۱. استقلال از شبکه در شبیه‌سازی CFD به چه معناست؟

در شبیه‌سازی عددی، دامنه محاسباتی به تعداد مشخصی سلول تقسیم می‌شود. معادلات حاکم بر جریان در این سلول‌ها و با استفاده از روش‌های گسسته‌سازی عددی حل می‌شوند. برای مثال، فرض کنید جریان هوا از اطراف یک استوانه عبور می‌کند. اگر شبکه اطراف استوانه درشت باشد، ممکن است گرادیان سرعت در نزدیکی دیواره، محل جدایش جریان و ساختار گردابه‌های پشت استوانه با دقت کافی محاسبه نشوند. با افزایش تعداد سلول‌ها و ریزتر کردن شبکه، امکان توصیف دقیق‌تر تغییرات مکانی متغیرهای جریان فراهم می‌شود. با این حال، افزایش تعداد سلول‌ها همیشه به معنای افزایش متناسب دقت نیست؛ زیرا در یک مرحله، تغییرات نتایج با ریزتر شدن بیشتر شبکه ممکن است بسیار محدود شود. برای بررسی این موضوع، معمولاً چند شبکه با اندازه‌های متفاوت تولید می‌شوند و یک یا چند کمیت مشخص در تمام آن‌ها محاسبه می‌شود. برای نمونه، در یک مسئله جریان داخلی می‌توان کمیت‌های زیر را بررسی کرد:

• افت فشار بین دو مقطع مشخص
• دبی جرمی خروجی
• سرعت متوسط در مقطع خروجی
• ضریب اصطکاک
• عدد ناسلت در مسائل انتقال حرارت

در یک مسئله آیرودینامیکی نیز ممکن است ضریب درگ، ضریب لیفت و توزیع فشار روی سطح جسم معیار ارزیابی باشند. اگر تغییرات این کمیت‌ها با افزایش تعداد سلول‌ها به‌اندازه کافی کاهش پیدا کند، می‌توان روند استقلال نتایج از شبکه را ارزیابی کرد.

۲. چرا بررسی استقلال از شبکه اهمیت دارد؟

استقلال از شبکه صرفاً یک مرحله تشریفاتی در گزارش شبیه‌سازی نیست؛ بلکه یکی از اجزای اصلی ارزیابی اعتبار عددی نتایج محسوب می‌شود. دلایل اهمیت آن عبارت‌اند از:

۱. کاهش خطای گسسته‌سازی: شبکه درشت ممکن است نتواند گرادیان‌های شدید سرعت، فشار یا دما را به‌درستی بازنمایی کند. بررسی چند شبکه امکان ارزیابی اثر این خطا را فراهم می‌کند.

۲. افزایش قابلیت اعتماد نتایج: زمانی که کمیت‌های مهندسی در شبکه‌های مختلف تغییرات محدودی دارند، اطمینان بیشتری نسبت به پایداری عددی آن‌ها به دست می‌آید.

۳. جلوگیری از انتخاب شبکه بیش از حد درشت: ممکن است یک شبکه با تعداد سلول کم، حل‌پذیری مناسبی داشته باشد، اما نتایج آن از نظر دقت عددی قابل‌قبول نباشد.

۴. جلوگیری از افزایش غیرضروری هزینه محاسباتی: استفاده از شبکه بسیار ریز ممکن است زمان حل و مصرف حافظه را به‌شدت افزایش دهد، بدون آنکه بهبود قابل‌توجهی در کمیت موردنظر ایجاد کند.

۵. امکان مقایسه علمی با پژوهش‌های دیگر: در بسیاری از مقالات علمی، ارائه مطالعه استقلال از شبکه برای نشان دادن کنترل خطای گسسته‌سازی اهمیت دارد.

بنابراین، هدف نهایی انتخاب شبکه‌ای است که تعادل مناسبی میان دقت عددی و هزینه محاسباتی ایجاد کند.

۳. چگونه شبکه‌های مختلف برای مطالعه استقلال از شبکه تولید کنیم؟

برای انجام یک مطالعه اصولی، باید چند شبکه با درجات مختلف ریزشدگی تولید شوند. این شبکه‌ها باید هندسه، شرایط مرزی، مدل فیزیکی و تنظیمات عددی یکسانی داشته باشند تا اثر تغییر اندازه شبکه به‌درستی قابل ارزیابی باشد. به‌طور معمول، حداقل سه شبکه با اندازه‌های متفاوت برای مطالعه همگرایی شبکه استفاده می‌شود:

• شبکه درشت (Coarse Mesh)
• شبکه متوسط (Medium Mesh)
• شبکه ریز (Fine Mesh)

برای مثال، در یک شبیه‌سازی فرضی می‌توان تعداد سلول‌ها را به‌صورت زیر انتخاب کرد:

این اعداد صرفاً نمونه هستند و نسبت دوبرابری تعداد سلول‌ها یک الزام علمی نیست. انتخاب شبکه باید با توجه به ابعاد هندسه، پیچیدگی جریان، منابع محاسباتی و نواحی دارای گرادیان شدید انجام شود. نکته مهم این است که افزایش تعداد سلول‌ها باید تا حد امکان به‌صورت سیستماتیک انجام شود. اگر در هر شبکه، هندسه، کیفیت سلول‌ها یا نواحی ریزشدگی به شکل کاملاً متفاوتی تغییر کنند، مقایسه نتایج دشوارتر خواهد شد.

۴. نسبت ریزشدگی شبکه (Grid Refinement Ratio) چیست؟

نسبت ریزشدگی شبکه نشان می‌دهد اندازه مشخصه سلول‌ها در دو شبکه متوالی چه نسبتی با یکدیگر دارد. برای محاسبه این نسبت، ابتدا اندازه مشخصه شبکه تعیین می‌شود. در یک شبکه سه‌بعدی با ریزشدگی تقریباً یکنواخت، می‌توان اندازه مشخصه را از تقسیم حجم کل دامنه محاسباتی بر تعداد سلول‌ها و سپس محاسبه ریشه سوم حاصل این تقسیم به دست آورد. در شبکه‌های دوبعدی، روش مشابهی استفاده می‌شود، با این تفاوت که مساحت دامنه بر تعداد سلول‌ها تقسیم شده و ریشه دوم حاصل محاسبه می‌شود. پس از تعیین اندازه مشخصه هر شبکه، نسبت ریزشدگی از تقسیم اندازه مشخصه شبکه درشت بر اندازه مشخصه شبکه ریزتر به دست می‌آید. برای مثال، اگر اندازه مشخصه شبکه درشت دو برابر اندازه مشخصه شبکه ریز باشد، نسبت ریزشدگی برابر با دو خواهد بود. در شبکه‌های سه‌بعدی با ریزشدگی یکنواخت و دامنه ثابت، اگر تعداد سلول‌ها هشت برابر شود، اندازه مشخصه سلول‌ها تقریباً به نصف کاهش پیدا می‌کند. در شبکه‌های دوبعدی، برای نصف شدن اندازه مشخصه، تعداد سلول‌ها در شرایط مشابه تقریباً چهار برابر می‌شود. البته این روابط برای شبکه‌هایی با ریزشدگی نسبتاً یکنواخت مناسب‌تر هستند. در شبکه‌های نامنظم یا دارای ریزشدگی موضعی شدید، مقایسه صرف یک اندازه مشخصه ممکن است تمام تفاوت‌های شبکه را نشان ندهد.

۵. اجرای مطالعه استقلال از شبکه در انسیس فلوئنت

برای انجام این بررسی در نرم‌افزار انسیس فلوئنت، لازم است چند حل عددی با شبکه‌های مختلف اجرا شوند.

مرحله اول: آماده‌سازی هندسه و شرایط فیزیکی

ابتدا هندسه مسئله را آماده کنید و شرایط مرزی، خواص سیال، مدل آشفتگی و سایر مدل‌های فیزیکی موردنیاز را تعیین کنید. تمام این تنظیمات باید در مطالعات مختلف ثابت بمانند. برای مثال، اگر در یک شبکه از مدل SST k-omega استفاده شده است، نباید در شبکه دیگر مدل Standard k-epsilon جایگزین شود؛ زیرا در این صورت دیگر نمی‌توان اختلاف نتایج را صرفاً به تغییر شبکه نسبت داد.

مرحله دوم: تولید سه شبکه با اندازه متفاوت

در محیط مش‌بندی، سه شبکه با درجات مختلف ریزشدگی تولید کنید. برای مثال:

• شبکه اول: ۵۰ هزار سلول
• شبکه دوم: ۱۰۰ هزار سلول
• شبکه سوم: ۲۰۰ هزار سلول

در این مرحله، علاوه بر تعداد سلول‌ها، باید کیفیت شبکه، توزیع اندازه سلول‌ها، لایه‌های مرزی و میزان ریزشدگی در نواحی حساس بررسی شود.

مرحله سوم: کنترل کیفیت شبکه

پیش از ورود به محیط حل‌گر، کیفیت هر سه شبکه را بررسی کنید. شاخص‌های مهم عبارت‌اند از:

Skewness: میزان انحراف سلول از شکل هندسی مطلوب را نشان می‌دهد.

Orthogonal Quality: میزان تعامد سلول‌ها را ارزیابی می‌کند.

Aspect Ratio: نسبت ابعاد سلول را مشخص می‌کند.

Boundary Layer Resolution: میزان کفایت تفکیک شبکه در نزدیکی دیواره را نشان می‌دهد.

صرف افزایش تعداد سلول‌ها کافی نیست؛ زیرا ممکن است یک شبکه ریزتر به دلیل کیفیت نامناسب، نتایج ضعیف‌تری ارائه کند.

مرحله چهارم: اجرای حل عددی

هر سه شبکه را با تنظیمات فیزیکی و عددی یکسان حل کنید. برای مقایسه صحیح، باید معیارهای همگرایی در تمام شبکه‌ها به‌صورت سازگار بررسی شوند. همچنین بهتر است کمیت‌های مهندسی مانند افت فشار، نیروی درگ یا دبی جرمی به‌صورت Report Definition تعریف شوند تا مقادیر آن‌ها به‌طور منظم ذخیره شوند. اگر یکی از شبکه‌ها هنوز به همگرایی عددی مناسب نرسیده باشد، مقایسه نتایج آن با شبکه‌های دیگر معتبر نخواهد بود.

مرحله پنجم: استخراج کمیت‌های مهندسی

پس از رسیدن به شرایط همگرایی مناسب، کمیت موردنظر را برای هر شبکه استخراج کنید. برای مثال، در یک جریان داخلی می‌توان اختلاف فشار دو مقطع ورودی و خروجی را محاسبه کرد. این اختلاف از تفاضل فشار میان دو مقطع به دست می‌آید. سپس مقادیر حاصل از سه شبکه در یک جدول قرار می‌گیرند و تغییرات آن‌ها بررسی می‌شود.

مرحله ششم: مقایسه نتایج

اگر تغییرات کمیت موردنظر با ریزتر شدن شبکه کاهش یابد، می‌توان روند همگرایی شبکه را ارزیابی کرد. با این حال، نباید تنها به یک کمیت بسنده کرد. برای مثال، ممکن است افت فشار تقریباً مستقل از شبکه باشد، اما بیشینه سرعت در نزدیکی یک مانع همچنان به اندازه سلول حساسیت زیادی نشان دهد. به همین دلیل، انتخاب کمیت‌های ارزیابی باید متناسب با هدف شبیه‌سازی باشد.

۶. چگونه درصد تغییرات نتایج بین شبکه‌ها را محاسبه کنیم؟

یکی از ساده‌ترین روش‌ها برای ارزیابی حساسیت نتایج نسبت به شبکه، محاسبه درصد اختلاف بین دو شبکه متوالی است. برای این کار، اختلاف مقدار یک کمیت مهندسی در دو شبکه محاسبه می‌شود. سپس قدر مطلق این اختلاف بر مقدار همان کمیت در شبکه مبنا، معمولاً شبکه ریزتر، تقسیم و حاصل در صد ضرب می‌شود. برای مثال، فرض کنید افت فشار در سه شبکه به‌ترتیب برابر با مقادیر زیر باشد:

برای مقایسه شبکه متوسط و ریز، اختلاف افت فشار برابر با ۰٫۸ پاسکال است. اگر این اختلاف را نسبت به مقدار افت فشار شبکه ریز، یعنی ۱۲۷٫۹ پاسکال، بسنجیم و به درصد تبدیل کنیم، اختلافی در حدود ۰٫۶۳ درصد به دست می‌آید. این نتیجه نشان می‌دهد اختلاف افت فشار بین دو شبکه آخر در این مثال حدود ۰٫۶۳ درصد است. با این حال، این عدد به‌تنهایی اثبات نمی‌کند که خطای گسسته‌سازی نیز دقیقاً ۰٫۶۳ درصد است. برای برآورد نظام‌مندتر خطای گسسته‌سازی، می‌توان از روش‌هایی مانند Richardson Extrapolation و Grid Convergence Index استفاده کرد.

۷. شاخص همگرایی شبکه (Grid Convergence Index یا GCI)

یکی از روش‌های شناخته‌شده برای ارزیابی اثر اندازه شبکه، شاخص همگرایی شبکه یا GCI است. این روش بر پایه تحلیل نتایج شبکه‌های مختلف و برآورد خطای ناشی از گسسته‌سازی توسعه یافته است. روش GCI در مقاله Celik و همکاران در سال ۲۰۰۸ تشریح شده و یکی از مراجع شناخته‌شده برای گزارش عدم قطعیت ناشی از گسسته‌سازی در کاربردهای CFD است. در این روش، معمولاً نتایج حداقل سه شبکه با نسبت ریزشدگی مشخص بررسی می‌شوند.

مفهوم برون‌یابی ریچاردسون (Richardson Extrapolation)

فرض کنید یک کمیت مهندسی، مانند افت فشار یا ضریب درگ، در شبکه‌های مختلف محاسبه شده باشد. با کاهش اندازه سلول‌ها، انتظار می‌رود نتایج در شرایط مناسب به یک مقدار حدی نزدیک شوند. برون‌یابی ریچاردسون روشی است که با بررسی تغییرات نتایج در شبکه‌های مختلف، مقدار تقریبی کمیت موردنظر را در حالت شبکه بسیار ریز برآورد می‌کند. در این روش فرض می‌شود که خطای گسسته‌سازی، در محدوده همگرایی مجانبی، با اندازه مشخصه شبکه و مرتبه‌ای از آن تغییر می‌کند. این مرتبه که با عنوان مرتبه مشاهده‌شده همگرایی شناخته می‌شود، نشان می‌دهد خطای عددی با ریزتر شدن شبکه با چه سرعتی کاهش پیدا می‌کند. برای محاسبه این مرتبه، اختلاف نتایج دو شبکه متوالی با یکدیگر مقایسه می‌شود. سپس با توجه به نسبت ریزشدگی شبکه‌ها، میزان تغییرات به‌صورت لگاریتمی ارزیابی می‌شود. در حالتی که نسبت ریزشدگی شبکه‌ها ثابت باشد و نتایج روند همگرایی یکنواخت داشته باشند، می‌توان مرتبه مشاهده‌شده را از نسبت اختلاف نتایج سه شبکه به دست آورد. نکته مهم این است که این روش برای شرایط مشخصی معتبر است. اگر نتایج شبکه‌ها رفتار نوسانی داشته باشند یا نسبت ریزشدگی آن‌ها مناسب نباشد، استفاده مستقیم از رابطه ساده‌شده می‌تواند گمراه‌کننده باشد.

محاسبه شاخص GCI

شاخص GCI با استفاده از اختلاف نتایج دو شبکه، نسبت ریزشدگی، مرتبه مشاهده‌شده همگرایی و یک ضریب ایمنی محاسبه می‌شود. به بیان ساده، ابتدا اختلاف نسبی نتیجه شبکه ریز و شبکه متوسط مشخص می‌شود. سپس این اختلاف با توجه به میزان ریزشدگی شبکه و مرتبه همگرایی تعدیل می‌شود. در نهایت، ضریب ایمنی نیز برای ارائه برآورد محافظه‌کارانه‌تر در نظر گرفته می‌شود. در رویه رایج سه‌شبکه‌ای مقاله Celik و همکاران، برای مطالعه با سه شبکه و نسبت ریزشدگی مناسب، ضریب ایمنی ۱٫۲۵ به‌کار می‌رود. مقدار GCI معمولاً به‌صورت درصد گزارش می‌شود و برآوردی از عدم قطعیت ناشی از گسسته‌سازی برای کمیت موردنظر ارائه می‌کند. نکته مهم این است که GCI معیار اعتبارسنجی فیزیکی مدل نیست. این شاخص تنها بخشی از ارزیابی خطای عددی ناشی از شبکه را پوشش می‌دهد.

۸. مثال عددی برای بررسی استقلال از شبکه

برای روشن شدن روش ارزیابی، فرض کنید در یک مسئله جریان داخلی، افت فشار در سه شبکه مختلف به‌صورت زیر محاسبه شده باشد:

در این مثال، اندازه مشخصه شبکه متوسط دو برابر شبکه ریز و اندازه مشخصه شبکه درشت چهار برابر شبکه ریز در نظر گرفته شده است. بنابراین، نسبت ریزشدگی میان هر دو شبکه متوالی برابر با دو است. ابتدا اختلاف افت فشار شبکه درشت و متوسط، یعنی ۲٫۳ پاسکال، محاسبه می‌شود. سپس اختلاف افت فشار شبکه متوسط و ریز، یعنی ۰٫۸ پاسکال، به دست می‌آید. با مقایسه این دو اختلاف و در نظر گرفتن نسبت ریزشدگی، مرتبه مشاهده‌شده همگرایی در این مثال تقریباً ۱٫۵۲۳ به دست می‌آید. در ادامه، با استفاده از اختلاف نسبی شبکه ریز و متوسط، نسبت ریزشدگی و ضریب ایمنی ۱٫۲۵، شاخص GCI برای شبکه ریز محاسبه می‌شود. نتیجه این محاسبه در این مثال آموزشی تقریباً ۰٫۶۵ درصد است. این مقدار نشان‌دهنده برآوردی حدود ۰٫۶۵ درصد برای شاخص همگرایی شبکه ریز است. این محاسبه صرفاً یک مثال آموزشی است. برای استفاده از آن در یک مقاله پژوهشی، باید شرایط کاربرد روش، نسبت ریزشدگی، رفتار همگرایی و سازگاری شبکه‌ها بررسی شوند. همچنین باید توجه داشت که سه مقدار فرضی بالا برای نمایش روش محاسبه انتخاب شده‌اند و داده آزمایش یا شبیه‌سازی واقعی نیستند.

۹. آیا تعداد سلول‌ها به‌تنهایی برای اثبات استقلال از شبکه کافی است؟

خیر. یکی از اشتباهات رایج در گزارش‌های CFD این است که تنها تعداد سلول‌ها در سه شبکه ارائه می‌شود و از آن به‌عنوان مدرک استقلال از شبکه استفاده می‌شود. برای مثال، ممکن است دو شبکه دارای تعداد سلول تقریباً یکسان باشند، اما توزیع سلول‌ها در نواحی حساس جریان کاملاً متفاوت باشد. در یک شبیه‌سازی جریان اطراف ایرفویل، ریزشدگی شبکه در لبه حمله، لبه فرار و لایه مرزی اهمیت زیادی دارد. در مقابل، ریز کردن بیش از حد نواحی دور از جسم ممکن است تأثیر محدودی بر ضریب لیفت داشته باشد. بنابراین، در کنار تعداد سلول‌ها باید موارد زیر نیز بررسی شوند:

• اندازه سلول در نواحی دارای گرادیان شدید
• تعداد و ضخامت لایه‌های مرزی
• کیفیت شبکه
• توزیع سلول‌ها در نزدیکی دیواره
• میزان تغییر اندازه سلول‌ها در نواحی مختلف
• سازگاری شبکه با مدل آشفتگی

در نتیجه، یک شبکه با تعداد سلول بیشتر الزاماً شبکه دقیق‌تری نیست. کیفیت و محل قرارگیری سلول‌ها نیز اهمیت اساسی دارند.

۱۰. نقش y+ در استقلال از شبکه چیست؟

در شبیه‌سازی جریان‌های آشفته، یکی از پارامترهای مهم در بررسی شبکه نزدیک دیواره، مقدار y+ است. این پارامتر فاصله بدون‌بعد اولین سلول از دیواره را نشان می‌دهد و به فاصله مرکز اولین سلول از دیواره، سرعت اصطکاکی و ویسکوزیته سینماتیکی سیال وابسته است. مقدار مناسب y+ به مدل آشفتگی و روش مدل‌سازی ناحیه نزدیک دیواره بستگی دارد.

برای مثال، در استفاده از مدل SST k-omega با تفکیک مناسب ناحیه نزدیک دیواره، معمولاً شبکه‌ای با y+ در حدود یک یا کمتر از آن هدف‌گذاری می‌شود. در مقابل، در روش‌های مبتنی بر Wall Function، محدوده مناسب y+ به نوع تابع دیواره و تنظیمات مدل وابسته است. بنابراین، نمی‌توان یک مقدار ثابت y+ را برای تمام مدل‌های آشفتگی توصیه کرد. نکته مهم این است که هنگام انجام مطالعه استقلال از شبکه، تغییر شبکه باید با حفظ رویکرد مدل‌سازی نزدیک دیواره انجام شود. اگر در یک شبکه از تفکیک کامل لایه لزج و در شبکه دیگر از Wall Function استفاده شود، اختلاف نتایج تنها ناشی از اندازه شبکه نخواهد بود.

۱۱. چرا ممکن است نتایج با ریزتر شدن شبکه تغییرات بیشتری نشان دهند؟

گاهی برخلاف انتظار، با افزایش تعداد سلول‌ها نتایج به‌جای نزدیک شدن به یک مقدار ثابت، تغییرات بیشتری نشان می‌دهند. این وضعیت می‌تواند دلایل مختلفی داشته باشد:

۱. تغییر در ساختار جریان: شبکه درشت ممکن است ناپایداری‌های جریان یا گردابه‌های واقعی را به‌درستی ثبت نکند. شبکه ریزتر می‌تواند ساختارهای جدیدی را آشکار کند.

۲. حساسیت به مدل آشفتگی: مدل آشفتگی ممکن است نسبت به تفکیک شبکه و مقدار y+ حساس باشد.

۳. کیفیت نامناسب شبکه ریزتر: افزایش تعداد سلول‌ها در صورت افت کیفیت هندسی می‌تواند موجب افزایش خطای عددی شود.

۴. عدم همگرایی حل عددی: اگر هر شبکه تا سطح قابل‌قبولی از همگرایی حل نشده باشد، مقایسه نتایج قابل اتکا نخواهد بود.

۵. رفتار ناپایای واقعی جریان: ممکن است جریان اساساً ناپایا باشد و حل پایا نتواند یک پاسخ فیزیکی مناسب ارائه کند.

در چنین شرایطی، نباید با انتخاب دلخواه شبکه‌ای که نتیجه مطلوب‌تری می‌دهد، مسئله را حل‌شده تلقی کرد. ابتدا باید علت تغییرات شناسایی شود.

۱۲. تفاوت استقلال از شبکه، همگرایی عددی و اعتبارسنجی چیست؟

این سه مفهوم به یکدیگر مرتبط هستند، اما یکسان نیستند.

ممکن است یک حل عددی به‌خوبی همگرا شده باشد، اما نتایج آن همچنان به شبکه وابستگی زیادی داشته باشند. همچنین ممکن است یک شبیه‌سازی از نظر شبکه به استقلال مناسبی رسیده باشد، اما به دلیل انتخاب نادرست مدل فیزیکی یا شرایط مرزی، با واقعیت آزمایشگاهی اختلاف داشته باشد. بنابراین، برای ارائه یک مطالعه CFD قابل دفاع، باید این مراحل به‌صورت جداگانه و مکمل بررسی شوند.

۱۳. چگونه نتایج مطالعه استقلال از شبکه را در مقاله علمی گزارش کنیم؟

در یک گزارش پژوهشی یا مقاله علمی، بهتر است مطالعه استقلال از شبکه به‌صورت شفاف و قابل بازتولید ارائه شود. حداقل اطلاعات پیشنهادی عبارت‌اند از:

۱. تعداد سلول‌های هر شبکه.

۲. اندازه مشخصه یا نسبت ریزشدگی شبکه‌ها.

۳. توضیح نحوه تولید شبکه‌ها و نواحی ریزشدگی.

۴. شاخص‌های اصلی کیفیت شبکه.

۵. مدل فیزیکی و تنظیمات عددی مشترک.

۶. کمیت مهندسی انتخاب‌شده برای مقایسه.

۷. مقادیر استخراج‌شده از هر شبکه.

۸. درصد اختلاف نتایج یا مقدار GCI، در صورت استفاده از این روش.

۹. توضیح معیار انتخاب شبکه نهایی.

بهتر است علاوه بر جدول، نموداری از تغییرات کمیت مهندسی بر حسب تعداد سلول یا اندازه مشخصه شبکه ارائه شود. این نمودار به خواننده کمک می‌کند روند نزدیک شدن نتایج به مقدار حدی را مشاهده کند. در صورت امکان، کانتورهای سرعت، فشار یا دما نیز برای شبکه‌های مختلف مقایسه شوند؛ البته مقایسه کانتورها جایگزین بررسی کمی استقلال از شبکه نیست.

۱۴. اشتباهات رایج در مطالعه استقلال از شبکه

برخی خطاها می‌توانند اعتبار مطالعه استقلال از شبکه را کاهش دهند:

• مقایسه شبکه‌هایی که شرایط مرزی یکسانی ندارند.
• تغییر مدل آشفتگی بین شبکه‌های مختلف.
• تغییر هم‌زمان تنظیمات عددی و اندازه شبکه.
• استفاده از شبکه‌های ریزتر با کیفیت نامناسب.
• انتخاب یک کمیت نامرتبط با هدف اصلی پژوهش.
• نتیجه‌گیری صرفاً بر اساس کاهش Residuals.
• گزارش تعداد سلول‌ها بدون توضیح نسبت ریزشدگی.
• استفاده از دو شبکه و ادعای اثبات کامل استقلال از شبکه.
• نادیده گرفتن مقدار y+ و کیفیت لایه‌های مرزی.
• فرض اینکه اختلاف کمتر از یک درصد در همه مسائل معیار قطعی پذیرش است.

میزان تغییر قابل‌قبول باید بر اساس هدف مهندسی، دقت موردنیاز، ماهیت مسئله و الزامات پژوهش تعیین شود.

جمع‌بندی

استقلال از شبکه یکی از مراحل اساسی ارزیابی اعتبار عددی در شبیه‌سازی دینامیک سیالات محاسباتی است. از آنجا که معادلات حاکم بر جریان در نرم‌افزارهایی مانند انسیس فلوئنت به‌صورت عددی گسسته‌سازی می‌شوند، نتایج می‌توانند به اندازه، کیفیت و توزیع شبکه وابسته باشند. برای بررسی این موضوع، معمولاً چند شبکه با درجات مختلف ریزشدگی تولید می‌شوند و کمیت‌های مهم مهندسی در آن‌ها مقایسه می‌شوند. محاسبه درصد تغییرات نتایج، استفاده از برون‌یابی ریچاردسون و شاخص GCI از روش‌های رایج برای ارزیابی اثر گسسته‌سازی هستند. با این حال، استقلال از شبکه به معنای صحت کامل مدل فیزیکی نیست. یک شبیه‌سازی ممکن است از نظر شبکه به همگرایی مناسبی رسیده باشد، اما همچنان به دلیل شرایط مرزی نامناسب، مدل آشفتگی نامتناسب یا فرضیات ساده‌سازانه، با واقعیت اختلاف داشته باشد. بنابراین، یک مطالعه CFD معتبر باید هم‌زمان شامل همگرایی عددی، بررسی استقلال از شبکه و اعتبارسنجی نتایج باشد. این رویکرد به‌ویژه در پروژه‌های صنعتی، پژوهش‌های دانشگاهی و مطالعاتی که نتایج آن‌ها مبنای تصمیم‌گیری مهندسی قرار می‌گیرند، اهمیت زیادی دارد. در وب‌سایت دینامیک سیالات محاسباتی شریف (SharifCFD)، بررسی کیفیت شبکه، تحلیل حساسیت نتایج، انتخاب مدل فیزیکی و اعتبارسنجی شبیه‌سازی از موضوعات مهم در مطالعات تخصصی CFD محسوب می‌شوند. تسلط بر این مراحل به مهندسان و پژوهشگران کمک می‌کند تا به‌جای اتکا به خروجی ظاهری نرم‌افزار، نتایجی دقیق‌تر، قابل دفاع‌تر و کاربردی‌تر به دست آورند.