How do you choose the appropriate level of detail and complexity for hydraulic system simulation?

I agree very much and it was completely comprehensive and well expressed and I hope that more of your topics will increase the knowledge of others in the future

Il est également important de bien cibler les phénomènes physiques que la simulation vise à reproduire de façon à s'assurer que le modèle choisi est adapté.

1. Evaluate the specific project goals and objectives 2. Identify the key hydraulic processes that need to be accurately represented 3. Consider the availability of data for model inputs and calibration 4. Evaluate available computing resources and time available 5. Prioritize simplicity while ensuring the accuracy required for decision making 6. Consider stakeholder requirements and expectations

Define the specific goals of the simulation. Whether it’s for design verification, performance analysis, or troubleshooting will influence the required detail level. Simulations aimed at preliminary design might require less complexity than those meant for final validation.

Plusieurs fois, je me suis rendu que des modèles prévus pour des simulations transitoires peu rapides (succession de régimes permanents) avaient été mis en oeuvre pour des écoulements rapidement transitoires (coup de bélier de masse). Les phénomènes transitoires anticipés ont été simulés certes, mais de façon tout à fait erronée (mauvaise dynamique, maximum mal décrit...).

Assess the specific characteristics of the hydraulic system, such as its size, operational range, component types, and interaction dynamics. Systems with intricate interactions among components (like pumps, valves, and actuators) may necessitate a higher level of detail to accurately capture performance behaviors and potential issues.

When choosing a simulation method for HVAC or energy systems, it's crucial to balance computational efficiency, accuracy, and the specific needs of your project. While methods like lumped parameter or distributed parameter simulations offer different strengths—such as ease of use or detailed accuracy—tools like Hysopt can help streamline this decision, leveraging both lumped and distributed parameter techniques providing accurate & real-world insights. By simulating different configurations, engineers can assess energy performance and system behavior under various scenarios, ensuring an optimal balance between efficiency and accuracy tailored to specific project needs.

D'après mon expérience, il est également possible de commencer simplement (par exemple avec une approche empirique) et d'éventuellement complexifier (approche de type CFD) selon les résultats obtenus. Nous n'avons pas toujours besoin d'une réponse à 10% près. Parfois, 100% suffit ; parfois, il nous faut 1%.

Un point important est de ne pas penser "par défaut" que plus la dimension est grande (1D, 2D et 3D) et plus le modèle est précis. La dimension d'un modèle est importante par rapport à la complexité géométrique des écoulements (c'est-à-dire la géométrie dans laquelle l'eau coule) mais pas nécessairement la complexité physique (les phénomènes en jeu). Par exemple, un modèle CFD 3D est peu adapté pour reproduire des pertes de charge linéaires.

Select a simulation method that fits your goals and the system’s nature. For detailed flow analysis, Computational Fluid Dynamics (CFD) may be suitable, offering insights into fluid behavior and pressure drops. For broader system performance evaluations, lumped parameter models may provide sufficient accuracy with less computational load, allowing for quicker iterations.

Il convient : 1. de déterminer si le modèle a besoin d'une validation (c'est toujours rassurant mais pas toujours nécessaire si le modèle est déterministe ; c'est indispensable pour les modèles présentant des paramètres à calibrer), 2. de bien choisir les conditions de validation, notamment qu'elles soient similaires aux conditions dans lesquelles le modèle va être utilisé.

Ensure the model’s level of detail allows for accurate validation against real-world data. This involves comparing simulation results with empirical data from existing systems or experiments. A model that is too simplistic might not capture critical phenomena, leading to discrepancies that can misguide decision-making.

La tenue d'un "cahier de modélisation" est une démarche vertueuse pour les modèles qu'on souhaite faire vivre sur plusieurs années afin de bien garder la trace de toutes les modifications.