技术分享︱SIMFORGE HSF® 网格加密与热点加速技术实践

38分钟前浏览2

引言

工程仿真规模持续增大后，网格和计算往往同时成为瓶颈。关键区域需要更高分辨率，网格变化后拓扑、边界和场数据仍要保持完整，长时间迭代中的高频循环还要充分利用并行硬件。SIMFORGE HSF® 围绕这条计算链路，逐步形成了 SAMR、USTR 两类网格加密能力，并将 GPU 热点计算接入统一的求解流程。

本文将按两部分展开：第一部分介绍网格加密，分别对应 SAMR 的分层自适应和 USTR 的非结构网格细分；第二部分介绍热点加速，从 GPU 计算路径、算子优化到工程算例验证，展示这些能力如何在同一框架中衔接。

Part1 网格加密

/ 围绕“哪里需要更细”和“加密后信息是否完整”展开

01 HSF-SAMR：面向复杂几何与流场演化的自适应加密

SAMR 采用 Octree 管理空间层级，每个叶节点关联规则 Block。Octree 负责网格层级与空间拓扑，Block 负责局部数据存储和高效遍历。这样的组织方式可以在全局保持灵活的加密层次，同时利用规则块内连续、规整的数据访问。

图1 SAMR 多层分块网格示意：不同区域可处于不同分辨率层级

1.1 几何自适应与指定区域加密

复杂外形进入计算域后，框架可根据 STL 表面与网格的空间关系，在几何边界附近自动提高分辨率。对于尾迹区、局部观测区等已知重点区域，也可以直接用 Box 描述加密范围，将网格细化到指定层级。

图2 几何自适应：复杂外形附近自动形成更细的网格层级

指定区域加密和几何加密可以叠加使用。应用层只需要给出区域与层级，底层完成 Octree 调整、Block 重建和后续数据准备，求解器仍通过统一的数据容器访问场变量。

图3 指定区域加密：通过空间范围控制局部分辨率

1.2 体素化：让几何边界进入网格体系

网格生成之后，还需要确定计算单元与几何模型之间的关系。SAMR 采用两级体素化：先以 Block 为单位快速区分 inside、outside 和 cross，再对相交 Block 内的 Cell 做精细判断，得到边界单元及切割信息。这样可以把高成本几何判断限制在边界附近。

图4 两级体素化：先定位相交 Block，再细化到 Cell 级边界判断

体素化结果直接服务于浸入边界、切割单元和边界条件处理。远离几何表面的规则区域仍保持连续 Block 计算，边界附近则保留更细的几何描述。

1.3 解自适应与场数据迁移

流场特征会随时间演化，固定加密区很难覆盖所有关键结构。SAMR 可以从速度梯度、涡量等场量提取加密依据，生成 refine、coarsen 和 unchange 标记，再完成 Octree 拓扑调整。细网格随特征区域移动，计算量也随之重新分布。

图5 解自适应示意：细网格随局部特征区域重新分布

网格层级变化后，场数据还要同步细化或粗化。框架在网格更新过程中完成插值、平均和数据迁移，并配合逐层负载调整，使新的网格拓扑可以直接进入下一阶段计算。

02 HSF-USTR：面向非结构网格的多单元细分与集/合继承

USTR 面向非结构网格，加密时需要同时处理单元形状、点线面体拓扑、跨进程编号和算例集/合。当前加密能力已覆盖工程算例中使用的主要三维单元类型。不同单元采用各自的细分模板，上层统一使用父子关系、拓扑重建和集/合更新流程。

2.1 从单元细分到完整网格重建

以六面体为例，一个母单元通过边中点、面心和体心等新增节点完成规则细分，形成 8 个子单元。多层加密由一次参数设置触发，框架连续完成节点生成、子单元构建和父子关系记录，最后统一更新所需的拓扑与相关变量。

图6 USTR 并行网格加密需要同时处理单元细分、编号、拓扑和边界集/合

这套流程的重点在于把几何细分和网格语义放在同一个阶段处理。加密层数提高后，Cell2Node、节点坐标、单元属性、单元类型、局部到全局编号等信息都要同步更新，避免后续模块再做二次修补。

2.2 分布式新增节点与全局编号

并行环境中，同一个进程边界上的新增节点可能由多个进程同时看到。USTR 复用原有 Shared Node / Edge / Face 关系识别加密后的共享实体，并使用确定性的层级关系对共享节点排序，避免浮点坐标排序带来的不确定性。随后依据 Owner 和全局 Offset 生成编号，再将 Owner 侧的全局 ID 同步给邻接进程。

原有进程边界信息在这里发挥了重要作用。它可以直接作为新 Shared 实体的查找入口，减少从零遍历和重建通信关系的成本，也使多层加密后的拓扑关系保持可追踪。

2.3 点、线、面、体集/合跟着网格一起加密

工程算例中的材料区、载荷、约束和接触条件通常依赖 Subset。Cell、Face、Edge 集/合可以根据父子实体关系直接映射到细分后的网格。Node Subset 更复杂：同一个点集/合在物理上可能表示一条边、一个面，甚至一组单元。

表1 USTR 加密过程中需要同步维护的典型信息

因此，USTR 为点集/合提供 NODE、EDGE、FACE、CELL 四种重建语义。用户可以明确点集/合对应的几何实体，框架先恢复原有边、面或体集/合，再根据细分关系生成新的点集/合。这样可以保持边界范围和物理作用区域不随加密发生偏移。

USTRMesh 
uMesh(comm);uMesh.setRefineLevel(refineLevel);
uMesh.setNodeSubsetRebuildMethod(HSF::SetType::FACE);

2.4 加密结果进入完整验证链路

加密完成后，验证首先检查跨进程全局编号。各进程输出新增节点的全局 ID 与坐标并汇总，确认不存在“同一全局 ID 对应不同坐标”的冲突。随后通过可视化对照加密前后的边界集/合，确认点、线、面、体集/合仍位于正确位置。

图7 USTR 加密验证：全局编号一致性与边界集/合继承同时检查

这类验证直接对应求解阶段的使用需求。边界集/合一旦缺失或错位，接触搜索、载荷施加和材料区域识别都会受到影响；把编号一致性和集/合继承放进网格加密的基础测试，可以在求解器运行之前发现问题。

Part2 热点加速

/围绕“计算如何放到GPU上”和“端到端性能如何提升”展开

03 热点计算路径：保持求解流程稳定，把高频算子下沉到 GPU

长时间迭代中，高频算子会逐渐占据主要计算时间。以 LBM 为例，碰撞和迁移都具有规则、重复和高并行度的特点，适合交给 GPU 执行。HSF 保留原有迭代器组织方式，由 CPU 负责流程控制和必要的数据准备，设备相关实现集中在热点算子层。

进入热点计算前，迭代器取得 Block 和场数据的连续指针，统一调度入口再将计算提交到 GPU Kernel。上层求解器仍沿用原有流程，不需要维护两套相互独立的计算逻辑。

图8 GPU 热点计算路径：数据组织与设备端算子分层处理

04 GPU 算子优化：扩大并行粒度，减少数据搬运

4.1 合并循环，增加单次 Kernel 的有效工作量

热点代码首先处理并行粒度。原程序通常按 Block 遍历，再进入 ijk 多层循环；GPU 路径将外层 Block 与内部网格索引映射到统一线程空间，让更多网格点在同一次 Kernel 中并行执行。迁移过程中的多个小循环也尽量归并到共同的数据访问模式，减少频繁启动 Kernel 和重复索引计算。

4.2 数据传输逐渐成为端到端瓶颈

当 Kernel 计算速度明显提高后，Host 与 Device 之间的数据往返会在总耗时中占据更大比例。一次热点计算的时间拆分可以直观看到这一变化：纯计算已经压缩到很小的时间片，而数据拷贝仍然需要承担固定成本。

图9 GPU 热点中的数据传输与带宽：Kernel 加速后，数据搬运成为主要优化空间

后续优化的方向也随之明确：尽量延长关键场数据在 GPU 上的驻留时间，让连续热点算子复用同一份设备数据，只在确有需要时回写 CPU；同时减少中间格式转换和临时缓冲区重建，把端到端收益从单个 Kernel 扩展到完整时间步。

05 GPU热点加速验证：数值一致性与端到端加速效果

5.1 小球绕流：先确认 CPU / GPU 结果一致

热点迁移完成后，首先通过经典小球绕流算例检查数值一致性。算例采用多层网格加密，细网格集中在球体近场和尾迹区域。CPU 与 GPU 计算得到的阻力系数保持一致，速度场分布也相互吻合。

图10 小球绕流的多层网格布置

图11 同一时刻的速度场对比：CPU 与 GPU 结果保持一致

表2 小球绕流阻力系数对比

5.2 热点性能：Kernel 收益已经比较明显

在相同算例规模下，迁移热点的 GPU 纯计算加速约 77 倍，包含数据传输后的端到端加速约 4.6 倍；碰撞热点的纯计算加速约 190 倍，端到端加速同样约 4.6 倍。两组结果说明 GPU 侧计算能力已经得到发挥，总体性能进一步提升主要取决于数据驻留和传输策略。

图12 迁移与碰撞热点的 GPU 加速效果

5.3 大规模外流场：网格能力与热点加速协同工作

在更大规模的外流场算例中，SAMR 通过多层网格把分辨率集中在艇体近壁面和尾迹区域，求解器在此基础上执行长时间迭代。速度场与压力场能够连续呈现尾迹结构，也说明网格组织、场数据和热点计算可以在同一计算链路中稳定衔接。

图13 大规模外流场算例：多层网格、速度场与压力场结果

06 结语

从网格加密到 GPU 热点优化，SIMFORGE HSF^® 目前已经形成两条比较清晰的技术链路。SAMR 负责复杂几何和演化流场中的局部分辨率，USTR 负责非结构网格细分后的拓扑与集/合继承；进入求解阶段后，迭代器继续组织数据，把高频算子交给 GPU 执行。

这套能力的价值体现在应用层：网格可以围绕关键区域持续细化，加密后边界与材料信息能够直接沿用，求解器也无需因为硬件路径变化大幅重写。

神工坊^®团队将持续深耕 SIMFORGE HSF^® 超智融合数值引擎的研发，继续围绕复杂单元、集/合条件、网格更新过程中的数据复用，以及 GPU 数据驻留与多算子融合等方向展开攻关。

应用场景 | 从“救火”到“预判”：高保真数字孪生重构两机运维

航空发动机、燃气轮机（简称“两机”）被誉为高端装备领域的“工业皇冠上的明珠”，长期运行于高温、高压、强交变载荷等极端工况；在这些极端工况下，叶片疲劳、气流畸变、燃烧失稳、转子磨损等渐进式退化隐患，难以通过传统监测手段提前识别。传统运维模式从故障后维修、定期计划维修，发展至状态监测维修（CBM），但始终普遍存在过度检修、非计划停机损失大、故障预判精度不足等痛点。在此背景下，安全与成本成为两机全生命周期管理的双重枷锁——如何实现故障精准预判、降低运维成本、提升装备可用性，已成为行业必须破解的核心命题。维护策略演进路径01行业痛点：两机运维的三重核心难题1.1安全底线：极端工况暗藏致命风险航空发动机涡轮进口温度超1800K、总压比突破50倍，长期运行于如此极端工况，不仅易遭遇鸟撞、外物损伤等突发冲击，更会产生高温蠕变、疲劳裂纹等渐进退化。地面重型燃气轮机同样风险极高：一旦突发故障，将引发大面积停电、生产线停工。以LNG电站为例，单次非计划停机单日损失可达2500万美元。历史多起事故警示，关键转动部件疲劳断裂会直接引发灾难性安全事故，两机运维安全已刻不容缓。航发故障事故案例1.2成本压力：全生命周期运维开支高昂全球商用航空机队年度维护成本高达数百亿美元，维护支持成本平均占装备全生命周期成本的24%。重型燃机的定期拆解检修、备件储备与停机减产，更形成千亿级隐性损耗。这主要源于传统定时维保模式的两大弊端：一是对无故障设备过度拆解，抬高人工与备件成本；二是早期微小退化无法捕捉，错失最佳检修窗口。燃机全生命周期阶段1.3技术瓶颈：监测精度与效率双受限常规传感器仅能采集单点温度、压力、振动等时序数据，难以获取整机全域流场、应力场与热场物理细节。纯数据驱动模型缺乏机理支撑，在大迎角流动分离、激波、燃烧振荡等复杂工况中，其预测误差尤为显著。传统仿真则受限于算力不足，无法支撑整机亿级网格实时推演，难以实现小时级故障预判与剩余寿命评估。02神工坊®两机健康管理技术体系2.1超智融合数值引擎：驱动两机三重孪生与智能决策神工坊®以自研SIMFORGEHSF®超智融合数值引擎为底座，融合几何、物理、数据三大孪生维度，打通“仿真计算-数据同化-智能预测”全链路，为航空发动机与燃气轮机（两机）提供覆盖全生命周期的高保真健康管理能力。依托国家超算中心技术转化成果，方案支持百万核并行与GPU加速，并可通过SIMFORGE™平台技术实现Web端轻量化访问。突破传统仅三维可视化孪生的局限，神工坊®可将整机亿级网格实时推演与多物理场耦合分析融入运维场景，真正实现从“外观可视”到“机理可算、退化可判”的跨越。高保真数字孪生CBM技术路线1.几何孪生：整机全流道无简化建模全流道高保真框架：摒弃传统部件拆分与周期边界假设，复用两机整机360°全流道几何，完整保留风扇、压气机、燃烧室及涡轮叶片排布，无周向简化，精准还原动静干涉、周向热斑迁移等退化诱因。亿级网格规模：整机非结构网格最高达50亿（燃机30亿），按部件分块存储，支持分部件精细退化仿真与全局整机联动仿真双模式。高效并行计算：基于滑移边界AMI并行优化，百万核并行效率稳定80%，兼顾仿真精度与在线更新速度。多分辨率网格策略：提供多分辨率网格快照，在线更新采用亿级轻量化网格，离线推演采用全精度网格，智能平衡算力与精度需求。NF3数字孪生风洞几何孪生2.物理孪生：多物理场耦合高保真仿真多物理场统一求解框架：统一CFD流体、FEA结构、燃烧、传热、多相流求解框架，集成多物理耦合数值求解库HSF-UNAP与众核加速中间件HSF-UNAT，融合可压缩流体、喷雾燃烧、热辐射、固体热传导、结构疲劳蠕变等物理方程，同步求解流场温度、叶片应力、振动幅值、腐蚀速率分布。AI加速与智能模型：采用HSF-AI初值预测求解加速，配套智能湍流模型、燃烧代理模型，实现小时级整机状态还原。流固耦合退化复现：通过不动点迭代联立流体-固体耦合方程，精准复现燃烧尾迹诱发叶片蠕变、压气机尾迹振动加剧疲劳裂纹等耦合退化机理。批量工况推演与数据库：支持上千组循环工况并行批量推演，积累不同飞行剖面与调峰负荷下的部件退化数据库，为寿命预测提供高保真机理样本。航发整机高保真孪生3.数据孪生：多源监测数据实时同化融合多源数据打通与标准化：打通机组传感器时序数据、地面试车台、进厂探伤检修、台架故障试验四类数据源（燃机另含电网调度、蒸汽冷却、燃烧排放等数据），统一时序、空间、物理量标准，消除数据孤岛。智能同化与多物理场模型修正：采用DASR（数据驱动符号回归）智能同化框架，作为一种可解释的白盒学习方法，从实测数据中提取显式物理表达式，反向修正全域仿真的流体、燃烧、结构等多物理场模型，显著提升复杂工况下的预测精度。健康基准动态更新：每次运行循环后自动更新健康基准，精准区分正常性能衰减与突发故障偏移，实现退化过程的实时追踪。双驱动故障样本库：历史拆解、仿真复现、试验故障样本统一入库，构建机理+实测双驱动故障样本库，破解工业场景故障样本稀缺难题。物理故障特征提取：基于仿真温度、应力、振动三维场自动提取叶片裂纹、燃烧振荡、喘振前兆、热腐蚀等数百类物理故障特征，区别于仅提取单点时序特征的传统PHM，为AI诊断与寿命预测提供高价值物理依据。DASR智能模型架构4.智能决策落地：从孪生推演到预测性维护分层智能诊断：构建浅层AI快速预警与深层高保真仿真回溯的分层诊断机制，精准定位故障位置、剖析诱发机理，并量化输出恶化速率，实现由表及里的故障演化分析。分部件寿命预测：并行推演不同剩余使用循环下的蠕变、疲劳累积损伤，分部件精细化输出剩余使用寿命（RUL），为精准检修提供量化依据。预测性维护决策：搭建智能决策中台，综合对比事后抢修、固定周期检修与预测性维护三类模式的成本与风险，推荐最优检修窗口，联动备件库存优化与机队健康管控。数据沉淀与设计反哺：沉淀装备全生命周期数字档案，将运维阶段积累的退化数据反向输送至设计端，支撑型号迭代优化与装备延寿评估。2.2虚实双轴闭环：驱动预测性维护落地方案构建“物理装备轴+数字孪生轴”双轴闭环运维体系，完整覆盖在线监测、状态评估、故障预警、维修决策、模型迭代全流程——实时在线监测：采集机组温度、压力、振动、燃油流量等多维度运行参数，同步输入数字孪生体；虚实状态比对预警：高保真模型实时输出全域物理场，对比实测数据识别微小参数偏移，生成分级预警；剩余寿命与故障溯源推演：多工况并行仿真推演部件退化趋势，定位损伤位置、量化剩余使用寿命，输出精准维修建议；线下检修与基线校准：依据孪生诊断结果开展定向检修，检修后实测数据回流数据库，更新孪生模型基准，持续提升预测精度；全生命周期数据沉淀：积累设计、制造、运行、检修全阶段数据，迭代故障数据库与智能算法模型。三类维护模式流程对比03场景落地：两机健康管理的空/地/海多域延伸3.1商用航空发动机机队健康管理适配民航客机涡扇发动机，支撑机队长期服务协议（LTSA）与按飞行小时（PBH）数字化服务计费；精准预判喘振、叶片断裂、高温烧蚀等灾难性故障，杜绝飞行安全事故，优化航班准点率，降低航司运维成本，支撑适航取证与故障复现分析。3.2军用航发全生命周期PHM面向军机动力装备，实现极端机动工况、高原/海洋复杂环境下整机状态监测，提前预判叶片裂纹、轴承疲劳、燃烧振荡等故障，保障装备出动可靠性。全生命周期退化数据反向反馈设计端，支撑型号迭代优化与延寿评估。3.3重型燃气轮机电站运维适配联合循环电站、分布式能源、海上平台燃机，提前预警燃烧振荡、叶片蠕变断裂等重大故障，避免非计划停机造成电网供电缺口，单日减少数千万级发电损失；有效压降整机年度维护成本、减少备件库存资金占用，延长机组服役寿命；通过孪生仿真优化燃烧热斑分布，同步降低NOx排放与高温部件损耗，技术可迁移至联合循环电厂汽轮机、余热锅炉、分布式能源站微型燃机、钢铁化工工业燃机等场景。3.4舰船动力燃气轮机健康管控适配驱逐舰、高速客轮航改燃机，针对高盐雾、高冲击海洋环境做模型适配，实时评估动力系统健康状态，保障航行安全。同步支撑船舶重型燃机动力健康数字孪生、舰艇发电机组故障数字化复盘等场景。04结语两机装备智能化运维是高端装备国产化、数字化转型的核心环节。神工坊®依托以超智融合数值引擎为底座的高保真数字孪生技术，为航空航天、能源动力行业提供自主可控、可量化收益的两机健康管理解决方案，助力行业从“被动维修”全面迈向预测性、主动式智能运维新时代。