Hoeveel vertrouwen verdient een simulatie?

Hoe betrouwbaar is een simulatie-uitkomst? Al variaties in randvoorwaarden, materiaaleigenschappen of bedrijfsparameters kunnen de beoordeling van een ontwerp beïnvloeden. Sensitiviteitsanalyses helpen om de bepalende invloedsfactoren zichtbaar te maken.

Dipl.-Ing. (TU) Stefan Merkle, Geschäftsführer der Merkle CAE Solutions GmbH.

Een simulatie-uitkomst van 78 °C bij een toegestane componenttemperatuur van 80 °C lijkt duidelijk. Maar is het onderdeel daarmee daadwerkelijk veilig ontworpen? Wat gebeurt er als verliesvermogen, materiaaleigenschappen, volumestroom of warmteoverdracht binnen hun reële spreiding variëren? Hoe sterker virtuele modellen ontwikkelingsbeslissingen bepalen, des te belangrijker wordt een tot nu toe vaak onderschatte vraag: Hoe betrouwbaar is het resultaat echt?

De actualiteit blijkt ook uit de standaardisatie. In februari 2026 publiceerde NASA met NASA-HDBK-7009B een nieuwe leidraad voor goede modellering- en simulatiepraktijken. Ook de ASME breidt haar regelgeving uit over Verification, Validation and Uncertainty Quantification (VVUQ). Hierachter staat een fundamentele verandering: Niet het zo nauwkeurig ogende simulatie-resultaat bepaalt de kwaliteit van een model, maar de bewezen geloofwaardigheid ervan voor de beoogde toepassing.

Precies rekenen betekent niet automatisch betrouwbaar

“Het gevaarlijkste simulatie-resultaat is niet per se fout, maar eentje dat er precies uitziet en daarom niet meer wordt bevraagd,” zegt Dipl.-Ing. (TU) Stefan Merkle, algemeen directeur van Merkle CAE Solutions GmbH. “Ervaring toont ook dat je kunt herkennen welke aannames een resultaat domineren en waar een schijnbaar comfortabele veiligheidsmarge plots kritisch kan worden.”

Bij multiphysics-modellen krijgt deze vraag extra betekenis. Onzekerheden kunnen zich over meerdere fysische disciplines verspreiden: Een afwijkend verliesvermogen verandert bijvoorbeeld het temperatuurveld, dit beïnvloedt materiaaleigenschappen en thermische vervormingen, en uiteindelijk spanningen of vervormingen.

Van 78 °C naar een betrouwbare beslissing

Voor de ontwikkelaar betekent dat een verandering in perspectief. In plaats van slechts een nominale waarde te berekenen, worden relevante invoerparameters systematisch variëerbaar gemaakt. Parameter- en gevoeligheidsanalyses tonen of bijvoorbeeld koelmiddelstroom, contactweerstand of verliesvermogen het resultaat significant beïnvloeden.

Uit de uitspraak “78 °C” wordt daarmee een technisch veel waardevollere informatie: Onder welke omstandigheden houdt het concept zijn grens en wanneer niet? Hieruit kunnen direct beslissingen voortvloeien: koelkanalen aanpassen, pompprestaties wijzigen, toleranties verscherpen, materiaal wisselen of het bestaande ontwerp bewust vrijgeven.

Meer simulatie vereist meer ingenieurskennis

Verification controleert of het mathematische model numeriek correct wordt opgelost. Validation onderzoekt hoe goed het de echte toepassing beschrijft. Uncertainty Quantification beoordeelt uiteindelijk hoe onzekerheden in invoerparameters en het model het resultaat beïnvloeden. Deze scheiding wordt belangrijker wanneer simulaties fysische experimenten steeds meer aanvullen.

Het geldt daarbij: Een complexer model is niet automatisch een beter model. Vooral bij gekoppelde multiphysics-simulaties bepaalt de juiste keuze van randvoorwaarden, materiaalmodellen, koppelmethode en zinvolle vereenvoudigingen de betrouwbaarheid. Belangrijk is niet de maximale modelcomplexiteit, maar een model waarvan de nauwkeurigheid en grenzen bekend zijn voor de specifieke ontwikkelingsbeslissing.

Voor ontwikkelingsafdelingen ontstaat hieruit een pragmatische aanpak: Ten eerste de beslissing definiëren die met de simulatie moet worden genomen. Ten tweede de relevante onzekerheden en invloedrijke factoren identificeren. Ten derde gericht die parameters door experimenten valideren die het resultaat daadwerkelijk domineren. Simulatie en fysiek testen worden daarmee niet als alternatieven gezien, maar als een iteratief proces: meetgegevens valideren en verbeteren het model; het model toont op zijn beurt welke experimenten de grootste kennis opleveren.

Juist deze afstemming tussen virtueel model en werkelijkheid is cruciaal. In de praktijk van Merkle CAE worden simulatiemethoden daarom doelgericht afgestemd en verder ontwikkeld met experimentele data. Zo ontstaat uit een rekenresultaat een betrouwbare basis voor besluitvorming.

Want uiteindelijk telt maar één vraag: “Is mijn model gevalideerd voor precies die beslissing die ik ermee wil nemen?”