引言

  在高端裝備研發領域，風洞試驗被譽為空氣動力學的“試金石”。然而，物理風洞建設成本高昂、排期漫長、且受限于物理模型尺寸和雷諾數邊界，往往成為制約研發效率的瓶頸。

物理風洞

  為了打破這一局限，神工坊?研發團隊推出了面向風洞試驗的“風神NF3”數字孿生風洞。

  通過“幾何孿生、物理孿生、數據孿生”的三重構建，“風神NF3”能夠為試驗提供全息流場信息，輔助試驗設計，甚至在物理試驗無法觸及的“高雷諾數、特殊動作”等邊界條件下進行擴展研究。

  “風神NF3”數字孿生風洞是神工坊^?CAE“基座+應用”生態的里程碑，本文將深度解析其背后的兩大核心技術——HSF-SAMR網格自適應與HSF-AI智能求解技術，看它們如何讓仿真從“能算”進階為“智能算”。

01 核心“基座”：“超算+AI”混合數值引擎

  “風神NF3”的核心“基座”——SIMFORGE HSF^?“超算+AI”混合數值引擎是基于“超算+AI”技術的先進CAE軟件基座，支持工程計算應用的快速開發、自動并行，以及多域耦合、AI求解加速等。

SimForge HSF^?高性能數值模擬引擎

  該引擎的核心技術矩陣包括：

   1. HSF-UNAT統一加速庫

   通過對各類網格拓撲進行統一矩陣化抽象，實現底層數據結構的統一表達，為性能無縫移植、算法并行加速奠定基礎。

   2. HSF-SAMR結構網格自適應框架

   擅長處理動邊界與流固耦合問題，兼具自適應網格分辨效率，與局部結構化特征和樹形結構帶來的計算效率優勢。

   3. HSF-USTR非結構框架容器

   以分布式網格為核心，通過擴展子域、數值計算方程和矩陣等模塊，支持復雜邊界與多物理場耦合建模；通過統一拓撲接口，提升開發與運行效率。

   4. HSF-DSL領域特定語言

   針對專業垂直仿真領域設計專用編程語言，提供貼近物理問題描述的語法與接口，顯著提升仿真建模與求解器開發的效率與代碼可維護性。

   5. HSF-AI求解加速模型

   采用“機理模型+AI加速”架構，利用深度學習自動提取稀疏矩陣特征，智能選擇求解器與調優參數，突破傳統算法依賴人工經驗、收斂慢的瓶頸，在確保高保真的前提下大幅提升求解效率與自動化水平。

  基于該引擎構建的“風神NF3”數字孿生風洞，擁有了區別于傳統仿真軟件，兼顧效率及精度的極大優勢。下文將具體闡述，HSF-SAMR 和 HSF-AI 技術是如何大幅提升“風神NF3”的仿真能效的。

02 HSF-SAMR網格自適應技術

  在流體仿真中，網格的質量和規模直接決定了計算的精度和效率。傳統的均勻網格往往面臨兩難：一是網格太粗，捕捉不到激波、尾跡等關鍵細節；二是網格太細，計算量呈指數級爆炸，算不動。神工坊^?技術團隊引入了 HSF-SAMR（Structured Adaptive Mesh Refinement，結構網格自適應）技術，有效解決了這一痛點。

HSF-SAMR 技術架構圖

2.1 智能捕捉，動態加密

  HSF-SAMR 網格自適應技術好比給風洞裝上“自動變焦鏡頭”，使之不再依賴人工預設，而是能根據流場的實時物理變化（如渦量、壓力梯度、Q準則等指標），自動識別出激波、分離區、尾跡等關鍵區域，并對這些區域的網格進行多級動態加密；在流場平緩的區域，則自動稀疏化以節省算力資源。為了實現上述效果，神工坊^?技術團隊進行了深度架構創新：

• 分塊結構化數據管理：采用Block-Structured（分塊結構化）網格管理策略，相比非結構網格，極大地降低了內存訪問開銷，更適合超算的高速緩存架構。
• 動態負載平衡：引入基于希爾伯特曲線的空間填充算法，在網格動態加密/稀疏化過程中，實時將計算負載重新分配到各個計算核心，解決了負載不均問題。
• 異構眾核加速：針對神威SW26010處理器的主核+從核架構，重新設計了底層通信機制，通過異步通信隱藏技術，將跨節點的MPI通信與節點內的計算重疊，把硬件性能壓榨到極致。

汽車氣動仿真流場SAMR網格自適應效果

2.2 億級規模，高效擴展

  基于超算的眾核架構優化，實測數據顯示HSF-SAMR框架具備極強的并行擴展能力：強擴展加速比（以 10.4 萬核為基準）。

28億網格10.4萬核基準強擴展加速比圖

注：HSF-SAMR 在問題規模保持不變的條件下，通過提升并行核數，實現從 10.4 萬核到 201.5 萬核的強擴展性能驗證。

    

   依托面向超算眾核架構的深度優化，HSF-SAMR 框架展現出強勁的大規模并行擴展能力。以 10.4 萬核為基準，在 201.5 萬核規模下，實測加速比達到 15.35；在149.5 萬核規模下，實測加速比達到 14.58，

   并行效率達到101.41%。整體測試結果表明，HSF-SAMR在超大規模并行場景下仍能保持高效計算能力，為高保真復雜流場模擬提供了有力支撐。

   將HSF-SAMR 應用于“風神NF3”，NF-3風洞網格加密層級7，總網格數達到30.3億。在翼型吹風測試中，實現了對測試對象的網格自適應，以及全風洞流場的模擬。

HSF-SAMR 模擬NF-3風洞流場

   測試結果顯示HSF-SAMR框架清晰解析了風洞內流場多尺度效應。相比實際物理風洞動輒數月的單次試驗效率，“風神NF3”有潛力將解決問題時間縮短5倍以上。

03 HSF-AI智能求解技術

   現代高保真仿真面臨兩大瓶頸：一是計算性能——大型稀疏線性方程組的求解動輒耗費總算力的 70% 以上；二是物理機理——傳統湍流模型在復雜條件下精度欠佳，黑箱機器學習改進又缺乏物理可信度。HSF?AI 智能求解技術針對上述痛點，以“物理機理模型+AI求解加速”為路線，實現求解更快的同時保證機理更準。

• 性能加速：借助深度學習自動洞悉矩陣結構，智能挑選優化迭代求解策略，跨量級降低計算開銷，但仍由傳統算法完成求解，確保數值結果高可信。
• 機理增強：引入符號回歸等白箱模型，在湍流閉合方程中嵌入數據驅動的物理修正項，并結合數據同化保持方程約束，顯著提升極端工況下的模型準確性，又保證解的穩定收斂。

3.1 基于神經網絡的代數求解加速

  大型 CFD、聲學和多物理場仿真中，迭代線性求解往往占總運行時間的 70%–85%。稀疏矩陣規模巨大的同時，哪種迭代算法配合何種預條件子才能高效收斂，常需資深工程師反復試錯。HSF?AI 針對此瓶頸提出“用 AI 輔助決策，傳統算法執行”的混合求解范式——AI 模型負責讀懂矩陣并推薦最佳求解策略，實際線性求解仍交給經過驗證的數值算法完成。這一思路確保不改動離散方程的求解機理，只是在“選擇和調優”環節引入智能，使仿真提速的同時保持數值解的物理可信度。

HSF-AI 技術架構圖

3.1.1 矩陣即圖：深度提取稀疏結構特征

   稀疏矩陣可自然映射為大規模圖——自由度對應節點，非零系數對應邊，邊權描述耦合強度。傳統僅依賴矩陣帶寬、稀疏度等淺層特征的方法無法充分捕捉復雜結構關聯，而圖神經網絡（GNN）正提供新途徑。GNN 可在任意尺寸、任意拓撲的矩陣圖上工作，通過靈活的鄰域聚合將變長輸入映射為固定維度嵌入，從而刻畫出矩陣的深層拓撲模式和數值分布。研究表明，與人工提取特征的傳統 ML 方法相比，GNN 對矩陣特性的表征更全面，為后續求解策略選擇提供了可靠依據。特別是在非結構網格離散下，矩陣圖的不規則連接模式正是 GNN 的用武之地——通過消息傳遞，GNN 能識別出迭代法收斂難點（如特征值分布、強耦合子結構），為智能求解打下基礎。

3.1.2 求解策略智能推薦：多標簽深度預測

   基于對上萬計不同來源稀疏矩陣的訓練，HSF-AI 的深度學習決策模型學會了如同專家般“對癥下藥”。其核心是一套多標簽分類架構——針對某一矩陣，不止推薦單一算法，而是給出候選最優組合。具體而言，模型輸出當前問題適用的“迭代求解器 + 預條件子”最佳搭檔列表（例如 GMRES+AMG 或 BiCGStab+ILU），并給出相應超參數建議。多標簽策略允許推薦并列的有效方案，保證在不同硬件環境、不同非線性階段都能有解可用，避免了過于激進的“單一答案”造成的失穩。最新研究表明，這類 GNN 驅動的推薦在大規模矩陣測試庫上較傳統經驗規則將策略正確選中的概率提高了約 25%；神工坊^?技術團隊關于 HSF-AI 的內部測試同樣顯示，在復雜工程場景下Hit@3（前三薦中命中最優）準確率達 80% 以上，充分證明其魯棒性和實用價值。

3.1.3 智能初值與迭代收斂加速

   除了求解器與預條件子的選擇，AI 還為迭代過程本身提供助力。例如，在非穩態問題的逐步求解中，引入深度神經網絡預測的高質量初始值，可顯著減小初始殘差，進而減少 Krylov 子空間迭代次數。這一想法已由最新混合求解研究所驗證：利用訓練好的神經算子預估流場解，再接力給傳統求解器進行精修，可在各種 PDE 基準測試中減少 2–10 倍迭代步驟，總耗時降低最高達 90%，且不損失收斂性和精度保證。

   HSF?AI 將類似策略融入求解流程：對穩態問題，使用歷史收斂解訓練的模型預測新的初始場；對非線性迭代，引入AI模型預估的搜索方向或校正項。這些手段相當于為經典算法提供“智能熱啟動”，讓求解器跳過漫長的誤差削減前期，直接以更小殘差開局，從而大幅加速收斂。值得強調的是，由于仍沿用原有數值算法進行迭代，求解穩定性和結果精度與未引入AI時保持一致，用戶無需擔心理論可靠性受到影響。 

   綜上，HSF-AI 通過深度學習賦能，使長期依賴經驗調校的線性代數求解過程實現了自動化、智能化變革：AI 模型“讀懂”了矩陣，替代人工直覺選擇并優化了解法，而底層數值求解仍嚴格遵循物理與數學原理。這種分工協作的范式確保了仿真高精度不變，卻在收斂效率上取得質的提升。此外，求解過程對人工干預的依賴度大幅降低，真正實現了“一鍵運行，即可得解”的智能求解體驗。

   同時，HSF-AI通過持續積累不同工況下的求解數據，實現模型自我優化與適應。系統不僅記錄每一次仿真的參數與結果，還利用反饋機制自動調整推薦策略，從而適應新出現的復雜場景。隨著使用次數的增加，模型會不斷學習用戶實際需求和硬件環境，形成動態進化的決策體系，讓智能推薦更加精準、魯棒，真正做到“因地制宜、與時俱進”。

3.2 符號回歸的湍流模型

   可靠的湍流封閉模型是飛行器氣動模擬的基石。為了實現“數字風洞”在高雷諾數、大攻角失速等物理風洞難以覆蓋的極端條件下依然能夠給出準確預測，傳統經驗 RANS 模型（如 SA 、SST ）面臨巨大挑戰。近年來，雖然有不少嘗試通過黑箱深度學習增強湍流模型，但普遍存在物理不可解釋、對訓練數據以外工況泛化能力不足等問題。更為嚴峻的是，黑箱校正項嵌入 RANS 方程后，往往破壞原有數值穩定性，難以保證迭代收斂。為此，采用高維度物理場（如分辨率超過10億）的試驗與觀測數據，結合大規模并行的數據同化手段，實現不同數據源的深度融合，成為提升模型可靠性的重要途徑。同時，通過符號回歸等白箱方法構建湍流模型，不僅賦予模型良好的物理可解釋性，還顯著提升了對新工況的泛化能力，從而兼顧了工程實用性與理論嚴謹性。

3.2.1 “數據同化 + 符號回歸”：白箱湍流建模新范式

   神工坊^?技術團隊針對上述難題，在HSF?AI 模塊中研發了DASR湍流模型（Data Assimilation + Symbolic Regression），其理念與國際前沿研究不謀而合。

   首先，通過符號回歸在海量高可信度（實驗或高精度模擬）數據中發掘隱含的物理關系，得到可解釋的修正項表達式；然后，通過數據同化技術在線優化這些修正項中的未定參數，使之與RANS方程的計算結果高度一致。這一先離線后在線、模型與求解高度耦合的雙階段方案，保證了改進后的湍流模型既源自數據又服從機理：離線階段確保修正項有物理意義，在線階段確保引入修正后的RANS求解仍滿足控制方程，不引入非物理不穩定。

   與單純依賴數據訓練的黑箱模型相比，DASR 屬于“可解釋 AI”范疇：其產出的是明確的數學形式（例如附加應力項作為局部流動變量的函數），研發人員可以理解和檢視這些新項是否符合物理常識，并據此放心地將其納入RANS方程求解。這種白箱方式也為模型的二次開發留下空間——工程師可根據經驗對符號表達式進行微調優化，而黑箱網絡則無從下手。正因此，符號回歸湍流建模被視為下一代湍流建模的重要方向，在學術界和工業界獲得了廣泛關注和認可。

HSF-AI 回歸-同化DASR湍流模型

3.2.2 提升大分離流預測精度的實例驗證

   采用符號回歸+DASR策略對經典SST湍流模型進行改進，目前已在多個復雜外形上取得突破性進展。據文獻研究，通過野值場反演和符號回歸（FISR）優化SST模型，所得新模型（SST-SR）在完全不同于訓練工況的分離流測試中依然表現出色，成功預測了二維突擴、周期性臺階和復雜三維 Ahmed 體尾流等復雜分離流場。這表明數據驅動的顯式修正確實賦予了傳統模型難以企及的跨工況泛化能力。

   HSF-AI DASR模型在數字風洞驗證中表現良好。針對 S809 翼型高攻角失速算例，新模型對失速臨界攻角及失速后升力下降趨勢的預測較基線模型有明顯改進；在多個攻角下的壓力系數分布，以及升力、阻力特性上，與實驗結果更為吻合。同時，計算過程中未見明顯發散或異常振蕩，表現出較好的數值穩定性。這些成果與Physics of Fluids 2025 年發表的最新研究結論一致：符號回歸+數據同化的白箱湍流模型在高雷次、大分離流中的預測精度顯著優于傳統RANS模型，且具有很好的穩定性與普適性。

HSF-AI 智能湍流模型驗證

04 應用效果

  基于HSF-SAMR網格自適應與HSF-AI智能求解為核心的技術深度融合與工程化應用，“風神NF3”數字孿生風洞已在航空航天等高端裝備研發的關鍵場景中得到嚴格驗證，其技術先進性與工程實用性主要體現在仿真精度及求解效率兩個方面。

4.1 仿真精度提升

  1. 低速增升裝置（復雜分離流動）

  針對公務機在起降階段的三個增升裝置方案，在低速條件下，采用全機構型進行數值模擬。“風神NF3”的計算結果精準預測了機翼的失速迎角，與風洞試驗結果完全吻合，驗證了平臺在大分離流動區域的預測能力 。 在關鍵的升阻比特性方面，預測誤差僅為1.69%，優于國際主流商用軟件。這表明在同等計算條件下，“風神NF3”的計算結果置信度更高，更接近物理試驗真值 。

  2. 高速全機巡航（激波捕捉）

  針對修型小翼、融合小翼、雙羽小翼三種不同構型，在高速巡航工況下進行氣動特性分析。 計算結果精準捕捉了機翼上翼面的強激波位置。驗證表明，當網格量達到3.7千萬以上時，“風神NF3”數字孿生風洞計算結果具備極好的收斂性，各項關鍵氣動指標的預測誤差均遠小于5%的工程考核指標，完全滿足型號設計要求。

“風神NF3”精度驗證：關鍵氣動指標數字風洞預測誤差及評價

4.2 求解效率提升

   在保證精度的前提下，“風神NF3”通過HSF-SAMR網格自適應與HSF-AI智能求解技術，顯著提升了仿真效率，并降低了研發成本。以增升裝置選型為例，與完全依賴物理風洞的傳統試驗模式相比，“風神NF3”可將研制周期縮短約62.2%，試驗成本可降低約65.2% ，在全流程中實現了周期與成本的雙重優化。

引入“風神NF3”前后研制周期與成本效益對比

05 結語

  “風神NF3”數字孿生風洞不僅是對物理風洞的復刻，更是一次計算范式的革新。它的成功發布，標志著神工坊^?在建立自主可控的CAE生態道路上邁出了堅實的一步。未來，神工坊^?將繼續打磨“基座”，繁榮“應用”，用先進計算的力量，為中國高端裝備研發提速。

參考文獻：

[1] Petrobras. Spotlight: Petrobras Speeds Up Linear Solvers for Reservoir Simulation Using NVIDIA Grace CPU. NVIDIA Technical Blog, 2024.

[2] Wu, C., & Zhang, Y. Enhancing the shear-stress-transport turbulence model with symbolic regression: A generalizable and interpretable data-driven approach. Phys. Rev. Fluids, 8(8), 084604, 2023.

[3] Tang, Z., Zhang, H., & Chen, J. Graph Neural Networks for Selection of Preconditioners and Krylov Solvers. NeurIPS 2022 Workshop on New Frontiers in Graph Learning.

[4] Eshaghi, M. S., et al. Neural Operator Warm Starts for Accelerating Iterative Solvers. arXiv:2511.02481, 2025.

[5] Liao, H., Sun, X., Liu, Y., & Zhang, W. Data-driven turbulence modeling: A mutually coupled framework for symbolic regression and data assimilation. Physics of Fluids, 37(7), 075211, 2025.

[6] Wu, C., & Zhang, Y. Data-driven Turbulence Modeling Using Field Inversion and Deep Symbolic Regression. ICCFD12, 2024.