عدد کورانت (Courant Number) چیست و چه تاثیری بر حل گذرا (Transient) دارد؟

مقالات تخصصی

عدد کورانت (Courant Number) یک مفهوم بنیادین در دینامیک سیالات محاسباتی (CFD)، به‌ویژه برای تحلیل‌های گذرا (Transient) است. برای هر تحلیل‌گری که از نرم‌افزارهایی مانند Ansys Fluent استفاده می‌کند، درک این پارامتر برای دستیابی به یک حل عددی پایدار و دقیق، امری ضروری است. عدم توجه به این عدد می‌تواند منجر به واگرایی حل یا نتایج نادرست شود، حتی اگر شبیه‌سازی به ظاهر پایدار باشد. این مقاله به تعریف عدد کورانت، بررسی معنای فیزیکی آن از طریق شرط CFL و تحلیل تأثیر مستقیم آن بر کیفیت حل می‌پردازد. مدیریت صحیح عدد کورانت در فلوئنت کلید دستیابی به نتایجی قابل اعتماد و کارآمد است.

آنچه در این مقاله می‌خوانید

عدد کورانت (Courant Number) چیست و چه تاثیری بر حل گذرا (Transient) دارد؟

تعریف مفهومی عدد کورانت

برای درک تأثیر عدد کورانت، ابتدا باید تعریف ریاضی و مفهومی آن را مشخص کنیم. این عدد یک پارامتر بی‌بُعد است که سرعت فیزیکی سیال، اندازه شبکه محاسباتی و گام زمانی حل را به یکدیگر مرتبط می‌سازد.

عدد کورانت به صورت نسبت سرعت فیزیکی (u) به سرعت شبکه (Δx / Δt) تعریف می‌شود. فرمول ریاضی استاندارد برای این عدد به شرح زیر است:

C = u * Δt / Δx

اجزای این فرمول عبارت‌اند از:

u: سرعت فیزیکی سیال (physical fluid velocity)
Δt: گام زمانی حل (solution time step)
Δx: اندازه سلول محاسباتی (computational cell size)

این مفهوم به افتخار ریاضیدان آلمانی-آمریکایی، ریچارد کورانت (Richard Courant) نام‌گذاری شده و ریشه در شرط پیشگامانه کورانت-فریدریش-لوی (Courant-Friedrichs-Lewy) یا به اختصار CFL دارد. این فرمول ساده، یک اصل فیزیکی مهم را در خود جای داده است که در ادامه به آن می‌پردازیم.

تفسیر فیزیکی و شرط CFL

عدد کورانت چیزی فراتر از یک فرمول ساده است؛ این عدد یک اصل فیزیکی حیاتی مرتبط با نحوه انتشار اطلاعات در دامنه شبیه‌سازی را نشان می‌دهد. برای درک این موضوع، باید مفهوم “دامنه وابستگی” (domain of dependence) را در نظر بگیریم. هر نقطه در حل یک معادله دیفرانسیل با مشتقات جزئی (PDE) به داده‌های اولیه در یک ناحیه مشخص وابسته است. طرح عددی نیز دامنه وابستگی خاص خود را دارد که بر اساس اطلاعات سلول‌های همسایه در گام زمانی قبلی تعریف می‌شود.

شرط کورانت-فریدریش-لوی (CFL) یک الزام ضروری برای پایداری طرح‌های عددی صریح (explicit) است و بیان می‌کند: “دامنه وابستگی طرح عددی باید دامنه وابستگی معادله دیفرانسیل را در بر گیرد.”

پیامد عملی این شرط را می‌توان بر اساس مقدار عدد کورانت به صورت زیر توضیح داد:

وقتی C > 1 (u * Δt > Δx): این وضعیت به این معناست که اطلاعات فیزیکی (مانند یک ذره سیال یا یک موج) در طول یک گام زمانی (Δt) مسافتی بیشتر از یک سلول محاسباتی (Δx) را طی می‌کند. از آنجایی که طرح عددی صریح فقط به سلول‌های مجاور خود نگاه می‌کند، نمی‌تواند این اطلاعات را “ببیند” و از آن عبور می‌کند. این ناتوانی در ثبت حرکت فیزیکی منجر به ناپایداری عددی و واگرایی کامل حل می‌شود.
وقتی C ≤ 1 (u * Δt ≤ Δx): این شرط تضمین می‌کند که اطلاعات از هر نقطه در یک گام زمانی، حداکثر به سلول‌های همسایه بی‌واسطه خود منتقل می‌شود. در این حالت، طرح عددی قادر است انتشار فیزیکی اطلاعات را به درستی دنبال کند و شرط لازم برای یک حل پایدار برآورده می‌شود.

با این حال، پایداری تنها بخشی از ماجراست. همان‌طور که در ادامه خواهیم دید، مقدار دقیق عدد کورانت تأثیر عمیقی بر دقت حل نیز دارد.

تاثیر عدد کورانت بر پایداری و همگرایی حل

درحالی‌که شرط CFL مرزی برای پایداری تعیین می‌کند، مقدار دقیق عدد کورانت در محدوده پایدار، مستقیماً بر دقت حل از طریق پدیده‌ای به نام نفوذ عددی (numerical diffusion) تأثیر می‌گذارد.

نفوذ عددی خطایی است که به دلیل گسسته‌سازی فضا (اندازه محدود سلول‌ها) در طرح‌های عددی به وجود می‌آید و در معادله فیزیکی جابجایی (convection) اصلی وجود ندارد. مقادیر مثبت نفوذ عددی باعث “پخش‌شدگی” یا “محو شدن” گرادیان‌های تیز در حل می‌شود و همگرایی را مختل می‌کند، در حالی که مقادیر منفی می‌تواند به ناپایداری منجر شود. سناریوی ایده‌آل برای دقت، زمانی است که نفوذ عددی به صفر نزدیک شود (μn → 0).

جدول زیر خواص سه طرح عددی صریح مرتبه اول رایج را خلاصه می‌کند:

نام طرح (Scheme Description)	شرط پایداری (Stability Condition)	شرط همگرایی (Convergence)	تحلیل (Analysis)
Forward-in-time, backward-in-space	`C ≤ 1`	`C → 1`	این طرح که به عنوان upwind شناخته می‌شود، به صورت شرطی پایدار است. با نزدیک شدن عدد کورانت به ۱، خطای ناشی از نفوذ عددی به صفر میل می‌کند.
Forward-in-space, backward-in-time	`C ≥ 1`	`C → 1`	این طرح نیز به صورت شرطی پایدار است اما در شرایطی معکوس با طرح upwind.
Backward-in-time, backward-in-space	پایدار برای تمام مقادیر `C`	برای هیچ مقداری از `C` همگرا نمی‌شود	این یک مثال مهم است که نشان می‌دهد پایداری مطلق (unconditional stability) تضمینی برای صحت جواب نیست. این طرح هرگز به جواب تحلیلی همگرا نمی‌شود.

نکته کلیدی که از این جدول می‌توان برداشت کرد این هست که برای طرح‌های پایدار شرطی مانند روش رایج upwind، دقیق‌ترین حل (با کمترین نفوذ عددی) زمانی به دست می‌آید که عدد کورانت (C) به ۱ نزدیک باشد.

ملاحظات عملی برای تحلیلگران CFD

مفاهیم نظری پایداری و نفوذ عددی به تصمیمات عملی در هنگام تنظیم یک شبیه‌سازی گذرا تبدیل می‌شوند. در ادامه به چند نکته کلیدی اشاره می‌شود:

اثر عدد کورانت بسیار پایین: انتخاب یک گام زمانی (Δt) بسیار کوچک برای دستیابی به عدد کورانت پایین (C << 1) پایداری حل را تضمین میکند، اما هزینه‌هایی نیز در بر دارد. با ارجاع به فرمول نفوذ عددی برای طرح upwind، μn = (1/2) u Δx (1 - C)، مشخص می‌شود که هرچه C به صفر نزدیک‌تر شود، نفوذ عددی (μn) افزایش می‌یابد. این امر منجر به یک حل بیش از حد “پخش‌شده” (smeared) یا استهلاکی (dissipative) میشود که گرادیان‌های تیز را به درستی ثبت نمی‌کند. علاوه بر این، زمان محاسباتی کل به شدت افزایش می‌یابد.
هدف بهینه: C ≈ 1: برای طرح‌های صریح، هدف فقط پایدار بودن نیست، بلکه دقیق بودن است. دقیق‌ترین نتایج معمولاً زمانی حاصل می‌شود که عدد کورانت تا حد امکان به مرز پایداری (برای مثال C ≈ 1) نزدیک باشد. این کار ضمن حفظ پایداری، نفوذ عددی را به حداقل می‌رساند.
گسترش به ابعاد بالاتر: باید توجه داشت که در شبیه‌سازی‌های دو و سه‌بعدی، شرط پایداری CFL محدودکننده‌تر می‌شود. به عنوان مثال، برای یک روش upwind مرتبه اول از نوع donor-cell (DCU) در دو بعد، حداکثر عدد کورانت مجاز برای پایداری به Ca ≤ 0.5 کاهش می‌یابد. این نکته یک ملاحظه مهم برای تحلیل‌های عملی است و نشان می‌دهد که مقدار بهینه عدد کورانت به ابعاد مسئله و طرح عددی مورد استفاده بستگی دارد.

چکیده و نتیجه‌گیری

در پایان می‌توان گفت که عدد کورانت یک پارامتر بی‌بُعد است که سرعت سیال، اندازه شبکه و گام زمانی را به هم پیوند می‌دهد و هم پایداری (از طریق شرط CFL) و هم دقت (از طریق نفوذ عددی) حل‌های گذرای صریح را کنترل می‌کند. نکته اصلی برای تحلیلگران این است که مدیریت موفق عدد کورانت در فلوئنت نه تنها برای جلوگیری از شکست شبیه‌سازی، بلکه برای کنترل کیفیت و صحت نتایج نهایی ضروری است. به عنوان یک توصیه عملی نهایی، برای کسب نتایج بهینه در طرح‌های صریح، تحلیل‌گران باید بالاترین عدد کورانتی را هدف قرار دهند که همچنان در محدوده پایداری روش عددی آن‌ها قرار دارد. این رویکرد به ایجاد تعادل میان پایداری، دقت و کارایی محاسباتی کمک شایانی می‌کند.