Ansys Fluent软件全力释放GPU的能量，第三部分

在该博客系列的第一部分和第二部分中，我们探讨了Ansys Fluent求解器的加速功能在多个用例中的表现，其中包括汽车外部空气动力学、标准层流以及共轭传热等应用。

在第三部分中，我们将介绍2024年最新用例，这些案例涉及到不同的GPU硬件选项和模型复杂度，并展示通过GPU进行计算流体力学（CFD）仿真而获得的显著加速和节能优势。

在Ansys客户门户网站上下载最新版本的Ansys Fluent GPU求解器。

最新版本的Fluent GPU求解器的最新用例

自Fluent GPU求解器于2023年发布以来，我们不断在每个软件版本中引入新功能。2024年，我们引入了以下功能：

• 支持AMD GPU硬件
• 非共形界面与滑移网格
• 详细化学反应求解器
• 离散相模型（DPM）
• 不可压缩求解器和可压缩求解器
• 远场边界条件
• 气动声学：Ffowcs Williams-Hawkings方法

这些新功能将拓展新的应用场景，帮助用户以指数级提升的求解速度、更低的功耗成本，执行高级燃烧以及空气动力学等计算任务，同时保持与传统Fluent求解器相同的精度。

观看“2024 R2新功能：Ansys Fluent GPU求解器”网络研讨会点播视频，了解有关最新软件更新的更多信息。

在不到8小时的时间内求解全环多级压缩机

借助GPU硬件，工程师们现在能够运行复杂性显著增加、网格数量更庞大的仿真，且速度呈指数级提升。在图1的用例中，我们运行了一款3.5级全环压缩机的仿真，其包含约5亿个网格单元。该用例在12个NVIDIA A100 Tensor Core GPU上运行，使用了2024 R1版本中新提供的滑移网格功能，同时结合了增强大涡模拟（LES）数值方法。

运行全环压缩机仿真，曾经是一项“超级”计算任务——一年您可能只会考虑运行几次，而且需要数周或数月的求解时间。现在，利用GPU硬件的并行性能和Fluent GPU求解器提供的最新功能，您可以在一个工作日的工时内获得结果。

将飞机起落架的空气动力学研究速度提高10.5倍

在本用例中，我们使用了一个简化起落架（RLG）模型。该模型已被业界熟知十余年，其最早于2010年6月举行的第一届和第二届机体噪声计算基准问题研讨会（BANC-I和BANC-II）上提出。支柱和车轮上的湍流会产生阻力和噪声，因此该用例非常重要。尽管湍流的几何结构相对简单，但它具有显著的分离和不断演化的尾流结构，这两者都很难通过仿真彻底捕获。

该仿真的总网格量为1,440万个多面体网格，作为瞬态运行并采用尺度解析的大涡模拟仿真（LES）求解。该仿真在支持4个NVIDIA L40 GPU的Fluent GPU求解器上运行，与120个Intel® Xeon® Gold CPU内核的CPU配置相比，求解时间缩短了10.5倍。

此外，我们还发现，与该用例的实验数据非常一致。计算了两个轮胎中线位置的平均压力系数。我们发现，GPU结果与实验数据非常吻合。

图5：GPU结果与前轮胎（左）和后轮轮胎（右）的实验数据非常吻合。

在不足12小时内求解具有2,400万个网格的气动声学模型

气动声学仿真可能极其复杂且成本高昂，因为可能存在多个噪声源，而这些噪声源由具有多层相互作用机制的过程触发。由于声学噪声产生和传播的固有不稳定特性，在传统并行CPU计算硬件上运行这类仿真，可能需要数天或数周。不过，使用Fluent软件的原生GPU求解器，可将这些时间缩短最多达一个数量级或更多，具体取决于所用的GPU类型和数量。

在图6及图7所示的研究中，我们使用著名的Ffowcs Williams-Hawkings（FW-H）模型，在Fluent GPU求解器上对低压轴流风扇进行气动声学仿真。该算例的总网格数为2,420万，在8个NVIDIA L40 GPU上运行大约11小时（风扇转子每转约1.5小时，总共需要7到8转）。 

图6是湍流分离导致转子产生的涡流结构。这种湍流以及移动叶片产生的压力波动，会产生独特的风扇音调和宽带噪声特征。我们还发现该结果与实验数据非常吻合，如图7所示。

在120核的基准CPU系统上运行相同的仿真，通常需要数天才能完成。利用GPU来运行这些研究，将实现更强大的设计空间探索，从而可增强优化与效率。

求解器的精度如何？Fluent GPU求解器与实验

CFD研究的提速具有明显的价值，但如果结果不准确或与实验数据吻合度不高，该价值就会大打折扣。Fluent软件以其精确的求解器和物理场模型而闻名，自2022年发布Fluent GPU求解器以来，我们已经执行了广泛的精度验证研究。这些验证研究表明，GPU结果与实验数据非常吻合。

如欲查看更多验证基准，请查阅我们的2024 R2验证研究白皮书。

利用GPU实现电源、能源及成本节省

GPU提速带来的的价值非常明显，其对设计周期的迭代次数和时长具有正面影响，从而整体上加速了产品上市进程。那GPU电源及能源成本呢？为了了解GPU配置与CPU配置的功耗和硬件成本，Ansys进行了各种研究。

在图8所示的图表中，我们对DrivAer进行了外部空气动力学研究，规模为2.5亿个网格单元，采用大涡模拟（LES）方法，总计50,000个时间步，并在CPU配置和GPU配置上分别运行了该仿真。我们经分析发现，运行该模型的GPU硬件成本最终比在CPU硬件上运行相同的模型成本低9倍，能效提高33倍。

GPU在功耗、能耗和时间方面的节省显著，具有明显的优势。我们对NVIDIA及AMD GPU的支持，有助于实现广泛的加速计算。此外，基于云计算的HPC解决方案也是一个很好选项。Ansys目前提供以下面向云计算及HPC技术的解决方案：

• Ansys HPC
• Ansys Cloud

我们与以下供应商合作：

• Microsoft Azure
• 亚马逊云科技（AWS）
• 超微计算机公司

CFD正在迈向通用GPU计算时代，我们见证了这一跨越式变革，而Ansys正在引领这一发展。随着GPU的日益普及，以及越来越多的企业开始采用GPU来加速工作流程、降低成本，抢占技术先机至关重要。您可以信赖Ansys，因为其软件在速度和准确方面经过了严格且持续的基准测试，并依托一支竭诚为您提供卓越CFD软件解决方案的研发团队。

此外，Ansys也是率先采用NVIDIA Omniverse Blueprint实现实时计算机辅助工程（CAE）数字孪生的公司。NVIDIA Omniverse Blueprint是NVIDIA加速库、人工智能框架和Omniverse技术的参考工作流程，可在Ansys应用中实现物理场的实时、交互式可视化。这将帮助用户将仿真和实时可视化速度提高1,200倍。

在哪里可以了解更多信息？

您是第一次使用Fluent GPU求解器吗？欢迎从我们的免费学习课程开始，该课程位于“Ansys创新空间”（Ansys Innovation Space）。 

欢迎在我们的Ansys帮助网站上访问Fluent GPU求解器文档页面。

下载Fluent GPU求解器验证白皮书。

还有其它问题吗？欢迎访问Fluent GPU求解器常见问题页面。