Ile zaufania zasługuje symulacja?

Jak wiarygodny jest wynik symulacji? Już rozrzuty w warunkach brzegowych, właściwościach materiałów czy parametrach operacyjnych mogą zmienić ocenę projektu. Analizy wrażliwości pomagają ujawnić kluczowe czynniki wpływu.

Dipl.-Ing. (TU) Stefan Merkle, Zarządzający wspólnik firmy Merkle CAE Solutions GmbH.

Wynik symulacji 78 °C przy dopuszczalnej temperaturze elementu 80 °C wygląda jednoznacznie. Jednak czy element jest naprawdę bezpiecznie zaprojektowany? Co się stanie, gdy moc strat, właściwości materiałów, przepływ objętościowy lub wymiana ciepła będą się wahać w ramach ich rzeczywistych odchyleń? Im bardziej wirtualne modele decydują o decyzjach rozwojowych, tym ważniejsze staje się pytanie, które dotąd często było niedoceniane: Jak wytrzymałe jest naprawdę to wynik?

Aktualność widać także w standaryzacji. W lutym 2026 roku NASA opublikowała nowy przewodnik po dobrej praktyce modelowania i symulacji – NASA-HDBK-7009B. Również ASME rozwija swoje zasady dotyczące Verification, Validation and Uncertainty Quantification (VVUQ). Za tym stoi fundamentalna zmiana: nie to, aby symulacja wyglądała jak najbardziej precyzyjnie, decyduje o jakości modelu, lecz jego udowodniona wiarygodność dla zamierzonego zastosowania.

Precyzyjne obliczenia nie oznaczają automatycznie wytrzymałości

„Najbardziej niebezpiecznym wynikiem symulacji nie jest koniecznie fałszywy, lecz taki, który wygląda precyzyjnie i dlatego nie jest już kwestionowany”, mówi Dipl.-Ing. (TU) Stefan Merkle, zarządzający wspólnik firmy Merkle CAE Solutions GmbH. „Doświadczenie pokazuje również, jak rozpoznawać, które założenia dominują w wyniku i gdzie pozornie komfortowa rezerwa bezpieczeństwa nagle może stać się krytyczna.”

W modelach wielofizycznych ta kwestia nabiera dodatkowego znaczenia. Niepewności mogą się rozprzestrzeniać na kilka dziedzin fizycznych: np. odchylenie mocy strat zmienia pole temperatury, które z kolei wpływa na właściwości materiałów i odkształcenia termiczne, a tym samym na naprężenia lub odkształcenia.

Od 78 °C do wiarygodnej decyzji

Dla dewelopera oznacza to zmianę perspektywy. Zamiast jedynie obliczać wartość nominalną, systematycznie zmienia się istotne wielkości wejściowe. Analizy parametrów i czułości pokazują, czy na przykład przepływ chłodziwa, opór kontaktu lub moc strat mają istotny wpływ na wynik.

Stąd „78 °C” przekształca się w znacznie cenniejszą informację techniczną: przy jakich warunkach koncepcja wytrzymuje swoje granice, a kiedy nie? Na tej podstawie mogą powstać bezpośrednie decyzje: zmiana kanału chłodzącego, dostosowanie mocy pompy, zaostrzenie tolerancji, zmiana materiału lub celowe zatwierdzenie istniejącego projektu.

Więcej symulacji wymaga większej wiedzy inżynierskiej

Verification sprawdza, czy model matematyczny jest rozwiązany poprawnie numerycznie. Validation bada, jak dobrze odzwierciedla on rzeczywiste zastosowanie. Uncertainty Quantification ocenia, jak niepewności wejściowych wielkości i samego modelu wpływają na wynik. To rozróżnienie staje się coraz ważniejsze, gdy symulacje są coraz częściej uzupełniane o fizyczne testy.

Przy tym obowiązuje zasada: bardziej złożony model nie jest automatycznie lepszy. Szczególnie w przypadku połączonych symulacji wielofizycznych kluczowy jest fachowy dobór warunków brzegowych, modeli materiałów, metod sprzężenia i sensownych uproszczeń, które decydują o wiarygodności wyników. Nie chodzi o maksymalną złożoność modelu, lecz o model, którego dokładność i granice są znane w kontekście konkretnej decyzji rozwojowej.

Dla działów rozwojowych wyłania się pragmatyczne podejście: po pierwsze, zdefiniować decyzję, którą symulacja ma wspierać. Po drugie, zidentyfikować istotne niepewności i wpływające na wynik czynniki. Po trzecie, celowo zabezpieczyć te wielkości poprzez testy, które faktycznie dominują w wyniku. Symulacja i testy fizyczne nie są postrzegane jako alternatywy, lecz jako iteracyjny proces: dane pomiarowe weryfikują i ulepszają model; z kolei model wskazuje, które testy przynoszą największą wiedzę.

Dokładnie ten balans między modelem wirtualnym a rzeczywistością jest kluczowy. W praktyce Merkle CAE metody symulacyjne są celowo porównywane z danymi z testów i rozwijane dalej. W ten sposób z wyniku obliczeń powstaje wiarygodna podstawa do decyzji.

Bo ostatecznie liczy się tylko jedno pytanie: „Czy mój model został zweryfikowany pod kątem decyzji, którą chcę podjąć?”