Mennyire bízhatunk egy szimulációban?

Mennyire megbízható egy szimulációs eredmény? Már a szórások a szélfeltételekben, anyagjellemzőkben vagy működési paraméterekben is megváltoztathatják egy kialakítás értékelését. Az érzékenységvizsgálatok segítenek feltárni a döntő befolyásoló tényezőket.

Dipl.-Ing. (TU) Stefan Merkle, ügyvezető tulajdonos a Merkle CAE Solutions GmbH-nál.

Egy szimulációs eredmény 78 °C-on, miközben a megengedett alkatrész hőmérséklet 80 °C, egyértelműnek tűnik. De valóban biztonságosan van-e méretezve az alkatrész? Mi történik, ha a veszteségteljesítmény, anyagjellemzők, térfogatáram vagy hőátadás a valós szóródásukon belül változik? Minél inkább határozzák meg virtuális modellek a fejlesztési döntéseket, annál fontosabbá válik egy eddig gyakran alábecsült kérdés: Mennyire megbízható az eredmény valóban?

A naprakészség a szabványosításban is megmutatkozik. 2026 februárjában a NASA kiadott egy új útmutatót a jó modellezési és szimulációs gyakorlatokról, a NASA-HDBK-7009B-t. Az ASME is bővíti szabályrendszerét a Verification, Validation and Uncertainty Quantification (VVUQ) területén. Ez mögött egy alapvető változás áll: nem az számít, hogy a szimulációs eredmény a lehető legpontosabbnak tűnik, hanem az, hogy mennyire bizonyítható a hitelessége a tervezett alkalmazási esetben.

A pontos számítás nem feltétlenül jelenti a megbízhatóságot

„A legveszélyesebb szimulációs eredmény nem feltétlenül a hamis, hanem az, amely pontosnak tűnik, és ezért már nem kérdőjelezzük meg” – mondja Dipl.-Ing. (TU) Stefan Merkle, a Merkle CAE Solutions GmbH ügyvezető partnere. „A tapasztalat azt mutatja, hogy felismerjük, mely feltételezések dominálnak egy eredményben, és hol válhat egy látszólag kényelmes biztonsági tartalék kritikus tényezővé.”

A többfizikás modellek esetében ez a kérdés különösen fontos. A bizonytalanságok több fizikai diszciplinán keresztül terjedhetnek: például egy eltérő veszteségteljesítmény megváltoztatja a hőmérsékleti mezőt, ez befolyásolja az anyagjellemzőket és a hőmérsékleti tágulást, végül pedig a feszültségeket vagy deformációkat.

78 °C-tól a megbízható döntésig

A fejlesztő számára ez egy perspektívaváltást jelent. Ahelyett, hogy csupán egy névleges értéket számolna ki, releváns bemeneti paramétereket rendszeresen variál. Paraméter- és érzékenységvizsgálatok mutatják meg, hogy például a hűtőközeg áramlása, a kontaktus ellenállása vagy a veszteségteljesítmény mennyire befolyásolja az eredményt.

Így a „78 °C” kijelentésből egy technikailag sokkal értékesebb információ válik: Milyen feltételek mellett tartja a koncepció a határát, és mikor nem? Ez közvetlenül döntéseket eredményezhet: hűtőcsatorna módosítása, szivattyú teljesítményének beállítása, toleranciák szigorítása, anyag cseréje vagy a meglévő kialakítás tudatos jóváhagyása.

Több szimuláció több mérnöki tudást igényel

A verification ellenőrzi, hogy a matematikai modellt numerikusan helyesen oldják-e meg. A validation vizsgálja, mennyire írja le jól a modell a valódi alkalmazást. A bizonytalanságok kvantifikálása végül értékeli, hogy a bemeneti paraméterek és a modell bizonytalanságai hogyan befolyásolják az eredményt. Ez a különválasztás egyre fontosabbá válik, ahogy a fizikai kísérleteket egyre inkább kiegészítik a szimulációk.

Ebben az összefüggésben érvényes: egy összetettebb modell nem feltétlenül jobb modell. Különösen a kölcsönösen összekapcsolt többfizikás szimulációk esetében a helyes határfeltételek, anyagmodellek, összekapcsolási módszerek és értelmes egyszerűsítések döntik el a modell értékét. Nem a maximális modellkomplexitás a lényeg, hanem az, hogy a modell pontosságáról és határértékeiről tudjuk, hogy azok megfelelnek-e a konkrét fejlesztési döntésnek.

A fejlesztési részlegek számára ez egy pragmatikus megközelítést jelent: Elsőként meghatározni, milyen döntést kell a szimulációval meghozni. Másodszor azonosítani azokat a bizonytalanságokat és befolyásoló tényezőket, amelyek relevánsak. Harmadszor célzottan olyan paramétereket biztosítani kísérletekkel, amelyek ténylegesen befolyásolják az eredményt. A szimuláció és a fizikai teszt nem alternatívaként, hanem iteratív folyamatként értelmezendő: a mérési adatok validálják és fejlesztik a modellt; a modell pedig megmutatja, mely kísérletek nyújtanak a legnagyobb betekintést.

Ez a virtuális modell és a valóság közötti pontos összehangolás döntő fontosságú. A Merkle CAE gyakorlatában ezért a szimulációs módszereket célzottan összevetik a kísérleti adatokkal és továbbfejlesztik azokat. Így a számítási eredményből megbízható döntési alap lesz.

Végső soron csak egy kérdés számít: „Validálva van-e a modellem arra a döntésre, amit ezzel szeretnék meghozni?”