMPLE داره. همچنین خیلی مهمه که باقیمانده‌ها (Residuals) رو درست مانیتور کنید. صرفاً پایین اومدن نمودار کافی نیست. اگر می‌خواهید در تله‌ی همگرایی کاذب نیفتید، مطلب آیا کاهش باقیمانده‌ها (Residuals) برای همگرایی کافی است؟ راهنمای تفسیر نمودار حل رو چک کنید. اونجا توضیح دادیم که باید مانیتور پوینت‌های فیزیکی (مثل سرعت در یک نقطه خاص) رو هم چک کنید که نوسان غیرمنطقی نداشته باشه.

چگونه می‌توانیم اطمینان حاصل کنیم که نتایج حاصل از LES با واقعیت فیزیکی یا داده‌های تجربی تطابق کامل دارند؟

در دنیای CFD، کانتورهای رنگی خوشگل زیادند، اما نتایج دقیق کم! برای اینکه مطمئن بشید شبیه‌سازی LES شما واقعیت رو نشون میده، نباید فقط به مقادیر میانگین بسنده کنید. باید آنالیز طیفی (FFT) انجام بدید و ببینید آیا فرکانس‌های گردابه‌های جدا شده (Shedding Frequency) با عدد استروهال (Strouhal Number) تجربی میخونه یا نه.

این پروسه نیاز به دانش آماری و فیزیکی داره. اعتبارسنجی فقط مقایسه دو تا عدد نیست. برای اینکه یاد بگیرید چطور مثل یک حرفه‌ای از نتایج‌تون دفاع کنید، راهنمای جامع اعتبارسنجی (Validation) و صحت‌سنجی (Verification) در شبیه‌سازی CFD می‌تونه خیلی بهتون کمک کنه. بدون این مرحله، عملاً تمام زحمات و هزینه‌های محاسباتی بی‌ارزشه.

تیم مهندسی سیمومک چگونه در انتخاب استراتژی مناسب مدل‌سازی توربولانس و اجرای پروژه‌های High-Fidelity همراه شماست؟

در نهایت، دنیای شبیه‌سازی سیالات پر از جزئیات ریز و درشته که فقط با آزمون و خطا و صرف وقت زیاد به دست میاد. ما در سیمومک، این مسیر پر چالش رو بارها طی کردیم. هدف ما فقط انجام پروژه نیست؛ هدف اینه که مطمئن بشیم مدلی که انتخاب شده، (چه RANS باشه چه مقدمه‌ای بر شبیه‌سازی گردابه‌های بزرگ (LES) و DNS: فراتر از RANS که موضوع این بحث بود)، دقیقاً متناسب با نیاز فنی و بودجه شماست.

اگر با چالش‌هایی مثل عدم همگرایی، انتخاب مدل مناسب یا نیاز به تحلیل‌های پیچیده چندفازی و آیرودینامیکی روبرو هستید، می‌تونید روی دانش فنی تیم ما حساب کنید. ما ابزار و تجربه لازم برای تبدیل فیزیک پیچیده به داده‌های مهندسی قابل اطمینان رو داریم. 🛠️