風扇/風機作為一種通用的流體機械，其廣泛應用于家電、軍工、車輛等領域。

風扇在運轉中，旋轉的葉片與周圍的流場以及靜止部件（蝸殼、格柵等）都存在相對運動，其流場表現出明顯的非定常特性。這種非定常特性不但影響風扇的氣動性能，也會產生明顯的氣動/流致噪聲。

隨著近些年來國內經濟的飛速發展，人們對居住、辦公、駕乘等環境的舒適度要求越來越高。風扇的氣動/流致噪聲，在家用空調的內外掛機、空氣凈化器、吸塵器、吸油煙機、汽車空調等的噪聲中均占據了主要的組成部分。

各相關企業的研發人員，對于研究、預測、降低風扇的氣動/流致噪聲可謂傷透了腦筋。某國外家電大牌的吸塵器等產品動輒大幾千元，其主打的產品特點就是“靜音”。

對于風扇氣動/流致噪聲的預測，或者說在工業領域應用氣動/流致噪聲的仿真分析，一直都存在痛點/難點。

那么如何解決這個問題呢？

格子-玻爾茲曼方法（LBM）從微觀動力學角度出發，將連續介質看作大量位于格子節點上的離散流體質點粒子。粒子按碰撞和遷移規則在格子上運動，通過對各格子流體質點運動特征的統計，獲得流體宏觀運動規律，即把宏觀物理量視作微觀統計平均的結果。

LBM方法本質上只求解非定常流動，并且數值耗散低，相對于傳統的基于N-S方程的有限元或有限體積法要處理復雜的非線性方程，LBM方法在每個格子上求解線性方程，非常適合于大規模的并行加速計算。因此，LBM方法非常適合應用在風扇的氣動噪聲預測中。

GPU（Graphic Processing Unit）作為圖形處理器/圖形顯卡被大家所熟知，隨著計算機技術的不斷發展，GPU已經被廣泛應用在機器學習、人工智能、科學計算等領域。

與適用于復雜邏輯計算的CPU不同，GPU擅長的是大規模的并發計算，NVIDIA公司近些年來研發的計算顯卡的算力更是將GPU這種優勢推上了登峰造極，如下所示一塊Tesla V100 GPU就擁有5120 cuda核。

將LBM方法與GPU高性能并行加速計算結合，將計算消耗的時間由原來的數周縮短為幾十個小時，使得風扇的氣動噪聲仿真不再是一個難題。

圖片來源：

https://www.nvidia.com/en-us/data-center/v100/

Altair ultraFluidX是基于LBM方法的CFD求解器，支持原生的GPU并行加速計算。對于風扇氣動/流致噪聲的計算在各個環節有諸多優勢，簡便易使用：

前處理簡便，僅需要在前處理軟件中完成基本設置，體網格自動化生成，無需大量的幾何清理與簡化的工作；

使用重疊網格（overset mesh）技術，可以計算中考慮風扇的真實旋轉，保證風扇非定常流場的計算精度；

得益于LBM方法低數值耗散的特性，在求解風扇非定常流場的同時，也包含聲學物理量，在同一求解器中完成流場+聲場的仿真計算；基于原生的GPU并行加速算法，即使是上億的格子計算模型也不在話下；

支持定制化的后處理流程，輸出遠場監測點的噪聲頻譜曲線、聲壓級、聲傳播云圖等。

軸流風扇瞬態流場

遠場監測點處的SPL曲線

發動機冷卻風扇聲傳播動畫

（分析模型：機艙+風扇，保留所有機艙內部件）