作为计算流体动力学领域的顾问，回顾过去二十年该技术的发展历程非常重要。 在 Tridiagonal，自 2006 年以来，我们一直是这一旅程的一部分，令人着迷的是看到技术的采用、技术在垂直行业的传播、公共云和私有云高性能计算的使用、开源平台的使用、技术的尝试 掌握在运营商和设计师手中以及许多此类发展。 本文是一个小小的尝试，旨在强调不同进化阶段的进展，并将其扩展到预测未来几年技术将如何形成……

第一阶段：简单几何，复杂物理

我将第一阶段称为从 1998 年到 2006 年左右的时间。在 1998 年之前，基本的 NS 求解器已经就位。 CFD已经从学术代码发展到商业平台。 结果经过验证，很明显可以使用 CFD 来预测基本的流体流动模式。 航空航天和汽车仍然是 CFD 流行的主要领域。 所有其他市场都是新兴市场。

第一阶段是技术建立的早期阶段。 可用的 CFD 代码数量有限，并且尝试模拟和分析许多几何形状的流动模式。 该技术在许多垂直行业中越来越受欢迎。 电子和半导体、暖通空调、电力、石油和天然气、快速消费品行业很少有早期采用者。 几百万个电池仍然是一个基准。 工程师正在处理具有复杂物理的简单几何形状或简化几何形状，或者仅处理复杂几何形状的流动模拟。

第二阶段：整合； 复杂几何和复杂物理

整合发生在 2007 年至 2015 年左右的第二阶段。FLUENT 被 Ansys 收购； Star-CD被西门子收购。 很明显，CFD 将继续作为与 CAD 平台相邻的重要独立技术。 在技术方面，工程师们已经意识到模拟结果在可接受的精度范围内，并且有助于提供良好的工程判断。 现在是时候转向复杂物理和复杂几何了。 许多基于物理的公式以及与支持物理的集成正在开发中。 这包括多物理场模型、流体结构相互作用、化学反应和燃烧等……与此同时，网格生成也取得了进步。 流量提取、表面包裹、自动网格划分和多面体单元的使用是一些值得一提的重大进步。 到目前为止，CFD 已在所有行业垂直领域建立，包括金属与采矿、化学品与加工、食品甚至制药。

开源工具包的到来是第二阶段发生的另一个重要补充。 OpenFOAM、SU2、Salome、Code Saturn/Neptune 是少数出现并引起关注的人。 他们中的大多数恰好在

学术界，对于开发人员来说是很好的平台。 通过重复模拟工作或某些深奥物理学的发展可以感受到它们的存在。 然而，从开源代码中提取商业价值用于当今的咨询工作还远未实现。

第三阶段：我多久可以得到结果？

我多久能收到结果？ 这是我们过去几年所听到的。 工程师清楚 CFD 等技术的用途和用途。 所有行业领域都存在这种情况。 信任已经建立，但现在它是一场与时间的赛跑，以及复杂的几何形状和涉及的物理……。 软件提供商一直在尝试以多种方式回答这个问题。 三种尝试清晰可见：

高性能计算：

使用具有大量单元的网格文件显然可以捕获几何体中的所有微小细节和较小特征。 为了控制计算时间，使用了高性能计算机。 大多数代码通过附加内核提供出色的并行可扩展性。 如今，即使是一个小问题，现在也更像是 2 到 3 百万个单元，而大问题很容易涉及 5000 万到甚至 1 亿个单元。 我们在 Tridiagonal 解决的燃烧问题很容易达到 80 – 1 亿个，这几乎是常态。

自动化工作流程：

自动化是重复模拟的关键。 它有助于减少手动错误以及总体周转时间。 重点强调工作流程自动化和模拟指导。 Ansys和西门子似乎都专注于这方面。

特殊用途工具：

应用程序特定工具及其使用似乎也在增长。 我看到许多 CAD 集成平台和建模功能有限的垂直化环境，但它们似乎擅长所处理的应用程序。 在周转时间和成本得到控制的情况下，有一个良好的市场。 最近，我看到其中一些提供按使用付费的模型类型，并使模拟变得越来越便宜。

基于所有这些，我认为未来五年它将走向何方。 我们能预测未来吗……

第四阶段：未来……

展望未来，我认为用户和差价合约公司将重点关注三个领域。

模拟速度：

减少运行时间并使模拟速度更快无疑是所有 OEM 的首要任务。 这意味着不仅会出现 CPU，还会出现基于 GPU 的配方。 即使在今天，人们仍能感受到 LBM、SPH 等新解决方案方法的存在； 但我觉得未来几年它会加深。 与结构计算、通过 DEM 进行粒子传输等其他技术的无缝集成也将使模拟更加先进和现实。

基于网络的按使用付费平台：

展望未来，我清楚地看到用户可以使用两种类型的代码/求解器选项。 通用求解器将适用于所有复杂的模拟。 然而，基于网络的应用程序特定工具（主要是按使用付费类型的业务选项）将对许多新用户有吸引力。 AWS 或 Azure 上计算核心的可用性将使这一点变得越来越明显。 这也将有助于扩大围绕设计师/平台运营商等的市场……

模拟数据的处理：

过去几年已经进行了大量模拟。 与此同时，我们清楚地看到数据科学已经出现并开始影响工厂和运营的决策。 使用模拟数据与 AI/ML 来影响业务决策指日可待。 它还将有助于使研发和工厂的思考沿着同一方向进行调整，以产生更高的业务影响。

关于作者：

Ashish Kulkarni 自 2000 年以来一直是一位 CFD 专业人士和技术爱好者。他是 Tridiagonal Solutions 的创始成员之一。 在过去的几年里，Ashish 扮演了许多不同的角色，从建立咨询团队到领导特定应用工具的开发。 目前，Ashish 担任 Tridiagonal 咨询业务部门副总裁，专注于在全球范围内发展 CFD 咨询实践。