随着计算流体力学（CFD）仿真的规模和复杂性不断增长，高性能计算（HPC）对于航空航天、汽车等众多行业的重要性也日益凸显。过去，HPC依靠强大的中央处理单元（CPU）来求解复杂的CFD分析任务。然而，当GPU凭借卓越的并行处理功能而大受欢迎时，其也正在重新定义工程师开展仿真的方式。
为了证明GPU的强大功能，我们使用Ansys Fluent流体仿真软件测试了各种标准CFD基准模型。我们在包含8个NVIDIA H100 Tensor Core GPU的Supermicro AS-8125GS-TNHR服务器上求解了两种不同的模型——第一个是包含2400万个网格单元的燃气轮机燃烧室内部流动模型，第二个是包含5000万个网格单元的汽车外部空气动力学仿真模型。我们分别在1、2、4和8个GPU上求解了这两个模型，以测量加速和效率。
两种模型在H100 GPU上的并行加速比和并行效率。在8个GPU上的仿真速度降低，是因为该模型对于8个CPU的配置来说太小。使用的版本为2024 R2的预览版。
GPU增强仿真的优势
此外，在云端平台（比如由AWS软件提供支持的Ansys Gateway）上使用GPU，可实现多种优势：
- 效率：通过同时处理许多任务，GPU可缩短求解器时间，尤其是处理大型复杂模型时，效果更为显著。
- 性价比：本白皮书重点介绍了在NVIDIA GPU而非传统CPU上运行的仿真，可以显著降低成本。
- 环境影响：GPU还通过减少密集计算的能耗来支持可持续性目标。
实际影响和未来前景
通过在Amazon EC2等平台上利用NVIDIA H100和A100 Tensor Core GPU等GPU，工程师可以处理更多的设计迭代，从而加速创新并提高产品质量。这种增强的计算能力可加速研发，使企业能够更快地将更具竞争力和适应力的产品推向市场。
使用A100和A10 GPU在由AWS软件支持的Ansys Gateway上运行Ansys Fluent GPU求解器，在Fluent 2024 R1版本软件上运行三种案例时实现了并行速度提升。
总而言之，GPU加速计算的采用，尤其是在CFD仿真中的应用，不仅显著提高了仿真效率，还在成本控制与环保责任方面实现了质的飞跃。
欢迎在此处查看我们的NVIDIA和Supermicro应用简介完整分析。
