在GPU上使用PowerFLOW进行高性能CFD仿真

介绍

汽车和航空航天项目面临着缩短研发周期、控制成本以及满足高标准的可持续性和性能目标的压力。与此同时，在电气化、先进推进系统概念、更严格的认证要求以及对效率、安全性和降噪要求不断提高的推动下，产品架构也变得日益复杂。

 

因此，计算流体动力学 (CFD) 工作量的规模、精度和紧迫性不断增加，而可用的项目时间却越来越短。

 

SIMULIA PowerFLOW长期以来一直是瞬态 CFD的行业标杆，为包括外部空气动力学、热管理 CFD和气动声学模拟在内的苛刻应用提供经过验证的精度。

 

然而，传统的基于CPU的高性能计算（HPC）在高效支持CFD工作负载方面正面临越来越大的挑战。庞大的集群需求、较长的周转时间以及高昂的基础设施和运营成本直接影响工程吞吐量，限制了支持现代汽车和航空航天开发项目所需的敏捷性。

 

为了应对这些挑战，达索系统开发了支持最新NVIDIA GPU架构的PowerFLOW GPU加速版本。这项创新代表着高性能、高性价比CFD仿真工作流程的重大进步。

 

图形处理器(GPU) 是一种计算机处理器，其架构特别适合并行处理和向量计算。虽然最初是为计算机图形学而开发的，但事实证明，它们也是各种科学和工程计算的多功能工具。GPU 具有诸多优势，包括速度更快 、成本更低和可持续性更强。这是因为单个 GPU 可以执行与多个传统 CPU 相同的计算任务，同时功耗更低。这使得计算解决方案性能更佳、耗电量更少，并且在使用寿命结束后产生的电子垃圾也更少。

 

在这篇博文中，我们将讨论 SIMULIA PowerFLOW的 GPU 功能，包括新的多 GPU 代码，并演示GPU 加速 CFD如何为下一代空气动力学、气动声学和热 CFD 模拟提供强大、可扩展且经济高效的解决方案。

 

什么是SIMULIA PowerFLOW？它是如何工作的？

 

 

 

SIMULIA PowerFLOW是一款基于格子玻尔兹曼方法 (LBM)的高保真 CFD 解决方案。LBM是一种基于物理的方法，它通过在格子上跟踪粒子分布函数来模拟流体流动，而不是像传统有限体积 CFD 求解器那样直接求解纳维-斯托克斯方程。

 

这种根本性的差异使得 PowerFLOW 能够以卓越的稳健性和准确性，自然地捕捉非定常、瞬态流动现象，包括分离、尾流动力学和气动声学，尤其是在复杂几何形状和旋转组件周围。

由于控制方程是在晶格上局部评估的，因此该方法本质上非常适合大规模并行计算，使其成为GPU 加速 CFD的理想数值基础。

 

与传统的有限体积法不同，后者通常需要大量的网格划分工作、湍流模型假设和数值稳定技术，PowerFLOW 采用自动体积网格划分和固有的瞬态求解策略。这显著缩短了预处理时间，同时在各种流动状态下保持了较高的预测精度。

 

为什么高性能计算对现代计算流体动力学至关重要？

 

 

 

高性能计算 (HPC) 指的是利用大量互连的计算机（通常称为CPU 集群）来解决计算密集型问题，其速度远超单台计算机。传统上，这些模拟任务通过并行化技术分布在数百或数千个核心上。随着模型规模的增长，需要增加 CPU 核心以保持合理的周转时间。

 

随着核心间通信开销的增加，扩展效率会降低；维护大型CPU集群会导致高昂的基础设施成本、能源消耗和IT管理开销。这些限制直接影响工程效率。

 

在基于CPU的高性能计算（HPC）平台上，实际的工业CFD工作负载可能需要数天甚至数周才能完成，这会减慢设计迭代速度并延误决策。在汽车、航空航天和轨道交通等行业，这种瓶颈问题日益凸显，因为这些行业对周转时间、仿真精度和设计灵活性要求极高，以满足市场和监管需求。

 

HPC 对于 CFD 至关重要，因为实际的工程问题需要非常大的网格、高度不稳定的流动物理以及越来越复杂的多物理场相互作用，例如热耦合或流固耦合(FSI)。

 

传统高性能计算的局限性为GPU 加速的 CFD创造了条件，它提供了一种从根本上不同的计算架构，针对大规模并行、瞬态、高保真度模拟进行了优化。

 

GPU 计算如何加速 PowerFLOW 中的 CFD 模拟？

 

 

与传统的高性能计算集群相比，GPU 计算具有诸多显著优势，尤其适用于依赖大规模并行计算的计算流体动力学 (CFD) 工作负载。GPU 内置数千个轻量级处理核心，专为同步计算而设计，因此天然契合格子玻尔兹曼方法和基于粒子的方法等算法。这种架构差异也带来了更高的每瓦性能：GPU 在相同计算输出下消耗的功率远低于传统计算，从而降低了能耗、冷却需求和数据中心占地面积。

 

与传统的基于 CPU 的 CFD 高性能计算相比，GPU 加速的 PowerFLOW能够显著提高每瓦性能，从而降低能耗、冷却需求和数据中心的整体占用空间。一台 GPU 服务器通常可以替代数十个 CPU 节点，在保持高可扩展性的同时，最大限度地减少通信开销和运维复杂性。

 

对工程师而言，这意味着CFD分析的周转速度更快。快速仿真能够实现更早的设计评估、更多迭代以及更明智的决策，所有这些都无需大型、复杂的CPU集群。

 

PowerFLOW 在 CPU 和 GPU 求解器之间保持数值一致性，确保无论使用何种硬件，仿真都能产生相同的结果。

 

这种灵活性使组织能够根据项目规模和基础设施可用性，在本地工作站、多GPU服务器或云端GPU实例上部署GPU CFD。借助GPU加速，PowerFLOW使工程师能够以前所未有的速度、可持续性和成本效益执行工业级高保真度仿真。

 

PowerFLOW 如何扩展到多个 GPU 以进行大型 CFD 模拟？

 

 

单GPU加速虽然能够实现快速的工程迭代，但工业级CFD通常需要更高的吞吐量和更大的内存容量。PowerFLOW 2025引入了强大的多GPU CFD支持，使工程师能够运行整车仿真、大域空气动力学以及复杂的瞬态工作流程（包括滑动网格问题），并实现近乎线性的性能扩展。

 

每增加一个GPU，就能同时提升处理能力和本地内存，从而实现之前受限于仅使用CPU的高性能计算集群的仿真。多GPU执行可以缩短周转时间，提高仿真容量，并使工程师能够探索更大、更详细的CFD场景。

 

如图 1 所示，多 GPU 求解器具有卓越的性能和可扩展性，GPU 数量翻倍几乎可以将各种 NVIDIA GPU 上的仿真时间缩短一半。使用 DrivAer 进行第四届 AutoCFD 国际研讨会基准测试，原本需要一整天甚至更长时间才能完成的仿真，现在只需几个小时即可完成。

 

图 1：使用最新 PowerFLOW® 6-2026-R2 的最佳实践测试模型中，1、2、4 和 8 个 GPU 的 PowerFLOW® 性能比较（实际运行时间）。

 

图 2 展示了汽车 HVAC 系统噪声的气动声学仿真性能。为了说明同一仿真如何在不同的硬件上运行，我们运行了两次仿真——一次在 SIMULIA 云平台上的 CPU 上运行，另一次在工作站的 GPU 上运行。两次仿真的平均结果相同（在仿真容差范围内）。这意味着不同部门或公司之间的工程师可以选用最适合他们的硬件，并确信能够获得可比的结果。

 

图 2：不同探针测量噪声的比较，在 CPU 和 GPU 求解器上模拟。

 

SIMULIA PowerFLOW 如何与 3DEXPERIENCE 平台集成？

高性能计算只是高效仿真工作流程的一个方面。随着仿真技术在产品开发中日益深入地应用，企业还需要一个协作环境，以连接工程团队、管理仿真数据，并在整个产品生命周期中支持基于信息的决策。

 

作为3DEXPERIENCE 平台的一部分，SIMULIA PowerFLOW 不仅支持独立的 CFD 分析，还能支持互联的工程工作流程。工程师可以在单一的协作环境中管理仿真模型、结果、版本和相关工程数据，从而改善设计和仿真团队之间的协调，并在整个开发过程中保持可追溯性。

该平台还提供灵活的部署选项，使组织能够利用最符合自身需求的计算资源运行仿真。无论是使用现有的基于 CPU 的高性能计算 (HPC) 基础设施、支持 GPU 以加快周转速度的系统，还是用于增强可扩展性的云计算资源，PowerFLOW 都能在各种计算环境中提供一致的仿真体验。

 

通过MODSIM方法将设计、仿真和产品数据整合在一起，3D EXPERIENCE 平台使团队能够更早地评估性能、更高效地迭代，并利用共享的产品信息源做出工程决策。这种互联的工作流程改善了协作，提高了仿真效率，并使组织能够随着工程需求的演变灵活地采用新的计算技术。

 

哪些行业最能从 PowerFLOW 的高保真 CFD 中受益？

GPU 加速的 PowerFLOW为多个行业带来变革性的好处，在这些行业中，高保真 CFD直接影响性能、安全性和效率。

 

汽车领域： GPU PowerFLOW 可显著加速空气动力学和气动声学仿真，包括阻力降低、升力平衡、风噪和冷却风扇噪声等。高分辨率瞬态仿真与 GPU 并行处理完美契合，使工程师能够更早地评估更多设计方案，并更快地实现效率、舒适性和法规目标。

 

航空航天： GPU加速可显著缩短高保真气动声学和减阻研究的周转时间，包括起落架噪声、高升力装置、旋翼和螺旋桨噪声以及机翼-机身相互作用等。更快的仿真速度使设计团队能够优化气动性能，同时减少对成本高昂的物理测试的依赖。

 

轨道交通：诸如滑流效应、侧风稳定性以及受电弓噪声等大域CFD问题，均可受益于多GPU执行。GPU能够高效处理复杂几何形状上的瞬态现象，从而帮助工程师提升安全性和乘客舒适度。

 

PowerFLOW在工程和商业方面有哪些优势？

采用GPU 加速的 PowerFLOW可为各个行业带来可衡量的工程和业务价值。通过用多 GPU 服务器取代大型的基于 CPU 的高性能计算集群，企业可以显著降低基础设施成本、简化 IT 管理并降低能耗，同时保持高保真瞬态 CFD 计算能力。

 

更快的GPU CFD计算速度使工程团队能够更频繁地迭代设计，评估更多概念，并减少对成本高昂的物理原型的依赖。管理CFD预测精度的提高增强了虚拟测试的可靠性，并降低了后期设计风险。

 

此外，每瓦性能的提升转化为更可持续的仿真工作流程，从而最大限度地降低功耗和冷却需求。多GPU可扩展性、在工作站或云端GPU实例上的灵活部署以及跨硬件的数值一致性，使企业能够在不增加操作复杂性的前提下扩展仿真范围。

 

最终，GPU 加速的 PowerFLOW能够实现更快、更经济高效、更可持续的高保真 CFD，使企业能够更快地向市场推出更清洁、更安静、更先进的产品，从而提供战略竞争优势。

为什么 SIMULIA PowerFLOW 非常适合高性能 CFD 的未来发展？

 

GPU加速的SIMULIA PowerFLOW®代表着汽车、航空航天、铁路和能源等行业高保真瞬态CFD计算方式的变革性飞跃。PowerFLOW®将格子玻尔兹曼方法（LBM）与大规模并行GPU架构和强大的多GPU扩展能力相结合，在显著降低基础设施复杂性、能耗和IT开销的同时，实现了业界领先的精度、鲁棒性和性能。

 

如今，一台配备多GPU的工作站或服务器即可取代整个基于CPU的高性能计算集群，使工程师能够更快、更经济高效地运行更大规模、更精细的仿真。这项功能支持更广泛的设计探索，减少了对物理原型的需求，并增强了工程决策的信心，从而加快产品开发周期并提高CFD的投资回报率。

 

随着仿真需求的不断增长，采用 PowerFLOW 的 GPU CFD不仅仅是一种优化，更是可持续、可扩展和高性能 CFD 工作流程的基础，使企业能够开发更清洁、更安静、更先进的产品，同时保持竞争优势。

 

常见问题解答

1. 格子玻尔兹曼方法 (LBM) 与传统 CFD 有什么区别？
LBM 对流体行为的建模方式与传统的有限体积法不同，因此它在捕捉瞬态流动现象（如空气动力学、气动声学和复杂尾流动力学）方面特别有效。

 

2. 何时应该使用 GPU 加速进行 CFD 仿真？
GPU 加速非常适合计算密集型的 CFD 工作负载，更快的周转时间和更高的吞吐量可以帮助加速工程设计迭代。

 

3. CFD 模拟可以在 CPU 和 GPU 上运行吗？
可以。许多现代 CFD 解决方案，包括 SIMULIA PowerFLOW，都支持基于 CPU 和 GPU 的计算环境，使组织能够选择最适合其工作负载和基础架构的架构。

 

4. 哪些行业最能从高保真 CFD 中受益？
高保真 CFD 广泛应用于汽车、航空航天、铁路、船舶和能源行业，以提高空气动力性能、热管理、气动声学性能和整体产品效率。

 

5. 如何在不影响精度的前提下缩短 CFD 仿真时间？
可以通过选择合适的计算架构、使用可扩展的高性能计算资源、高效的求解器技术以及优化仿真工作流程来缩短仿真时间，同时又不牺牲预测精度。