計算流體仿真力學，英文全稱Computational Fluid Dynamics，縮寫為CFD，興起于近50年來，是一門相對年輕的學科。它是數值數學和計算機科學結合的產物，通過空間離散和數值求解的思路，對流體力學的各類問題進行數值實驗、模擬和分析研究，以解決學習、科研或者工程設計中的問題。下載鏈接：
計算機行業：工業軟件底層技術剖析
《高性能計算：CAE/CAD設計仿真行業匯總》
1、工業軟件的思維“CAE”，從虛擬走到現實.pdf
2、工業軟件之CAD 行業報告：從海外工 ?業軟件巨頭到中望軟件.pdf?3、工業軟件CAE：從虛擬走到現實.pdf
4、CAX類工業軟件，打破歐美數十年技術壟斷.pdf
5、CAD行業報告：從海外工業軟件巨頭到中望軟件.pdf作為一個強大的計算工具，CFD在產品研發的諸多環節發揮著重要作用，不僅具有低成本，還可以捕捉到實驗中難以采集的信息，此外，還能提供可控的環境因素和良好的復現性。從CFD的發展趨勢來看，一方面，CFD工具的發展呈現為準確度、自動化、易用性、應用性能的持續提升；另一方面，CFD也與熱學、電化學、聲學等學科不斷融合發展，CFD工具變得更加強大。面對一個具體的工程問題，CFD工程師在應用CFD工具進行仿真分析時的基本流程，通?？梢钥偨Y為五步：前處理、網格劃分、邊界條件加載、求解計算和后處理。但如何去平衡計算量（網格數量）和計算時間，對于很多CFD工程師都是個挑戰。在實際解決問題的過程中，CFD工程師除了希望能選擇一款稱手的軟件工具外，當然也希望計算機的主頻越高越好，核心越多越好。但是，核心與計算速度并非線性關系，不會因為核心等比例增長。若想在單臺電腦上發揮極限運算能力，還需要使用GPU加速，因為GPU加速通過協調處理器并行運算，能夠極大地提升計算能力，尤其適合多個項目同時進行，這樣獲得的時間收益較大。下載鏈接：
CPU技術及產業技術：分類與產業篇
GPU：AI服務器關鍵技術及核心
1、國產CPU正從可用向好用轉變，自主可控前景可期1、龍芯：國產CPU引領者，構建自主可控生態體系（2022）2、海光：進擊的國產化CPU GPU領航者（2022）4、龍芯：深耕CPU行業20余年，國產化替代大有可為從1970年到今天，CFD始終向處理更高精確度、更復雜的幾何結構方向發展。但現階段，CFD軟件應用于復雜流體問題方面還有待拓展，受到的阻礙主要源自以下三個方面：- 隱式算法的高內存要求——一些CFD分析工程師總是希望得到完美的殘差收斂曲線，以證明計算結果的可靠性，因此，他們會首選隱式算法，這意味著高內存的需求；
- CFD結果對網格的強依賴性——網格的合理設計和高質量生成是CFD計算的前提條件，是影響CFD計算結果的最主要的決定性因素之一，是CFD工作中人工工作量最大的部分，也是制約CFD工作效率的瓶頸問題之一。即使在CFD高度發達的國家，網格生成仍占整個CFD計算任務全部人力時間的70%～80%。
- 工程流體仿真問題復雜多變——在流體力學模擬中，由于流體力學模擬是個復雜的過程，存在極端變形、自由液面以及物質運動交界面等問題，在應用網格數值模擬時，會出現網格扭曲導致計算不收斂或者產生很大的計算誤差，需要重新模擬，這使得計算成本大大增加。
從CFD的發展歷程看，CFD的每一步發展，都離不開計算機速度和內存的數量級提升。自1999年NVIDIA 發布Geforce256圖形處理芯片以來，NVIDIA的顯卡芯片就開始以GPU稱呼，最早是輔助CPU進行圖形圖像的處理，將降低CPU的運算壓力，后來隨著GPU性能的不斷提升，其應用場景也不斷拓展。近年來，隨著移動計算、工業智能化的發展，GPU開始用于手機、平板電腦到無人機和機器人等平臺的應用程序的加速，世界各地實驗室、高校、企業以及科研院的研究人員紛紛采用GPU獲得高性能計算支持，在工業領域，GPU也普遍用于仿真計算加速，尤其在汽車、航空航天、工業設備等多個高科技領域，更是掀起了新一輪的CFD應用熱潮。那么，CFD為何要選擇GPU加速呢？這是為了使CFD仿真發揮最大效用，CFD工程師往往需要快速得到計算結果。而借助于GPU加速計算所提供的非凡應用程序性能，能將CFD程序計算密集部分的工作負載轉移到GPU，同時仍有CPU運行其余程序代碼，這樣計算速度大大提升。另外，從計算性能來看，在CFD應用中單個GPU的性能遠遠優于CPU，基于GPU加速的CFD計算速度明顯加快，很多復雜的CFD難題得以解決，因此，越來越多的CFD工程師選擇GPU加速。
CFD是一個計算需求強烈的領域，GPU的選擇將從根本上決定CFD分析過程的體驗。在CFD分析中，工程師前期花費的時間主要在模型建立和修改上，后期真正的分析時間消耗在計算機上，因此，選擇一款適合自身的CFD軟件和高性能建模工作站就顯得尤為重要。接下來小編軟件將選擇Altair的CFD工具，硬件將選擇NVIDIA RTX8000，通過一些案例模型進行實際評測，希望對大家選擇GPU時有所幫助。軟件環境介紹——AltairAcuSolve是一款基于GLS-FEM算法的通用熱流體求解器，不但有快速良好的收斂速度，還能達到很高的求解精度，同時對網格有良好的兼容性，特別方便于復雜模型網格的劃分，廣泛應用于汽車、流體機械和海洋平臺等工業和科學應用問題的解決。值得一提的是，最新版本的AcuSolve，不僅通過GPU加速提高了3~4倍的計算速度，同時也支持核態沸騰、熱輻射、冷凝/蒸發多相流和流固耦合(FSI)等CFD難題的解決。硬件環境介紹——CPU采用單顆Intel(R) Xeon(R) Gold 6126 CPU @ 2.60GH；GPU選用NVIDIA RTX8000，它采用了NVIDIA Turing架構和NVIDIA RTX平臺支持，對于追求以高穩健性、高精度為目標的CFD仿真分析帶來了卓越的計算性能體驗。測試模型：在新能源汽車、醫療設備、軍工設備等大功率密度的應用場合，設備運行時會產生大量的熱損耗，為保證設備的安全運行，需要采用各種冷卻措施來對設備進行冷卻，水冷是其中一種方式。以新能源車的水冷板為例，其設計直接影電池的溫度均勻性，進而影響車輛的續航里程和安全性。本測試模型擁有網格數量4300萬，求解方程采用湍流+固體傳熱組合，湍流模型選擇基于SA一方程的模型，設置穩態迭代步為200步，分別采用無GPU和1塊GPU加速進行計算時間對比。測試結果：數據表明，無GPU加速時，水冷板分析的計算時間需要21小時；采用單塊NVIDIA RTX8000加速，水冷板分析的計算時間只需要4小時。由此可見，采用Altair AcuSolve進行水冷板仿真分析，并提供NVIDIA GPU的增強支持，計算速度與無GPU加速相比提高了4.25倍。顯然，這種方式對于CFD工程師快速探索水冷板的設計，并根據準確的計算結果做出決策非常有益。評測案例二：基于Altair nanoFluidX軟件的GPU加速軟件環境介紹——AltairnanoFluidX是一款基于粒子的流體動力學 (SPH) 仿真工具，用于預測運動軌跡復雜的幾何結構周圍的流體。以整車CFD仿真為例，傳統CFD方法需要建立網格耗時巨大，但Altair nanoFluidX基于粒子的特性，無需建立網格，還可基于GPU顯卡計算，非常有助于工程師獲得簡潔而高效的CFD解決方案。硬件環境介紹——CPU采用單顆Intel(R) Xeon(R) Gold 6126 CPU @ 2.60GH；GPU選用NVIDIA RTX8000和NVIDIATesla V100，由于Altair nanoFluidX采用的粒子方法，其計算是由一系列的流體粒子的相互作用完成，在計算中每個粒子所執行的計算是完全相同的，而在不同的數據上執行相同的程序，恰恰是GPU計算最擅長的。測試模型：整車涉水分析是近年來新興的CFD仿真領域，主要研究汽車以一定速度涉水時，關鍵零部件的進水風險，如防火墻滲水，傳統的發動機進氣口進水，電動汽車電氣短路等問題。整車涉水模型往往需要消耗大量的計算資源和時間進行求解，以本次建立的整車涉水模型為例，擁有粒子數量為4100萬，設置車速為50公里/小時、瞬態物理時間為4秒，建立單相流模型，本次測試分別采用1塊NVIDIA RTX8000 、2塊NVIDIARTX800、4塊NVIDIA RTX8000和4塊V100加速，對比計算時間。測試結果：數據表明，采用1塊、2塊、4塊NVIDIA RTX8000加速，整車涉水分析分別需要花費48小時、28小時、13小時；采用4塊V100，則需要16個小時。從計算時間來看，采用4塊NVIDIA RTX8000加速，計算時間最少，與采用1塊NVIDIA RTX8000加速相比，計算速度提升了約2.7倍。計算結果也表明，采用基于GPU加速和Altair nanoFluidX的組合方式，允許CFD工程師在一個更可接受的短時間內研究類似整車涉水這樣的復雜流體問題。評測案例三：基于Altair ultraFluidX軟件的GPU加速軟件環境介紹——AltairultraFluidX專用于超快預測乘用車、輕型卡車、賽車和重型車輛的空氣動力特性的仿真分析，它基于格子玻爾茲曼（LBM）技術，無需建立網格，這大大縮短了建模時間，使得設計變得更加容易，同時保留了所有重要的幾何細節。硬件環境介紹——CPU采用單顆Intel(R) Xeon(R) Gold 6126 CPU @ 2.60GH；GPU選用NVIDIA RTX8000和NVIDIA Tesla V100，由于Altair ultraFluidX采用的LBM方法，非常適合大規模并行架構，而采用GPU加速，可以明顯提高吞吐量，達到Altair ultraFluidX的周轉時間，同時降低硬件和能源成本。測試模型：對于車輛的早期開發優化，采用CFD手段無疑是最有效且最經濟的方法，但這類CFD分析往往是高內存和高計算資源消耗的典型代表，需要使用GPU來優化計算性能。以此次建立的汽車虛擬風洞模型為例，擁有格子數量1億6千萬，格子的最小尺寸為1.8mm，設置車速為140公里/小時、瞬態物理時間為2秒，分別采用2塊NVIDIA RTX8000、4塊NVIDIA RTX8000和4塊V100加速，對比計算時間。測試結果：數據表明，采用2塊、4塊NVIDIA RTX8000加速，模擬汽車虛擬風洞分別需要花費14小時、8小時；采用4塊V100，則需要8.4個小時。三種GPU加速中，采用4塊NVIDIA RTX8000加速，計算時間最少，與采用2塊NVIDIA RTX8000加速相比，計算速度提升了約0.75倍。計算結果也表明，基于GPU和AltairultraFluidX的組合方式，可以明顯加速汽車虛擬風洞分析，有效縮短汽車開發周期。作為當前最重要的三大協處理加速技術之一，GPU已經成為數值分析的新寵，廣泛應用于各個領域。以流體仿真領域為例，隨著CFD分析對計算能力的要求日益增高，越來越多的CFD工程師傾向于采用GPU加速，例如借助 NVIDIA RTX8000加速，能以遠低于傳統 CPU 解決方案的成本、空間和功耗，獲得無與倫比的計算性能。Intersect360全球HPC-AI市場報告（2022—2026）
Intersect360 AMD CPU和GPU調研白皮書
Hyperion Research：ISC23 HPC Market Update Breakfast Briefing（2023）《Hyperion Research HPC/AI領域市場報告》1、Hyperion Research：HPCaaS Whitepaper
2、Hyperion Research：HPC-Storage TCO-–Critical Factors Beyond per GB
3、Hyperion Research：The Economic and Societal Benefits of Linux Supercomputer
4、Hyperion Research：Supermicro-AMD in HPC Convergence Market綠色算力白皮書（2023）
《2023年高性能計算研討合集（上）》
《2023年高性能計算研討合集（下）》
《AI基礎知識深度專題詳解合集》
Intersect360全球HPC-AI市場報告（2022—2026）
Intersect360 AMD CPU和GPU調研白皮書
本號資料全部上傳至知識星球，更多內容請登錄智能計算芯知識（知識星球）星球下載全部資料。免責申明：本號聚焦相關技術分享，內容觀點不代表本號立場，可追溯內容均注明來源，發布文章若存在版權等問題，請留言聯系刪除，謝謝。請搜索“AI_Architect”或“掃碼”關注公眾號實時掌握深度技術分享，點擊“閱讀原文”獲取更多原創技術干貨。
