以下文章源自NAFEMS为庆祝CFD百年诞辰特刊《Benchmark》杂志上的一篇文章。
作者:Simon Fischer 原文地址:https://blogs.stage.sw.siemens.com/simcenter/the-future-of-cfd/ ”
ChatGPT正在颠覆(编程)世界,而计算流体动力学(CFD)代码正以前所未有的速度发展。机器学习任务大量涌入原本用于比特币挖矿的GPU资源,而CFD代码也开始在这些GPU上高效运行。一艘载有数千辆汽车的货船在北海起火,而汽车行业正开始采用CFD技术来预防电池热失控问题。南欧的森林大火肆虐之际,一家初创公司急切地研发新型消防飞机。海洋温度不断上升,工程师们借助CFD模拟探索海底养殖技术。各国纷纷禁止化石燃料推进系统的同时,大规模替代能源竞赛正如火如荼进行中。欧洲致力于打造基于氢能的工业经济体系,然而如何高效利用这一技术仍充满挑战...
世界正以前所未有的速度变化着。与此同时,气候变化的时钟也在滴答作响。要应对由此带来的挑战,需要巨大的社会和经济努力。然而,若人类能成功应对气候变化,显而易见的是,创新工程技术将在此成就中扮演至关重要的角色。由于二氧化碳及其相关温室气体的排放(或不排放)本质上受反应流动的流体力学和热力学支配,因此计算流体动力学(CFD)最终也将在其中发挥关键作用。竞赛已经开始,我们人类的未来与CFD的未来紧密相连的程度超乎想象。
但话虽如此——计算流体动力学(CFD)的未来会是什么样子?我们敢于做出预测。
预测非常困难,尤其是关于未来的!——尼尔斯·玻尔
”
1 未来20年CFD的发展趋势如何?
我们还会使用基于网格的方法吗?网格将如何生成?
无网格的计算流体动力学(CFD)代码为一些应用提供了一种相对于基于网格方法有吸引力的替代方法。当快速获得结果比最高精度更重要时,光滑粒子流体动力学(SPH)现在是并且将来仍将是一种有效的工具。然而,不存在一种万能的 CFD 方法。未来甚至比现在更将由基于网格和无网格方法的混合、融合共存组成。自动生成高质量网格并最小化用户操作的努力将持续进步。
诸如模型驱动的自适应网格细化的技术将进一步发展,使得我们在最小用户干预下达到所需的精度水平。同样,对于基于粒子的SPH方法,自动智能分辨率细化将成为一种成熟的方法论。AI驱动的网格生成可能是未来的另一个研究方向。随着CFD代码整合所有技术于一体,巧妙地在基于网格和无网格处理之间转换的方法可能会成为现实。
然而,并不存在一种通用的CFD网格划分解决方案,而是需要自动化、智能化且适应性强的选择机制,以针对特定问题挑选最适宜的方法。无论如何,任何适用的方法和技术在速度上都将超越当前的解决方案。
如何处理湍流问题?
对于诸如网格或无网格方法,与当今无异,在湍流建模中不会有单一的解决方案。湍流建模仍将主要基于统计建模雷诺平均纳维-斯托克斯(RANS)和尺度解析模拟(SRS)的组合,如大涡模拟(LES)或分离涡模拟(DES)。这两种方法的一些改进可能来自物理假设和机器学习(ML)的结合。
主要挑战依旧是如何准确预测非稳态湍流并确定其分离。由于雷诺平均纳维-斯托克斯方程(RANS)单独可能无法全面应对这一挑战,而大涡模拟(LES)计算成本仍然较高,与现在相比的一个变化将是这两种方法的结合方式:要么以分离的方式各司其职,要么联合使用,其中SRS模型的局部解将反馈给统计模型(例如通过机器学习)。
随着工程师越来越多地利用基于人工智能的模型选择进行CFD仿真,他们必须对这些模型有扎实的理解,并清楚地知道在何时何地使用哪个模型。尽管AI带来了诸多益处,但由于湍流的非线性特性,该领域仍需要通过工程或研究经验进行批判性判断和严格验证。
随着计算能力的持续增强,高保真度模型、LES或直接数值模拟(DNS)将进一步进入适用行业的领域并主导大部分湍流研究。然而,工程师将继续采用最高效的解决方案来回答工程问题。因此除非结果证明RANS已达到解决特定湍流问题的极限能力之外, RANS仍将是工业界追求更快速度的先进CFD方法.
未来CFD的发展方向是否意味着实时运行?
提速是探索创新流动解决方案、以高保真度模拟产品复杂性并实现预测工程的前提。尽管实时CFD是最终理想,但在一段时间内,过夜运行的方式仍将在这种高保真设计空间探索工程中发挥作用。与现在相比,这些模拟的精细程度将提升,因为工程师们会针对更复杂的产品需求构建更为全面的跨学科数字孪生模型。
同时,随着工业元宇宙的发展,对快速、实时流体动力学预测的需求将成为新的应用类别。人工智能和低保真物理方法将在这一宏伟目标中扮演重要角色,就像新型硬件——量子计算一样,它可能成为终极颠覆者。在此之前,持续探索智能加速技术并利用基于下一代CPU的高性能计算、GPU、ARM及低延迟缓存技术至关重要,这将使我们更接近实时流体动力学仿真的目标。
未来CFD的终极方法是什么?
总结而言,无论是网格划分/建模还是流体力学预测的一般技术,都不会存在一种单一的方法能满足所有需求。如同今日,但在更加多元化的范围内,我们将有一系列方法来选择最合适的折中方案,以平衡所需的精确度和响应时间。这些方法可能涵盖从“传统”的高保真CFD技术到如SPH这样的快速无网格模拟,再到人工智能支持的流体动力学预测。在仿真领域,AI可能在模型选择上提供辅助力量,但工程专业知识和CFD结果的判断依然至关重要。然而,随着这一系列CFD技术不断整合进统一的平台/代码环境中,工程师们可以在保持集成的同时做出最佳仿真选择并加速进程。有限体积法、SPH、Lattice Boltzmann等都将共存并更紧密地结合在一起,每种方法都为特定的工程挑战提供宝贵的解决方案。
2 未来20年CFD的重大趋势是什么?
CFD的可及性
基于云的CFD解决方案的提供和使用将大幅增加。借助SaaS商业模式的灵活性和可扩展性,无论公司规模大小或个人用户,如今都能即时访问特定CFD项目在某一时刻所需的精确硬件和软件资源。预处理和后处理将从工作站迁移至网页浏览器中进行。
CFD的平民化
高保真CFD的门槛将在各个层面进一步降低。基于云的服务(如上所述)将使任何拥有设备和浏览器的人都能访问CFD软件及其所需硬件。现代CFD解决方案将利用客户端-服务器技术,其具有解耦的后端(求解器、物理模型)和前端(图形用户界面、预处理和后处理、自动化)。这种架构使得能够独立创建针对特定应用的定制化应用程序式前端,采用低代码方法,或使用自然语言处理的前端,为新的终端用户群体打开CFD的大门。CFD专家可以轻松部署这些应用程序式前端,通过整合并维护最佳实践来实现最小努力。
新型输入输出设备技术(触摸板、虚拟现实(VR)、增强现实(AR)等)将使设置模拟和探索结果变得更加容易。
所有这些用户体验(UX)的提升将进一步扩大非CFD分析师对CFD的使用范围和频率。越来越多的设计师和专注于应用领域(非CFD专家)工程师将利用预定义的模拟方法论。工业元宇宙可能会增加一类全新的流体力学仿真用户群,进一步扩展到更年轻一代的教育层面——不仅仅是工程或研究领域之外的人群中推广使用流体动力学仿真工具和技术手段进行创新设计与开发工作流程优化等方面发挥重要作用.
计算流体动力学与数字孪生的未来
数字孪生具备逼真复制现实世界的能力,是元宇宙中实现真实与数字世界近乎无缝融合的关键技术。在工业元宇宙领域,我们预期计算流体动力学(CFD)将在构建全面数字孪生模型中扮演重要角色。随着模拟方法(不仅限于CFD)的广泛应用,产品的数字孪生将包含一系列模型,以不同保真度展现产品全生命周期中的各个阶段——从为元宇宙准备的实时呈现到接近生产及验证目的的高精度代表模型。
因此,通过产品生命周期管理(PLM)解决方案来管理这些具有不同现实层次的数字孪生实例变得日益重要。工程师可以针对特定的工程挑战利用适当的模型保真度——这一过程甚至可能得到人工智能的支持。通过跨工程学科集成建模当今产品的复杂性,数字孪生的整体保真度将进一步提高。CFD将更深入地融入多学科、多尺度模拟的无缝生态系统中。得益于不断提升的计算能力和创新的模拟方法论,实时运行的数字孪生将以意想不到的方式成为重大变革因素——即使是相对复杂的流体力学问题也不例外。
机器学习与人工智能增强CFD
人工智能正在并将继续改变各行业的技术。将AI应用于CFD应用将成为企业日益重要的战略资产,因为它能帮助降低成本并创造新的差异化价值。AI驱动的创新解决方案为CFD工程师、设计师和分析师带来了显著的好处。
嵌入图形用户界面的AI已经开始简化设置流程并减少错误。通过智能部件识别进行CAD/几何准备以及通过自然语言处理进行模型设置的AI辅助模型准备工作正成为常态,因为这大大加快并简化了CFD设置过程。
它通过在更短的时间内评估更多设计的能力来降低计算、设计程序和运营成本。此外,基于ML的代理模型和智能AI驱动的工作流使得流程和程序开发周转时间得以缩短,从而加速了整个过程。AI还能通过标记异常并在CFD过程中提供知识库工作流协助来提高模拟的准确性,涵盖CAD、物理建模、网格设置及后处理等环节。
结合计算流体动力学(CFD),人工智能将通过构建生态系统来模拟、预测并无缝优化产品,从而提升产品性能与效率。同时,借助知识库工作流程辅助功能,人工智能将进一步降低快速建立有意义的CFD仿真模型的门槛。
尽管AI/ML可能带来诸多益处,但在方法开发和评估方面,受过良好教育的工程师仍将是关键因素。从这个角度看,将AI视为解决所有流体力学问题的万能钥匙未免过于天真。流体力学的非线性特性——如纳维-斯托克斯方程及成熟的湍流模型所捕捉到的——对AI构成挑战。除了评估数据质量外,为训练AI和机器学习算法选择合适的数据并进行验证需要工程知识和AI专业背景的结合。在CFD设计和仿真中应用AI能力要求人才掌握机器学习、深度学习技术以及CFD技能。
通用CFD代码与应用特定CFD代码的区别?
不存在一劳永逸的解决方案,但为了应对特定应用,通用工具的功能集成趋势将持续下去。为此,通用求解器将继续吸纳仿真技术融入单一CFD框架内,或提供无缝开放接口以实现与特定独立求解器的协同仿真。最终,得益于为定制化应用前端创建低代码应用程序的能力不断提升,这些嵌入在通用工具中的应用特定技术将越来越直接地为用户所用。
3 未来20年CFD的发展挑战是什么?
CFD方法
从发展角度看,确保CFD框架的可持续性是使代码长期存活的关键。现代架构如同面向项目的编程一样是先决条件。随着更多跨学科仿真技术和求解器能力被整合到云端提供的统一代码平台中,处理代码复杂性的需求日益增长。这一切需要适当的开发工具和策略、产品管理技能以及对软件开发的持续智能投资。
借助AI/ML进行设置带来的新挑战在于,自动建模选择可能变得对终端用户不透明。因此,动态变化的建模方法需及时报告,以便工程师评估AI的选择及其最终的CFD结果。这再次强调了工程知识和CFD专业知识的基础重要性,无论是因为还是尽管有AI的进步。
另一个挑战源于在相同时间内运行越来越多的模拟所产生的数据量激增。能够处理和分析这些来自广泛来源的海量数据集对于最大化CFD在做出最佳工程决策中的价值至关重要。因此,PLM和数据后处理系统必须准备好进行大数据管理并支持工程师的分析工作。预处理和后处理的并行化与计算本身的并行化同样重要。
多学科工程领域的CFD
数字孪生对更高保真度的需求,导致了跨尺度和多学科建模的要求。模型需要变得更加精确、细致且相互关联。
从量子、分子到微观、介观乃至宏观尺度均需考量,同时这些复杂模型还需运行得更快。这将是一个持续的挑战,呼唤如混合多相建模等巧妙技术的应用。
计算机硬件/资源
通常,新硬件架构和技术的引入可能需要对CFD算法进行调整。这一转变的轻量级版本是目前将求解器从CPU移植到GPU的过程。随着超级计算机可能包含越来越多异构架构,结合多核GPU和CPU,以及共享内存、层次网络等,现代CFD代码需为多种架构做好准备,采用融合各领域优势的算法和架构设计。
然而,与从冯·诺依曼架构到量子计算(QC)的颠覆性变革相比,这只是小巫见大巫。原则上,量子计算机在多方面都是为模拟量身定制的,潜力巨大。但引入QC将真正颠覆任何CFD代码,因为它需要全新的算法实现。在QC中,传统冯·诺依曼架构的一切都无法移植。换言之,QC要求对所有现有CFD软件进行彻底的代码重写。更添挑战的是,尽管QC在许多CFD模拟领域强大且适用,但对其他与CFD相关的任务却毫无用处;而传统冯·诺依曼架构则能胜任这些任务。因此,唯一高效的解决方案是混合方案——这反过来又要求开发者能够应对任一架构。迄今为止,经典的CFD代码开发路径大多是:具备扎实物理知识的人进入并学习编程部分;虽然面向对象编程相对容易掌握, 但这对于QC算法实现已不再成立. 由于在 QC 中没有编译器辅助, 它需要能够编写可运行于 QC 上的代码、深谙此类算法的开发者.
另一个日益重要的方面是计算硬件的功耗问题.随着利用海量计算力进行 CFD的趋势持续发展,能源消耗相关成本成为一个重要因素.因此,诸如精简指令集计算机(RISC)等新型节能技术正逐渐发挥更大作用,以平衡解决时间与能量消耗之间的关系来达到最佳的成本效益比率.
工程师/人力资源
培养未来的工程师是一项关键挑战。如果教育体系能为行业和研究提供下一代CFD工程师,那么其他所有挑战都能被克服或减轻。但这些工程师不能再仅仅是传统意义上的纯CFD分析师。为了保持竞争力,企业需要采用新型制造技术(如增材制造和3D打印)以及加强CAE与CAD部门之间的紧密联系。因此,CFD工程师的素质需涵盖对制造和设计流程的一定了解,正如设计师需要开始接纳仿真技术一样。随着人工智能渗透到流体动力学工程领域,未来的CFD工程师需要全面理解相关知识,以便为特定问题选择最有效的技术方案。这一因素对CFD模拟的进步至关重要。
通常情况下,确保(CFD)工程和计算机科学成为下一代更具吸引力的职业道路是社会和行业的共同挑战。对于人类应对气候变化及其后果的挑战而言,才华横溢且受过良好教育的工程师至关重要。
尽管存在民主化趋势,但确保工程师接受扎实教育仍然具有根本重要性。即便有诸如AI等新技术出现,对于那些基于CFD模拟做出关键设计决策的工程师来说,掌握流体力学和物理学的基本原理依然至关重要。
3 未来20年,哪一项技术对CFD的影响最大?
很难仅选其一。它将是多种技术的融合及其协同作用的结果。
云计算与将CFD融入工业元宇宙将改变CFD的应用和利用方式。进一步的普及和提高的可访问性将显著影响CFD软件的发展及其解决工程问题的应用。同时,我们将看到工程设计领域中用于实时共创与协作的基础设施不断增长。这将通过国际间和跨学科团队之间前所未有的交叉创新能力进一步激发创新。
如上所述, AI和ML(人工智能与机器学习)也将是另一个变革性的因素。
**增材制造(AM)**刚刚开辟了一种新产品设计实现的新途径,不再受限于传统制造方法的约束。利用基于CFD的拓扑优化,工程师可以探索无妥协高性能流动解决方案的设计可能性。尽管过去这些产品的生产完全不可想象,但AM和3D打印正在为这个新的工程时代打开大门。AM和拓扑优化使流动成为实际的产品设计师,颠覆了传统的“设计-模拟-改进”循环模式. 然而,最终的颠覆性影响将来自于成功地将量子计算引入到(CFD)仿真领域。以数量级的速度加快(CFD)仿真将会以迄今未见的方式改变创新的步伐.
4 如何确保仿真预测符合目的?
CFD验证与确认
CFD仿真工具的认证和验证流程已相当成熟。它们将继续成为推动CFD发展、提升其可靠性和数字孪生信任度,以及在新领域确立地位的关键因素。尽管预测性仿真将持续减少对昂贵测量和原型制作的需求,但仍需通过实验严格验证CFD方法和最佳实践。
相较于“传统”CFD模拟,基于AI/ML的流体动力学预测将需要更大量的验证工作。由于缺乏抽象层次,如控制方程、解析描述等,AI和ML在认证过程中需要工程师判断来探查训练范围之外的关键区域。
5 未来20年,CFD可能在哪些应用领域发挥最大作用?
从技术角度看,无论人类在日常生活中做什么,CO2的排放与否及其相关气候气体的产生,其核心都受反应流动的流体力学和热力学规律支配。几乎在任何行业中,最终都会归结为解决一个热力学和流动问题,无论是减少、完全缓解还是主动降低已排放的CO2。这意味着需要在相关时间尺度内并在经济约束下广泛使用CFD来实现这一目标。
无论是能源生产、运输、基础设施还是制造过程,都需要进行规模空前的流体动力学模拟以尽快找到可持续解决方案。因此,并没有单一的应用或行业领域CFD将产生最大的影响;它将在全方位塑造一种更资源高效的生活方式。即使人类未能阻止气候变化并必须适应新的环境状况,流体力学仍将至关重要。
6 未来50年CFD的发展前景如何?
假设20年内不会发生,那么可能在50年内:任何尚未预见的硬件技术革新,如量子计算,将并行计算提升至新高度,都将对CFD及其在工程领域的影响产生深远影响。
7 一百年又如何?
毫无疑问,纳维-斯托克斯方程是数学和物理学中的杰出成就。鉴于它对我们预测流体运动以及据此设计产品的深远影响,这一方程无疑是巨大的成功。但深入探究我们会发现,它仍是一种近似表达。将流体运动描述为连续介质毕竟是对现实的一种非解析性表述,因此从理论角度来看,存在遗漏由数十亿分子复杂相互作用产生的基本要素的风险。
坦率地说,我们常常忽视这种近似性——尽管它是显而易见且影响深远的。无疑,这是纳维的历史功绩:通过引入粘性概念,将务实的水动力工程领域与理论流体力学相结合。这是一个巧妙的构想。然而,由于对流体的基本连续介质假设的限制,我们不得不引入湍流和粘性等概念来弥补纳维-斯托克斯方程的不足,使其具有一定的实用性.
显然,只要有足够的计算能力,我们就能为每个分子求解牛顿方程,只要了解分子间的作用力,就能预测整体运动。现今的计算化学程序正是如此操作,甚至能跨越到量子效应变得显著的长度和时间尺度之外。然而,即便在未来一百年内,期望这种方法在汽车外部空气动力学上成为可行方案或许有些天真。
但设想一下,未来一百年中的某一天,有人提出了一种介于两者之间的理论——填补了分子动力学与连续介质描述之间的空白——将纳维-斯托克斯方程融入一个更广义、更完备且更强大的流体描述中,使湍流的表述建立在分析基础上而非模型尝试……
以下文章源自NAFEMS为庆祝CFD百年诞辰特刊《Benchmark》杂志上的一篇文章。欲深入了解CFD的过去与未来,可参阅完整版文章:https://www.nafems.org/publications/resource_center/benchmark_october_22/magazine/。
”
(完)
本篇文章来源于微信公众号: CFD之道
评论前必须登录!
注册