首页/文章/ 详情

Fidelity 何以成为首选的大涡模拟(LES)求解器

9小时前浏览29
本文翻译转载于:Cadence blog
作者:Veena Parthan

由于气动及流场的涡流效应在汽车、船只等设计中的重要性,计算流体力学(CFD)工程师必须要考虑湍流的影响。为此,在 CFD 模拟中需要构建湍流模型,从而实现对真实湍流现象的仿真。具体地说,当计算资源有限和(/或)时间紧张时,应该首选雷诺平均(RANS)模型进行湍流建模。但对于某些流动情况,使用 RANS 湍流模型时模拟结果的准确性会受到影响。


为了解决这一难题,大涡模拟(LES)就派上了用场,特别是在处理具有非线性属性的燃烧和化学反应问题时更为明显。但由于硬件算力的限制,很大程度上使得 LES 无法成为一个广泛适用的解决方案。幸运的是,近年来 GPU 加速技术在仿真领域得以快速发展,使得 LES 变得可行且成本可控。由于使用了非线性稳定的数值格式及高效的 GPU 加速技术,Cadence Fidelity 求解器特别适合用于 LES 模型。



Cadence LES 模型的开发历程














1980 年,斯坦福大学的 Parviz Moin 教授(Cascade Technologies 创始人,Cascade 现已并入 Cadence 公司)对湍流建模进行了许多开创性的研究。当时有大量关于湍流的实验研究,其中图 1 展示了利用边界层中氢气泡进行湍流可视化研究的实验,目的是研究湍流中绚丽、连贯但无序的涡流结构。

 

图 1:仿真结果(Moin & Kim,1981)(左)

实验结果(Kim,Klein & Reynolds,1970)(右)


Parvis 及其同事在 1981 年的美国物理学会会议上展示了仿真结果,这些计算是在 NASA Ames 使用 ILLAC IV(15 MFlops 设备)完成的。他们通过屏幕拍摄构建可视化图片,这在当时还属于非常规方法,但他们的模拟结果却显示能够在时点上准确地预测纳维-斯托克斯方程所描述的现象,并获取动力学和湍流的统计数据。如今,随着计算能力的巨大进步,算力已经超越了 mega、giga、tera、peta 和 exa 的量级,实现了更强大的仿真能力。LES 模型已经能够用于真实系统的预测,并且以更高的精度和速度进行湍流建模。它的应用不再只局限于科研机构,而是被越来越多地用于真实的工业设计领域中。



为什么 LES 开始被关注?














四项不同的技术促使高精度大涡模拟仿真成为可能,或者说走向实用,其中包括:

1.网格离散

涉及到瞬态模拟时,生成高质量和相对各向同性网格非常关键。虽然靠近壁面的各向异性网格可以节省计算资源,但让网格在整个模拟过程中保持相对一致的质量水平仍然非常重要。

2.数值方法

鲁棒性、非线性稳定的数值方法和精确代表流动物理现象的先进物理模型对仿真至关重要。

3.数据分析

由于计算生成的数据量非常庞大,快速可视化和数据分析的能力非常重要。

4.可扩展性

高并行效率和更快的周转时间对于 LES 的推广至关重要。


多年来,LES 模拟的关键是需要低耗散的数值格式。然而,这些低耗散格式却很难满足多物理场应用和复杂几何的处理。虽然高雷诺数的实际粘性较低,但 CFD 代码中的数值耗散通常却非常高。使用 Fidelity LES 求解器,可以获得稳定的低耗散数值格式。

对于网格划分,Fidelity LES 求解器可生成具有不同分辨率区域和过渡区的多面体网格。这个网格生成方法本质上是基于一组特定点创建的 3D Voronoi 图。当这些点以有序的方式排布时,就能生成高度均匀性的网格。这使得 Fidelity LES 求解器能够便捷地生成适合 LES 的网格。



高精度多物理场 LES 仿真














近年来, LES 应用的一个典型成功案例是湍流火焰射流的研究(Sandia D 火焰射流)。如图 2 所示,甲烷燃料从中心注入,与周围同向流动的空气混合,经过射流扩散、燃烧反应,达到最高温度,然后从同向流动中混合更多空气不断冷却。求解器的低数值耗散格式和高效燃烧模型在一系列网格尺寸范围内提供的结果具有很好的鲁棒性。事实上,从 40 万单元到 1600 万单元的不同分辨率并不会显著影响沿火焰中心线温度分布的时均及均方根值,如图 2 所示。这个例子证明了 LES 在解决湍流混合和非线性多物理场等重要复杂问题的有效性。

 

图 2:Sandia D 喷射火焰的 LES 仿真结果

网格分辨率从 0.4M 单元到 16M 单元的变化不会显著影响预测的火焰结构(左)或中心线温度分布(右)



用于 LES 的 GPU/CPU 加速技术














LES 模型的计算代价非常高昂。例如,在公有云或内部部署机群上使用基于 CPU 的硬件执行燃烧动力学的高精度模拟,单次模拟的成本可能高达 1 万美元,每次计算需要大约 100 万核时的量级,特别是需要执行数百个算例时,这个费用可以说是天文数字。尽管目前已经开发出基于 CPU 高扩展性且在一天内能够完成计算的代码,但高成本依旧是在工业和设计领域中广泛推广 LES 的最大阻碍。值得庆幸的是,快速发展的 GPU 技术正在改变现状。随着 GPU 加速的出现,仿真成本显著降低,计算效率明显提升(图 3)。

 

图 3:相同的硬件成本下,GPU 可以提供 CPU 大约 9 倍的算力,或者与 CPU 相同算力的条件下,成本降低 9 倍且能耗降低 17 倍


由于气动及流场的涡流效应在汽车、船只等设计中的重要性,计算流体力学(CFD)工程师必须要考虑湍流的影响。但到目前为止,硬件算力的瓶颈限制了 LES 成为一种广泛适用的解决方案。通过利用 GPU 加速技术,Cadence Fidelity 使 LES 模拟更容易实现,从而提高计算效率并显著降低计算成本。

   

 

来源:Cadence楷登
SystemFidelity非线性燃烧化学湍流电路航空汽车电子消费电子芯片Cadence
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-03-18
最近编辑:9小时前
Cadence楷登
签名征集中
获赞 0粉丝 19文章 31课程 0
点赞
收藏
作者推荐

AI 助力优化电子设计

本文经授权翻译转载于 EETimes.com 作者:Ben Gu,Cadence 全球副总裁 兼多物理场仿真事业部总经理 当今设计流程正在保持极速演化并推动我们实现高度优化的 IC、PCB 和系统,实现全球化的创新。目前,通过在设计探索和验证过程中更早地应用分析,我们已经成功实现了复杂多物理场分析和多领域协同优化。然而,日益增加的设计复杂性,使得传统的分析方法 正接近瓶颈,转而通过机器学习(ML)和 AI 支持的流程将逐步登上未来发展的舞台。这听起来似乎有点夸张,但如果应用得当,ML 技术将发挥非常强大的作用,而电子行业永远不缺的恰巧就是将设计数据“喂”给机器学习。当然,关键在于我们需要发展出更成熟的方法,可以有效地将 ML 与数据相结合,从而实现最大化的效益。具体到芯片设计流程,目前从设计到签核大致需要经过下述步骤:首先创建设计,之后通过仿真确定是否符合设计标准,如果不符合则进行调整并迭代。这套流程的确可以实打实地看到结果,然而却面临着如下挑战:1设计复杂性的不断增加。2多领域的协同优化。我们发现必须将 IC、电路板和系统作为一个整体来开发,才能真正实现优化,这又进一步增加了复杂性。3应用于单一设计领域的物理限制也越来越多地影响到其他领域。这些挑战使得传统设计方法的短板开始显现,设计师们需要无休止地在探索流程和分析工具间来回切换以检测他们的设计。所有的这一切都让设计中的多问题协同优化寸步难行,例如热效应对 IR drop(直流压降)的影响或不同封装方式对信号完整性的影响。为了解决这些问题,EDA 厂商正在努力打破“先设计再仿真”的传统方法,为设计师在流程更早期便提供设计分析能力——也就是通常所说的“分析左移”或更学术的说法“设计中分析”。这使得设计师能够进行更多的系统设计和协同优化,例如分析信号穿过 SerDes 通信通道时的完整性,这个过程包括信号从发射器 IC 芯片经过其封装,穿过 PCB,到达接收器 IC 的封装,最后进入接收器的芯片。 “分析左移”的方法让设计师能够更系统地去思考,强大的设计工具可以帮助设计师识别跨域约束的冲突,安全且及时地发现优化机会。现在的挑战是如何有效地探索这些扩展的设计空间,特别是习惯在单一领域(比如 IC 或 PCB)工作的设计师,他们更需要适应并学习多领域协同优化。此时 ML 技术终于迎来大展身手的舞台。尤其是现在大火的生成式 AI 技术,它可以基于最初在多个候选设计的物理基础上训练模型,产生设计选项,例如 IC 中连接层的过孔。对候选参数进行仿真时,生成的数据将被反馈给模型,用于强化学习。模型会保持不断更新,并不断生成更好的候选设计,反过来推动模型的进一步演化。值得一提的是,Cadence 在 Optimality Intelligent System Explorer 工具中实现了上述流程,帮助设计师解决了在大幅扩展的系统设计空间中面临的“选择困难症”。 将 ML 应用于电子设计的下一个方向,很可能会涉及设计师和 EDA 工具供应商所拥有的大量设计数据集,通过这些海量的数据,来提取出代表设计成功或失败警告的模式。此时设计将变成一种协同工作,由设计师和 AI 助手携手在已知模式的限制下共同探索新的设计空间。在新场景下,早期设计探索可能不再由仿真工具驱动,而是更依赖于辅助应用程序,AI 助手不会简单地告诉设计师“不要做”,而是会根据数据分析,指出哪些特征可能导致失败,引导设计师做出更好的选择。虽然在实现这样的联合试点工作之前,我们还有很长的路要走。但 Cadence 已建立起 Cadence Joint Enterprise Data and AI(JedAI)Platform,利用数据库基础设施、工具和路线图、经验和见解,将 ML 和 AI 的力量应用于电子设计。Cadence 将助力设计师们始终走在全球创新前沿,不断推动创新的边界! 来源:Cadence楷登

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈