CFD預測的案例
使用當前一代 CFD 技術對高升力預測的見解
作者Cadence CFD 解決方案
抽象的：來自第四屆 AIAA CFD 高升力預測研討會和第三屆幾何與網格生成研討會的網格生成和流動求解器專家的共同努力幫助評估了當前一代計算流體動力學 (CFD) 技術對掃掠、介質的數值預測能力/高升力配置的高展弦比機翼。NASA 通用研究模型 (CRM-HL) 配置的高升力版本用于此評估，因為實驗風洞數據可用于比較，從而構成國際合作的基礎。正如在之前的研討會中觀察到的那樣，固定網格雷諾平均納維-斯托克斯對于高升力仍然不準確且不一致。然而，網格適應帶來了更多的一致性，
介紹
2022 年 1 月，與 AIAA SciTech 聯合舉辦了第四屆 AIAA CFD 高升力預測研討會 (HLPW-4) 和第三屆 AIAA 幾何與網格生成研討會 (GMGW-3)。這些研討會系列旨在推進使用 CFD 軟件預測高升力流動的最新技術水平。目前用于預測低速、高升力流場的 CFD 技術通常被認為是不可靠和不一致的。為了讓參與者更好地協作，技術焦點小組幫助確定了當前 CFD 技術需要改進的不同領域（性能、準確性、適用性），并為遵循最佳實踐奠定了基礎。
HLPW 研討會系列的長期目標如下：
評估當前一代 CFD 技術/代碼的數值預測能力（網格劃分、數值、湍流建模、高性能計算要求等），用于著陸/起飛（高升力）的后掠、中高展弦比機翼) 配置。
為高升力流場的 CFD 預測制定實用的建模指南。
確定對建模至關重要的高升力流動物理元素，以開發更準確的預測方法和工具。
增強 CFD 預測能力以進行實用的高升力空氣動力學設計和優化。
展開 使用 CFD 仿真預測流體空化，進行精確的全尺寸螺旋槳仿真（免費領文檔）
預測和減少流體空化對于很多工業應用都至關重要，包括船舶推進器。計算流體力學 (CFD) 可以用于預測流體空化并在設計流程早期探索備選設計。本白皮書探討船舶推進器空化仿真的重要方面。它評估準確仿真潛在錯誤的相對影響、如何降低其影響以及在比例模型物理測試過程中模擬全尺寸推進器的優勢所在。
使用 CFD 仿真預測流體空化并降低其影響
空化是由流體壓力驟降引起的，這樣液體就會產生相變和氣泡。許多液體流動時都會發生這一現象，尤其是在泵、閥門和推進器之類旋轉機械中。流體空化會導致振動、噪聲和腐蝕，并因而導致結構磨損和損壞。在船舶應用中，推進器空化會降低推進效率并對船體和推進器葉片造成腐蝕。因此，準確預測是否會發生空化、在推進器的哪個部位發生、確保減少推進器設計次數或盡可能防止流體空化，都至關重要。
借助計算流體力學 (CFD) 進行多相建模，對于理解空化而言是不可或缺的工具。對于比例推進器模型進行的物理測試用途有限，因為預測和真實世界的全尺寸操作條件之間存在差異。CFD 可以準確預測空化并迅速用于多種設計研究。
了解如何執行準確的空化仿真
通過 Simcenter STAR-CCM+ 之類 CFD 代碼中的通用空化模型，可以準確預測船舶推進器的空化。本白皮書詳細探討運行空化仿真過程中可能遇到的難題。了解如何評估以下對象：
湍流模型
柵格解析度
推進器幾何形狀
尺度效應
對于空化仿真結果的影響。本白皮書囊括了 SVA Potsdam 公司的 CFD 仿真和實驗數據對比。
借助船舶 CFD 仿真推動船舶設計流程
我們堅信，全面的數字孿生對于船舶創新的未來和效率至關重要。我們的仿真和測試工具產品組合靈活、開放、可擴展，并且可以在船舶設計流程的每一步提供支持輔助。
展開 直播課程 | 使用機器學習在幾秒鐘內進行CFD預測
1
直播主題
使用機器學習在幾秒鐘內進行 CFD 預測
2
為什么參加 ？
Cradle CFD作為先進的CFD工具，提供了兩種不同類型的熱流分析工具：采用結構化網格的scSTREAM以及采用非結構化網格的SC/Tetra 和 scFLOW。
即使Cradle CFD具有超強的前處理以及超高速的求解器，計算時間也會受到限制。而基于CADLM的機器學習則是機器通過樣本數據的學習，從中主動尋求規律，驗證規律，最后快速給出預測結果。
本次直播中介紹結合現代機器學習、人工智能、降階建模（ROM）和設計優化應用于CFD的案例：
- 機器學習的必要性
- 電子散熱，泵，機翼，聯合仿真等結合機器學習的應用案例介紹
可以上下滾動的圖片
3
講師簡介
李晶
Hexagon | MSC Software 大中華區Cradle CFD產品經理，畢業于清華大學工程力學系，主要研究燃燒相關數值模擬，在日本大阪大學獲得工程熱物理博士學位。具有20年以上的流體仿真工程經驗，廣泛了解國內外客戶對CFD仿真需求以及發展現狀，針對客戶的需求提供有效，合理，針對性的流體解決方案。
展開 CFD專欄丨基于幾何深度學習的車輛空氣動力學快速預測
SER算法并不訓練場值，僅從幾何形狀預測 KPI 值或曲線，優勢是訓練成本低，可用于汽車概念設計初期，對空氣動力學性能進行快速評估。
PhysicsAI 的三種算法對比
Similarity Score：定義預測模型的相似度，
為訓練集中2個參考樣本的差異度，d為待測模型和訓練集最接近樣本點的差異度。
Similarity Score=1表示待預測模型和訓練集中的其中一個模型剛好一樣；
Similarity Score=0表示待預測模型和訓練集的最接近程度和訓練集內2個參考樣本的差異度一樣；
Similarity Score<0表示待預測模型和訓練集的任何一個模型相似度很低。預測結果非常不可靠。
MAE：Mean Absolute Error 平均絕對誤差，用于評估機器學習預測的精度。較低的 MAE 表明預測更準確。
Transfer Learning：遷移學習是機器學習的一種策略，假設已經基于車型A的訓練集創建了深度模型，如將其直接用于預測車型B和車型C，可能會產生較大誤差。由于不同車型之間有些相似特征，例如A和B車型的前臉相似，A和C車型的車尾相似。可以通過增加樣本的方法，更新已有的模型，而無須從頭開始訓練，并提高深度學習的泛化能力。
展開 
利用 CFD 預測、建模和緩解海嘯，打造更安全的明天
使用先進的模擬工具對氣候變化的一些結果進行預測和建模，可以在應對氣候變化方面邁出積極的一步。在這里，我們詳細闡述了計算流體動力學 (CFD) 工具如何幫助預測和模擬海嘯的產生、傳播和緩解，以實現更安全的明天，特別是針對沿海地區居民的安全和建設集群。
海嘯如何成為氣候變化的結果？
一個主要的氣候變化變量是地表水，它可能是雪水或雨水。隨著溫度升高，高海拔地區的凍土開始融化，導致空中和海底滑坡，最終形成海嘯。世界上最大的海嘯之一發生在阿拉斯加，由于永久凍土或凍土融化，引發山體滑坡，將 1.8 億噸巖石送入峽灣（U 形山谷），引發 193 米高的海嘯。根據中國澳門的一項研究，海平面上升 50 厘米將使海嘯引發洪水的頻率增加一倍。穿過海底或海底的大型淺層地震也可能導致海嘯。這些海嘯是氣候變化的間接后果。
當火流星體撞擊地球表面時，也會形成海嘯。例如，希克蘇魯伯海嘯發生在 6600 萬年前，當時一顆希克蘇魯伯小行星撞擊尤卡坦半島附近的地球表面。值得注意的是，這次全球海嘯比任何現代海嘯強約 30,000 倍。白堊紀古近紀的生物大滅絕就是針對這場巨大的海嘯。為了更好地了解希克蘇魯伯沖擊海嘯，密歇根大學的一組研究人員使用 hydrocode 來模擬和研究水和沉積物在開始后的前 10 分鐘內的位移。研究結果，即上白堊紀海洋沉積物分布，與模型結果一致，證實這些模擬研究是海嘯預測的突破。
用于海嘯建模的 CFD 模擬
在 CFD 出現之前，許多海嘯研究使用 2D 和 3D 實驗來評估控制因素及其影響。后來基于這些研究，開發了數值模型。2019 年，Kim 和他的研究人員基于 Navier Stokes 方程和流體體積法開發了TSUNAMI3D 數值模型。通過將結果與一組陸上滑坡實驗進行比較，該模型得到了驗證。
展開 設計仿真 | Cradle CFD解鎖乳化瀝青蒸發速率預測，助力綠色公路建設
海南大學土木建筑工程學院聯合海克斯康，依托海克斯康先進的Cradle CFD仿真軟件，針對環境因素對乳化瀝青蒸發速率的影響展開深入研究，成功構建高精度預測模型，為綠色公路施工提供了科學指導。
PART-01
項目背景
乳化瀝青基材料在施工后需經歷水分蒸發過程，才能形成足夠的強度。蒸發速率直接影響材料的可施工時間與養護周期。然而，環境因素（溫度、濕度、風速）復雜多變，傳統經驗模型難以精準預測蒸發速率，導致實際工程中常出現養護時間不足或材料性能不達標等問題。
以往研究多通過實驗室模擬特定環境條件，但這種方法成本高、周期長，且無法覆蓋所有可能的工況。此外，理論計算法依賴大量氣象數據，經驗公式則受限于地域局限性。如何高效、精準地量化環境因素對蒸發速率的影響，成為行業亟待解決的難題。
海南大學研究團隊提出將計算流體動力學（CFD）仿真與基于遺傳算法的符號回歸方法結合，通過海克斯康Cradle CFD軟件構建仿真模型，突破傳統方法的局限，為工程實踐提供可靠依據。
PART-02
Cradle CFD仿真：精準建模與高效驗證
01
模型構建：從理論到仿真
研究團隊基于菲克擴散定律，建立了乳化瀝青水分蒸發的CFD模型。通過Cradle CFD軟件，模擬空氣-水界面的傳質過程，并考慮湍流效應，采用SST k-ω湍流模型優化計算精度。模型中設置了三維和準二維兩種網格方案，通過對比發現，準二維模型在保持精度的同時，計算效率提升近百倍（計算時間僅為三維模型的1/100），顯著降低了仿真成本。
02
網格劃分與驗證：科學與嚴謹
由于仿真模型的計算效率和精度受網格劃分的影響，因此本研究使用了三種網格尺寸來分析三維模型和準二維模型的網格收斂性。
展開 基于CFD的油冷器壓降仿真及試驗驗證
計算溫度為103℃，此時流體的密度為1009.87kg/m3，粘度為0.00079Pa·s，CFD計算的流量工況選擇為20L/min、26L/min和31L/min。
2 靜壓壓降對比分析
2.1 試驗結果
3組試驗數據采用算數平均得到最終的壓降-流量數據點，使用過原點的二次多項式曲線擬合，最終得到的靜壓阻力線公式為
式中，x為體積流量，L/min；dp為靜壓壓降，Pa。
2.2計算結果
CFD計算得到的結果和試驗結果對比如圖6所示，實線是從計算的壓降點擬合得到的靜壓阻力曲線，其公式為
式中，x為體積流量，L/min；dp為靜壓壓降，Pa。
將CFD和試驗結果在各個流量下進行誤差對比，所得數據如表5所示。在10L/min時，CFD預測結果比試驗值低了13%，流量越大差別越小；在40L/min時，CFD預測結果比試驗值低了10.1%。對于油冷器產品在工程領域而言，10%左右的誤差在可以接受的范圍內。由于翅片的剛性較小，在加工裝配過程中易變形，導致最終的翅片覆蓋區域和CFD的分析模型不符。
3 總壓壓降分解
壓力分解示意和在26L/min的流量工況下，系統內部（不包括進出口延長段）的總壓壓力降分解占比如圖7、圖8所示。內部通道對總壓降的貢獻最大，占比為65.2%，其次為進口分流頭和出口集流頭，分別為16%和11.4%，進出口連接管對總壓降的貢獻最小，占比僅為3.9%和3.5%。
4 速度流場分析
通道1到通道5的通道位置示意如圖9所示。通道1、3和5的中間剖面速度云圖如圖10－圖12所示，其中右上為進口，左上為出口。各個通道的流動比較平均，對于單個通道而言，除去進口分流頭和出口集流頭部分，中間翅片區域的流動主要沿長度方向，且流動比較均勻。
展開 2017年名人堂作品賞析：卡迪夫大學
研究人員用該測試得到的數據，對使用這一特定類型的湍流模型的尾跡仿真進行驗證，有望更加準確地預測潮汐流渦輪機后方尾跡的性質和范圍。這樣也能更好地預測位于陣列下游的渦輪機受到的變動載荷，從而提高潮汐能的可靠性，降低潮汐能的成本。
解決方案:
ANSYS Fluent提供分離渦流仿真（DES）模型等高級湍流模型。這些模型將雙方程RANS模型的計算經濟性與尾跡仿真所需的大渦流仿真（LES）精度完美結合。開展仿真的目的是使用完整渦輪機幾何模型改善對渦輪機尾跡的預測結果。之前想使用LES為尾跡建模的研究人員，不得不使用致動器線或多孔盤代替完整的渦輪機幾何模型，從而簡化渦輪機的幾何模型。提交的圖像將渦輪機的DES仿真與水槽柜驗證測試的照片相結合。ANSYS CFD預測了尾跡的長度和特性；詳細仿真顯示了在時間有限的水槽柜測試中需要重點關注的區域。
使用的軟件:
ANSYS Fluent
展開 仿真幫助世界頂尖數據中心制冷
CCG機械工程師通過多種空氣處理機和放置在架高地板上下位置的障礙物來檢驗FloVENT模型，獲得的測量結果與CFD預測的結果差異在1°F以內。
CCG首先使用FloVENT模型估算房間不同寬高比。CCG工程師與建筑師以及大樓所有者協同設計大樓的布局，從而優化制冷效率達到大樓租戶的要求。另一關鍵考慮是架高地板的高度。目標是空氣的移動達到制冷設備的效果，同時盡量控制地板的高度，使得大樓支架和水泥成本最小化。最后，CCG確定ACC4數據中心層高為48英尺。緊接該項目之后，CCG設計了ACC5數據中心，與ACC4設計非常相似，但是層高降至42英尺。
CCG評估了ACC4和ACC5中使用不同建筑參數的系列不同計算機房空氣處理機。最困難的性能挑戰在于假定某些空氣處理機不能工作，如何保證機房設備空氣入口溫度正常？CCG工程師關閉多個空氣處理機驗證了設備安全運行的能力（參照ASHRAE指導方針的推薦）。其他的一些測量，比如供應32個2.25兆瓦特柴油發電機組在電力供應中斷時協助設備運行，促使了大樓建立Tier 4 功能。Sheehan總結：“ACC4目前完全投入運作，所有反饋的數據都很積極，該制冷系統一直運作良好，沒有任何中斷。”
更多信息，請訪問www.mentor.com/mechanical
展開 Cadence CFD：用計算流體動力學增強生物模擬研究的確定性
沿著這條線，計算流體動力學(CFD) 模擬可以提供很多不同流體的流動如何影響藥物輸送過程或其他用于先導化合物發現的生物模擬研究的頂層視圖。
生物模擬研究中的 CFD
在以下兩種情況下，CFD 提高了生物模擬研究的結果：
使用 CFD了解藥代動力學
非醫學背景的人可能想知道什么是藥代動力學。好吧，它是藥物研究的一個分支，研究我們體內的藥物輸送。結合組織和器官的生物物理建模以形成器官系統，以及藥物的理化特性，可以更深入地了解藥物的治療效果和藥物遞送機制。
例如，椎管的 CFD 研究有助于確定有效的藥物傳輸機制及其對脊髓損傷患者的相應治療效果。可以使用 CFD 模擬確定藥物在椎管內流過腦脊液 (CSF) 的情況。這大大提高了生物模擬研究的準確性，尤其是對于無法進行藥代動力學實驗測量的情況。值得注意的是，藥物的治療效果是由有效的組織結合和滲透驅動的，這可以使用生物模擬工具在分子水平上進行研究。
剪切應力與骨轉移的相關性
在過去的 250 年里，從腫瘤抑制基因克 隆到開發人類癌癥治療疫苗，在治療或治愈癌癥方面取得了多項發現。在所有這些發現中，我們見證了用于在分子水平上有效診斷惡性細胞的生物模擬工具。CFD 預測和分析用于解釋周圍環境的影響，以增強這些生物模擬研究的確定性。
當癌細胞是惡性的時，其他身體部位會增殖，稱為轉移。這種癌細胞在骨骼中的擴散稱為骨轉移。使用 CFD 模型，可以研究流體剪切應力與癌細胞在支架上擴散之間的相關性。從 CFD 模擬中，觀察到腫瘤生長與骨間質流動之間存在直接相關性。該觀察結果可以使用生物模擬工具增強骨轉移的解決方案。
用于 CFD 預測和生物模擬的 Cadence 產品
計算流體動力學 (CFD) 是多物理場系統分析的一個方面，它使用數值模型模擬流體的行為及其熱力學特性。
展開 案例分享 | BoostHEAT公司使用Cradle scFlow開發更高效鍋爐
我們一直在使用計算流體動力學(CFD)工具-來至于MSC軟件的Cradle scFlow(見圖4)。它已經在我們的設計探索關鍵過程中，在最高效的鍋爐系統中優化熱通量(熱能的轉移)。新的物理模型，新的材料和方法，新的設計，新的制造過程，以及住宅法規的壓力意味著我們必須在最短的時間內獲得盡可能多的洞察力。如果沒有CFD，我們就無法確定新設計的復雜性和性能，我們根本無法獲得所需的細節。用Cradle scFLOW你可以探索;就像我們到處都有熱電偶一樣。
我們使用Cradle scFlow完成了20個關鍵的鍋爐設計迭代，創造了我們的“數字孿生”。然后,我們根據與我們合規需求相關的物理測試，驗證了我們的CFD預測。在每個階段，我們都達到了更高的溫度和壓力，與物理測試的相關性也比以前更強。這種勢頭對我們這樣的初創公司來說很重要。MSC的CFD幫助我們實現了這一點。
未來呢?我們已經成功地發布了我們的初步設計，并且正在接受訂單，然而這并不是終點。我預見會有更多的模擬、更多的多物理場、更多的優化和更多的創新。這對我們公司來說是個激動人心的時刻…
展開 
案例分享 | BoostHEAT公司使用Cradle scFlow開發更高效鍋爐
我們一直在使用計算流體動力學(CFD)工具-來至于MSC軟件的Cradle scFlow(見圖4)。它已經在我們的設計探索關鍵過程中，在最高效的鍋爐系統中優化熱通量(熱能的轉移)。新的物理模型，新的材料和方法，新的設計，新的制造過程，以及住宅法規的壓力意味著我們必須在最短的時間內獲得盡可能多的洞察力。如果沒有CFD，我們就無法確定新設計的復雜性和性能，我們根本無法獲得所需的細節。用Cradle scFLOW你可以探索;就像我們到處都有熱電偶一樣。
我們使用Cradle scFlow完成了20個關鍵的鍋爐設計迭代，創造了我們的“數字孿生”。然后,我們根據與我們合規需求相關的物理測試，驗證了我們的CFD預測。在每個階段，我們都達到了更高的溫度和壓力，與物理測試的相關性也比以前更強。這種勢頭對我們這樣的初創公司來說很重要。MSC的CFD幫助我們實現了這一點。
未來呢?我們已經成功地發布了我們的初步設計，并且正在接受訂單，然而這并不是終點。我預見會有更多的模擬、更多的多物理場、更多的優化和更多的創新。這對我們公司來說是個激動人心的時刻…
展開 案例分享 | BoostHEAT公司使用Cradle scFlow開發更高效鍋爐
我們一直在使用計算流體動力學(CFD)工具-來至于MSC軟件的Cradle scFlow(見圖4)。它已經在我們的設計探索關鍵過程中，在最高效的鍋爐系統中優化熱通量(熱能的轉移)。新的物理模型，新的材料和方法，新的設計，新的制造過程，以及住宅法規的壓力意味著我們必須在最短的時間內獲得盡可能多的洞察力。如果沒有CFD，我們就無法確定新設計的復雜性和性能，我們根本無法獲得所需的細節。用Cradle scFLOW你可以探索;就像我們到處都有熱電偶一樣。
我們使用Cradle scFlow完成了20個關鍵的鍋爐設計迭代，創造了我們的“數字孿生”。然后,我們根據與我們合規需求相關的物理測試，驗證了我們的CFD預測。在每個階段，我們都達到了更高的溫度和壓力，與物理測試的相關性也比以前更強。這種勢頭對我們這樣的初創公司來說很重要。MSC的CFD幫助我們實現了這一點。
未來呢?我們已經成功地發布了我們的初步設計，并且正在接受訂單，然而這并不是終點。我預見會有更多的模擬、更多的多物理場、更多的優化和更多的創新。這對我們公司來說是個激動人心的時刻…
展開 Ansys多物理場解決方案通過三星Foundry全系列FinFET工藝技術認證
D2H的CFD預測在測試中得到了驗證，減少了風洞時間和成本（左圖）
D2H空氣動力學研究使JTG Daugherty Racing賽車在2020年得以提升（右圖）
各車隊依靠仿真技術為每次比賽準備賽車，因為他們非常重視減少設計用時。
D2H專屬的Ansys渠道合作伙伴Rand Simulation副總裁Jason Pfeiffer指出：“80%的建模過程都涉及到清理 “臟” 幾何，這項工作要求工程師花費大量時間刪除對運行仿真多余的組件。這套自動化工作流程可提供一鍵式解決方案，能夠縮短研發流程，從而幫助工程師以更快速度開發設計，解決棘手的空氣動力學問題。”
賽道表面、天氣條件和比賽規則每周都在變化，因此需要解決由此產生的復雜設計問題。從研發流程中基本取消風洞測試后，各車隊的敏捷性和精確性比過去均有所提高。
Ansys高級副總裁Shane Emswiler稱：“NASCAR賽車隊是我們共同的客戶，他們要求極致設計速度和最佳保真度，這給優化高性能賽車的設計帶來巨大挑戰。通過與D2H直接開展合作，我們的共享資源能夠幫助賽車隊告別成本高昂、費時費力的風洞測試，轉而采用定制的自動化端到端工作流程，從而交付能在比賽中獲勝的高級賽車。”
Ansys年度仿真盛會
點播內容已全面開放！海量價值資料免費領~
點擊圖片查看詳情介紹
更多大會專題視頻回放，掃描二維碼注冊成功后即可免費觀看：
或點擊鏈接：https://v.ansys.com.cn/Signup/4?source=jishulink
展開 仿真技術在體育行業中的發展和應用
圖9：2008年七屆奧運會冠軍邁克爾·菲爾普斯，CFD預測身體和泳衣周圍的流場
如今，許多類型的其他運動和休閑設備都是使用CFD和CAE設計的，包括各種各樣的運動球、高爾夫球桿和球、跑鞋、棒球棒和頭盔、沖浪板、滑雪板和滑雪板、冰鎬、自行車等。
圖10：足球在墻上撞擊時變形的ABAQUS模擬
無論它被擊中的地方，球的內部是由12個五邊形織物面板制成的胎體結構，折疊形成球體。這種設計導致剛度分布有大幅度的提升。FEA軟件模擬了以每小時160公里（100英里/小時）的速度踢球時球的行為，有助于確定即使是小的結構變化對球的整體表現的影響。
