计算流体动力学（CFD）持续演进，但在21世纪初曾陷入短暂停滞。这一现象催生了众多报告与文章，揭示了我们当前面临的重大挑战。尤为引人注目的是NASA发布的2030年CFD愿景报告，该报告深入剖析了六大关键挑战，指出唯有克服这些挑战，才能实现CFD能力的飞跃。报告还提出了四大宏伟目标，其实现前提是六大关键领域的全面突破。

本文将深入探讨NASA通过调研、研讨会及与核心利益相关方的交流所识别出的关键挑战。鉴于2030年CFD愿景发布于2010年代中期，如今正值其发布与目标年份的中点，我们得以初步评估部分挑战的解决进展。同时，我们将列举一系列当前可研究的主题清单，供您自行验证在关键领域的进展情况，为最终攻克四大宏伟挑战奠定坚实基础。

主要内容

• 介绍
• CFD中的挑战：六大发展领域
  • 高性能计算
  • 湍流物理建模
  • 数值算法
  • 几何和网格生成
  • 知识提取
  • 多学科分析与优化
• NASA关于CFD的四大挑战
  • 挑战1：复杂工业问题的壁面解析LES模拟
  • 挑战2：非设计工况下的涡轮风扇发动机瞬态模拟
  • 挑战3：高灵活的先进飞机器的多学科分析与优化(MDAO)
  • 挑战4：有人驾驶空间再入构型的概率分析
• 他们遗漏了什么？当前CFD中的新兴挑战
• 通向下一代CFD
  • 2015 – 2030年路线图
  • 您可以研究的主题来克服CFD中的挑战
• 总结

1 引言

20世纪70年代初，麦道公司与洛克希德公司分别推出了具有里程碑意义的DC-10和L-1011三星客机（如下图所示）。这两款飞机凭借其独特的三发设计，在远程飞行领域占据领先地位，仅在设计与航程、载客量上与波音的747巨型喷气式飞机形成竞争。至80年代末，随着DC-10和L-1011三星逐渐接近退役，航空公司开始积极寻找合适的替代机型。

波音公司持续对其747系列进行升级，推出多种改进型号，并计划在未来数十年延续这一策略；而麦道与洛克希德则各自探索新的替代方案。竞争愈发激烈，相较于70年代，美国制造商不得不面临以空客为名的欧洲势力的严峻挑战。空客亦不甘示弱，推出A330和A340机型，力图抢占这一细分市场。一时间，航空公司在选择上显得颇为丰富。

波音发现航空公司对其加长版的767兴趣寥寥。面对多样化的选择及制造商间的激烈竞争，波音意识到必须全新设计一款能满足所有航空公司需求的机型。最初，他们设计了波音777三发版（如下图所示），外观与DC-10和L-1011三星客机颇为相似，但最终放弃了这一方案，转而采用了如今广为人知且备受争议的双发设计。

我为何提及这些？首先，我对飞机及其历史的热爱溢于言表（我的某些学生或许已在某次讲座中“有幸”领略过这一点），但航空航天业素来有采纳新兴和颠覆性技术并将其推向极致的传统，远超其最初应用时的设想。

我们正处在一个类似的转折点：氢能被提议作为Jet A1燃料的替代品，这要求全新的飞机设计理念。尽管外观相似，内部系统却需彻底革新。波音787梦想客机的推出标志着碳纤维材料的大规模应用（初期虽遇挑战），空客A320推动了电传飞行控制技术的普及，而波音777则是首架完全基于计算机辅助设计（CAD）构建的飞机。

因此，航空航天业成为推动计算流体力学（CFD）超越现有应用领域的主要驱动力之一，实属意料之中。正是得益于这一行业的持续努力，CFD才得以发展到今日的强大水平。通过不断投资、研究和创新，CFD方法得以开发、成熟并广泛应用于商业CFD求解器中，不仅航空航天业受益，其他行业亦从中获益匪浅。

鉴于此，航空业率先勾勒出当前CFD领域面临的挑战，显得尤为明智，这些挑战并非仅限于航空航天行业。

NASA在2010年代中期牵头成立了一个委员会，旨在识别CFD中的关键挑战。该委员会由学术界、产业界和政府机构的专家组成，确保了全面的视角和专业性。初步的挑战是通过调查收集到的，随后举办了一次研讨会，最终成果就是我们现在所知的NASA 2030年CFD愿景。

这份发布的报告直接回应了CFD领域内众多领军人物所感知的CFD发展停滞问题（不过别担心——大约在那时，我启动了博士研究，危机得以化解……）。

报告详尽剖析了当前CFD研究中构成瓶颈的关键性挑战。尽管成文于2010年代中期，但至今仍有诸多未解的研究难题亟待破解。如今，我认为审视2030年CFD愿景，并评述近期的成就、新兴挑战领域以及2010年代中期未能预见的机遇，颇具意义。

与2030年愿景相关的是，其他作者亦捕捉到这一理念，提出了他们自身的CFD挑战。意料之中，他们的见解在某种程度上反映了相似的挑战，仅在措辞和术语上略有差异。然而，有一项研究格外引人注目，即Spalart和Venkatakrishnan的成果。他们在CFD社区中声名显赫，且因卓越贡献备受认可，发表了一篇关于航空工业所面临的CFD挑战的研究。

我想，这或许是退休后消磨时光的绝佳方式（无意评判）。我确实偶尔会收到来自Spalart的邮件摘要（这是一个拥有约170名参与者的邮件列表），指导我们所有人正确运用Spalart-Allmaras模型。这些内容极具信息量（且毫不偏激）。言归正传。

在他们的研究中，他们生成了以下图像：

此处，绿色区域代表CFD（计算流体动力学）的常规且自信的应用领域，紫色区域则凸显了CFD使用日益广泛的新兴趋势，而红色区域则是CFD尚未普遍应用的领域。尽管该图源自2016年，但选择任何一个紫色或红色区域，均可作为生成研究思路乃至博士研究提案的便捷途径。

观察可见，绿色区域主要涵盖稳态RANS模拟，而紫色区域则多与非稳态模拟相关，无论是非稳态RANS（URANS）还是采用某种形式的尺度解析湍流建模方法（如DES、SAS、LES）。

值得一提的是，黑色区域象征着常识性目标，同时也是波音公司努力实现的愿景——或许这可视作波音的2030年展望。然而，衷心希望他们能加速实现这一目标！

因此，在本文后续部分，计划梳理NASA 2030 CFD愿景报告，并着重分析其所识别的挑战；进而探讨几个可供选择的领域，以供您构思自身研究项目——若您有意为当前CFD面临的挑战贡献力量。

2 CFD中的挑战：开发的六个关键领域

美国国家航空航天局（NASA）指出了当前计算流体动力学（CFD）发展过程中存在的六大关键瓶颈领域。为将CFD推向下一代工具和方法，我们必须携手攻克这些挑战，方能取得突破，将现有CFD技术提升至崭新高度。下面，我们将逐一审视每个领域。

2.1 高性能计算

这无疑是一个极佳的切入点，因为我曾在之前关于GPU计算在CFD中应用的博文中有所涉及。然而，NASA此次提供了更为详尽的剖析。GPU虽仅为解决方案的一部分，但其低功耗特性却是其强大之处的重要基石。

然而，未来高性能计算（HPC）系统的本质在于异构性（即CPU与GPU的结合）。为高效运行CFD软件，我们须能并行驾驭两者。多数既有CFD代码基于纯分布内存方法设计，转向混合方案——即同时利用CPU和GPU，并融合分布内存与共享内存的方法——可能需全新编写代码（或投入巨资改进现有代码）。

编程语言和库亦需与时俱进，因为编写能在不同HPC硬件架构上具备强扩展性的CFD求解器，既需计算机科学专长，亦需CFD领域的深厚知识，而这两种技能往往各自独立。因此，打造扩展性强的CFD求解器非单一人才所能为，而是一项固有的多学科协作任务。若欲编写出如Fluent、OpenFOAM等软件的下一代作品，必须觅得具备互补技能的强力合作伙伴。

CFD代码的扩展性不足。长期以来，高性能计算（HPC）研究的核心目标在于构建首个具备埃克斯浮点级（Exascale）计算能力的集群系统，这一目标现已达成。然而，如何充分利用这一庞大的计算能力则构成了全新的挑战。在1000个计算核心上实现良好的扩展性固然是一项重要成就，但随着埃克斯浮点级集群的逐步普及，代码必须能够在100万甚至更多核心上高效扩展，才能真正发挥这些计算资源的潜力。

百万核心级别的计算带来了前所未有的挑战。输入数据的规模和处理产生的数据量已远超人工处理能力，因此必须借助自动化工具完成预处理和后处理，以适应如此高度的并行化需求。目前已有多种工具被开发用于解决这一问题，但其跨处理器的扩展有效性仍有待验证。

更为关键的是，代码的开发和测试必须在相同的HPC架构上进行。如果开发者仅依赖个人笔记本电脑或台式机进行开发，并在消费级显卡或四核CPU上进行性能测试，即使代码在这些设备上表现良好，一旦扩展到更多核心或GPU时出现性能下降，这种开发模式将失去实际价值。因此，开发者需要获得相应的分析测试技术，以确保其代码能够在大规模的异构计算节点上实现有效扩展。

2.2 湍流的物理建模

在展望2030年CFD发展愿景时，高性能计算机集群的计算能力已接近实现翼型在实际雷诺数条件下的大涡模拟。这一突破性进展如图所示：

在该图表中，x轴表示计算能力，y轴则对应所需内存容量。2010年代中期，计算能力已达到Petaflops级别。随着对ExaFlop级计算能力需求的提出，这一目标现已实现，使得大规模LES模拟成为可能。这一进展成功解决了关键挑战之一，而HPC设施的持续改进只需时间积累。

湍流模型面临的主要问题在于其校准范围虽广，但主要基于简单流动类型（如平板、管道流动、剪切层等）进行调整。尽管这些模型能够处理复杂几何形状的流动，但在预测次级流动结构和分离现象时往往表现欠佳。为扩大其应用范围并充分利用实验数据，有必要公开实验工作、校准过程以及验证与核实研究。

基于RANS的湍流模型建立在流场完全湍流的假设基础上。当层流到湍流的转捩过程起关键作用时（如翼型和机翼的失速预测），传统RANS模型难以准确预测这一现象（这也是RANS模型仅能在流动稳态且贴壁情况下可靠使用的原因，如图中Spalart和Venkatakrishnan所标注的绿色区域所示）。

以Otto Aviation公司的Celera 500L飞机为例，这款以激进设计促进层流流动而备受瞩目的飞机（对其基于数值结果的性能优势持保留态度），传统RANS模型将无法准确预测其升力和阻力特性。

基于转捩的RANS模型虽已开发并取得一定应用成效，但最常用的Re-theta-Gamma k-omega SST和k-omega SST-Langtry-Menter模型主要依赖相关性而非物理原理。当应用于超出相关性范围的流动时，这些模型可能失效，与其他RANS模型面临相同局限。值得注意的是，这一发展主要由ANSYS推动，且模型的部分细节尚未公开。

替代方案如k-kl-omega模型基于物理原理构建，因此在预测转捩现象方面更具潜力。然而，该模型仅关注自然转捩和旁路转捩，忽略了横流转捩和分离诱导转捩。当这些因素至关重要时（例如翼尖处由横流引发的转捩，这显著影响气动颤振预测），即使该模型也无法准确捕捉相关现象。气弹性和颤振问题在Spalart和Venkatakrishnan的图表中以紫色区域表示。

问题的复杂性在于，解的准确性不仅取决于湍流模型的选择，还受求解流场网格的影响。不同模型对网格诱导建模误差的敏感性各异，其中基于转捩的RANS模型具有最严格的建模约束。截至目前，关于使用基于转捩的RANS模型求解湍流流场所需网格分辨率的最佳实践指南尚未明确。

对于DES和LES模拟，要求在远场区域捕捉约80%的湍动能（或远离任何壁面几何结构）。这一要求虽易于表述，但实现难度较大，因为大多数求解器（若非全部）缺乏验证此功能的能力（由于缺乏统一验证方法）。通常，用户需自行选择并实施某种近似方法，以确保DES和LES能够正确运行所需的流动细节足够丰富。

2.3 数值算法

在中等至高雷诺数条件下进行RANS模拟时，获得收敛解往往面临显著挑战。多数情况下，完全收敛难以实现，这源于不同湍流模型所固有的各种建模假设。在此情形下，通常采用替代指标来证明收敛性，例如通过监测升力或阻力系数等积分量是否在预定义的平均窗口内趋于稳定。

若无法通过改进湍流模型本身来促进收敛，则需加强加速收敛技术的研究。这些技术（如基于CFL的进化策略）在有效时效果显著（在某些简单测试案例中，仅需约20次迭代即可达到机器精度（1e-14）的收敛水平）。

然而，即使这些技术能够发挥作用，目前仍缺乏一种通用方法来判断广泛流动情况下的收敛性。判断收敛仍需依赖领域专业知识（如翼型的升力和阻力、再附着流的壁面剪切应力、化学反应流的热传递率等），这使得收敛性判断仍是一个备受关注的话题。自2030年CFD愿景报告发布十年以来，通用的衡量标准依然缺失。

数值算法领域的另一个待改进之处是不确定性量化。尽管已有一定进展，但在多数情况下仍未得到充分探索。通常仅进行网格依赖性研究以部分量化不确定性，然而不确定性量化这一领域广阔无垠，不仅限于CFD自身，却鲜有额外工具被用于量化模拟中的不确定性。

即使不确定性和误差量化具有广泛的应用潜力，但将其直接引入CFD工作流程也并非易事。边界条件和初始条件的误差与不确定性量化尤为复杂。湍流量通常基于平均湍流强度和假定的（近似的）湍流长度尺度进行近似计算，而这些量在边界上往往并非恒定。尽管如此，我们仍依赖这些平均值来推动求解收敛。

建模误差的量化同样充满挑战。虽然可以通过一阶、二阶或更高阶近似来表述导数或插值带来的误差，但在其他领域，量化难度显著增加。例如，RANS湍流模型中充斥着平均场量与未解析湍流量之间的假设相关性、闭合系数，以及为模拟某些假设行为所需的额外项。

此外，现有CFD方法中使用的误差估计方式也存在问题。通常采用线性化误差估计来量化误差，这种方法在稳态流动中表现良好，但在随时间变化的流动中却呈现出无界增长的趋势。随着CFD领域逐渐转向DES和LES以应对现有挑战，探索更多方法来量化和时间相关流动的误差与不确定性变得至关重要。

2.4 几何及网格生成

这或许是我在这整个领域中最为钟爱的部分。并非因为我特别痴迷于网格生成（尽管我确实觉得这一过程极具成就感），而是因为这一领域蕴藏着大量待挖掘的工作，却似乎鲜有人问津。

我曾进行过一项统计，对比了湍流建模领域与网格生成及其相关CAD到CFD领域的论文数量。你能否猜到，湍流领域的论文数量竟是网格生成的多少倍？答案是42倍。首先，42这个数字本身就颇具意味，但它更揭示了研究资金分配上的巨大鸿沟。

事实表明，不仅CFD从业者对网格生成过程感到难以忍受，甚至连那些可能从未涉足网格生成的政府资助机构也不愿在此主题上投入资金。我觉得这种现象颇为有趣，但话说回来，我也觉得代码文档编写很有趣，然而我深知这份热情鲜有人共鸣（从读者数量便可见一斑）。

随着我们迈入百亿亿次计算的新时代，长期以来对网格生成工具的资金投入不足问题开始显现其负面影响。网格生成亟需实现自动化，并能在多核环境下高效扩展，然而，大多数现有的网格生成器却难以自动生成高质量网格。

自CFD 2030愿景发布以来，新型工具层出不穷，尤其是Ansys Fluent meshing，堪称当前顶尖的网格生成工具之一（或许更是佼佼者）。其操作直观便捷，自动化实现轻松高效（Pointwise中需耗时三周的任务，在Fluent meshing中仅需一小时），且稳定性出色。然而，面对复杂几何体时，仍有可能遭遇失败，这主要归因于底层CAD文件的质量问题。

由此引申出另一议题：目前尚无理想的格式用于CAD数据与CFD求解器或网格生成工具间的顺畅交换。多数行业对形状的粗略近似已感满意，而CFD对CAD文件的要求却极为严苛。理想中的CAD文件应封闭完整（实则鲜见），杜绝奇点，并规避因舍入误差引发的几何问题，如边缘不精确（这将干扰网格生成）。Gammon等人对CAD文件中潜在的各种问题进行了详尽的概述。

为破解此难题，我曾考虑提出专属的CAD格式（标准），尽管市面上已存在一些优质格式。其中，*.obj文件格式尤为突出，它支持水密性要求（虽非强制），允许表面分组（这对几何体不同部分分配边界条件至关重要），且相较于*.stl文件，内存利用更为高效。其不足之处在于，与*.stl文件类似，仅支持线性元素。

若*.obj文件格式能强制要求水密性并兼容非线性元素，或将迈出CFD专用且契合需求的CAD文件格式的重要一步。然而，创建、实施及测试此类格式耗时耗力，且似乎鲜有资金支持。尽管如此，这对CFD应用而言仍是一项关键且影响深远的功能，但目前看来，开发新文件格式的热情并不高涨。

2.5 知识提取

截至目前，提取计算流体动力学（CFD）模拟数据的主要途径是借助后处理工具，无论是CFD求解器内置的后处理模块，还是如Tecplot、Paraview、Fieldview等外部软件。随着网格点数量的激增，从模拟中获取信息愈发具有挑战性，将单个模拟数据下载至个人电脑亦变得不切实际。

为可视化这些模拟结果，需依赖大型集群，配备专用可视化节点、高性能显卡及充足RAM。即便如此，提取关键信息仍需对数据进行某种形式的处理，这通常涉及在后处理工具中执行一系列操作，或通过定制用户脚本来自动化该过程。诸多因素共同作用下，从大规模模拟中高效提取信息变得愈发困难。

尤其在采用有限元方法，特别是计算流体动力学领域的非连续伽辽金（DG）方法时，后处理软件亦需同步升级，以实现高阶元素的可视化。尽管CGNS文件格式支持存储高达四阶的标准高阶元素，但后处理工具在可视化这些元素方面仍显不足，凸显了使用高阶元素的局限性。实践中，为满足可视化需求，高阶元素往往需被分解为更小的线性元素。

若从单个CFD模拟中提取知识已属复杂，那么从一系列涵盖广泛输入参数范围的CFD模拟中获取信息则更具挑战。创建降阶模型（ROM）以处理高保真CFD数据仍远未得到充分利用，尽管我们投入高昂的前期成本构建ROM，但其高效提取信息的能力尚未充分发挥。

CFD数据常与实验数据结合使用，若条件允许。评估误差和不确定性时，不应将各组件视为独立实体，而需通过数据融合活动进一步挖掘CFD的潜力。从简单的异常检测到收集实验中的时间依赖性数据，并将其作为边界条件输入CFD求解器，以解决如指定平均湍流强度和积分湍流长度尺度等难题。

2.6 多学科分析与优化

我们正步入一个仅凭CFD模拟已不足以唯一提取信息的时代。相反，越来越多的CFD求解器相互耦合，以模拟多物理场现象。最为人熟知的例子莫过于流体-结构相互作用（FSI），在此过程中，流体求解器与结构求解器相耦合，CFD求解器提供的压力信息被传递给结构求解器，后者将其作为非均匀载荷来计算位移和应力。

尽管已有框架能便捷地进行FSI模拟，但众多其他基于物理的求解器亦可能从与CFD的耦合中获益。因此，多学科分析与优化面临的挑战在于，寻找一种通用方法来耦合两个或更多基于物理的求解器，以丰富可提取的知识（不仅限于CFD的压力，还包括固体求解器的位移等）。

在2030年CFD愿景报告中，强调了必须构建一种稳健的框架，以实现不同学科求解器的耦合，preCICE 即是朝此目标迈进的一个候选方案。它提供开箱即用的多求解器耦合功能，涵盖瞬态方程耦合、并行化支持以及在不同模拟间高效映射数据等期望功能。

然而，preCICE 尚未触及的领域是求解器间不确定性的传播，这正是2030年CFD愿景所提出的需求之一，旨在追踪整体模拟的不确定性。由于CFD模拟本身在这一领域仍处于积极开发阶段，目前尚无在多学科框架中有效管理此问题的方法。

此类模拟的另一障碍在于数据交换，这不仅涉及如preCICE 这样的库，还涉及模拟完成后数据的存储问题。以FSI模拟为例，如何存储相关数据？我们拥有来自CFD和固体求解器的两组解，它们可能分别存储在独立的数据文件中。对于CFD数据，CGNS数据格式 已成为标准存储方式，而多学科数据交换格式的发展亦需类似进展。

3 美国国家航空航天局（NASA）CFD的四大挑战

我们上面提到的六个领域为2030年CFD愿景提供了基石。这些都是CFD中的个别挑战，个人或研究团队可能希望解决，但为了证明已经实现了超越最简单测试案例的准备就绪，NASA提出了四个重大挑战，如果成功模拟，将证明在这些所有领域都达到了足够的成熟度。

鉴于NASA在航空领域的地位，这些CFD研究中的重大挑战都与航空应用有关。虽然几何形状可能是航空航天特定的，但改变几何形状可以将大多数这些挑战转化为其他行业。我们接下来将查看每个重大挑战。

3.1 复杂工业问题的壁面处理LES模拟

不出所料，湍流建模是我们在CFD（计算流体动力学）中需要克服的关键挑战之一，它与可用的计算资源紧密相连。NASA预测，将利用尺度解析湍流建模，即壁面建模LES或DES，在飞行包线的关键点上对完整的飞机配置进行模拟。

仅仅在HPC（高性能计算）方面的进步是不够的，CFD求解器需要采用算法改进，以在exascale HPC集群上运行模拟。要成功演示这一重大挑战，需要进行低速进近、起飞和动态机动等模拟，在这些情况下，湍流特性（如分离和激波-边界层相互作用）对行为的影响很大。

3.2 非设计涡轮风扇发动机瞬态模拟

在这个重大挑战中，预计将对发动机进行完整的模拟。这将需要旋转几何形状、尺度解析湍流模拟、解析燃烧过程、耦合传热以及预测气动噪声。这里的挑战是耦合可能超过一个求解器，以及不同的时间尺度，即从燃烧过程中找到的最小时间尺度到湍流时间尺度，一直到最高时间尺度上运作的能量包含涡旋。

实现这一重大挑战将允许进行虚拟发动机测试，这将包括预测压缩机激振和失速，以及燃烧过程的复杂细节，这些细节将与涡轮冷却紧密耦合。因此，尽管可以高度信任发动机进气口的流动，但随着流动进一步下游，并增加了如燃烧和冷却等复杂性，每个建模阶段的不确定性都会增加，并且它们需要被有效地捕捉和管理。

3.3 高度灵活的先进飞机配置的多学科分析和优化（MDAO）

这一重大挑战的基本目标是证明CFD可以用来优化复杂飞机几何形状，以适应飞行任务的不同阶段。这需要至少将CFD与结构求解器和飞行动力学求解器耦合，这些求解器将用于确定气动极限（颤振）、结构极限（塑性变形）以及在安全极限内的机动性（防止失速）。

第一步是耦合至少三个独立的求解器，这将需要大量的计算资源，如果预计在尺度解析湍流条件下考虑非定常飞行条件，不确定性传播变得至关重要，以避免模拟条件与飞行试验之间的差异。

3.4 动力空间进入配置的概率分析

他们的最终重大挑战旨在触及我们之前提到的六个改进领域，包括对代表性航天器周围流体流动的气热模拟，包括传热和材料特性的建模。此外，还需要进行不确定性传播和捕捉。正如我们在其他CFD重大挑战中看到的那样，尺度解析湍流建模与HPC计算相结合，以在此挑战中展示成功的性能。

4 他们遗漏了什么？当前CFD领域的新兴挑战

2030年CFD愿景是在2010年代初研究，并在一年后发布的。这意味着一些合并技术可能无法预见，或者它们存在，但并未被视为对CFD本身有足够重要的影响。特别是在2010年代初，有一个领域很难评估，我认为它值得在这里提一下，因为它正在迅速占据CFD工具链的各个领域，我预计它将变得更加重要。

我当然是在谈论人工智能（AI），特别是在这一学科中的机器学习和深度学习。

我们已经研究了ChatGPT编写CFD求解器的功能，并已确定它可以是一个很好的小任务工具，但不能用于编写整个求解器。然而，深度学习在CFD中的真正应用是用深度神经网络来取代模拟本身的高成本。

已经有几个研究小组正在研究用机器学习来代替纳维-斯托克斯方程，他们的结果看起来很令人印象深刻。然而，光看起来令人印象深刻并不是评判这些结果的标准，最终，从深度神经网络获得的结果必须用与基于纳维-斯托克斯的CFD求解器相同的高期望来评判。

质量、动量、能量守恒至关重要，尤其是在可压缩流动模拟中，而这正是机器学习算法无法提供满意结果的领域。如果机器学习算法用得太少的数据进行训练，或者允许它精确地拟合数据（过拟合），它将无法很好地泛化到它未测试的不同流动场景，从而变得无用。因此，总会存在一定程度的误差，这可能会违反我们的守恒定律。

因此，我们需要巧妙地使用我们的机器学习框架来利用它们的潜力，这就是研究需要集中注意力的地方，如果机器学习要在CFD社区中得到广泛应用，这一点至关重要。另一个问题是，不确定性量化将变得相当困难，因此在此领域取得的任何进步都必须与不确定性量化领域的损失相结合进行评判。

5 向下一代CFD迈进

好的，CFD（计算流体动力学）领域有很多挑战和需要克服的研究领域。第一次阅读时将所有这些内容都记在心里可能相当困难。因此，CFD 2030报告还为我们提供了一个实用的路线图和关键研究区域，我想在这里也突出显示它们，因为它们对于获得我们上面所看过的所有挑战的视觉概述非常有用，同时也提供了一份我们可以用来制定自己的研究项目的CFD挑战列表。

5.1 2015-2030路线图

2015-2030路线图提供了克服CFD中这些问题和挑战的路线图。由于自报告最初构思以来已经过去了一些时间，一些领域可能已经朝着实现这些挑战迈进，而其他领域可能落后。要深入了解我们的位置，需要进行深入的文献综述，这超出了本文的范围（我相信你们会感谢我没有用500篇学术参考文献轰炸你们）。

让我们来看看路线图：

来自 Slotnick et al. (NASA 2030愿景)

我们可以看到左侧的所有研究领域，我们可以看到HPC（高性能计算）是顶部的驱动因素。没有HPC，对于任何有意义的几何形状，CFD实际上是不可能的。我们还可以看到不同的研究流如何与其他领域互动，以及我们必须达到的技术里程碑，以证明任何给定发展的成熟度。

通过阅读学术文献，我知道在整架飞机上进行LES（大涡模拟）的第一个里程碑已经实现，所以事情正朝着正确的方向发展。由于我本人参与开发了FlowSimulator，这是一个用于多学科模拟CFD、结构、飞行动力学以及几乎任何其他用于全机模拟（包括优化）的平台，我对其他地方的类似发展也将实现下一个技术演示有信心。

我们还需要看看我们是否能在2030年实现所有技术演示，这很可能会是一个挑战。

5.2 可以用于克服CFD挑战的研究主题

计算工具和CFD求解器正在不断进化，每年都有许多新的版本问世。随着这些改进，HPC、自动化和实现的算法在解决我们上面看到的六个关键领域中取得了进步。因此，需要持续评估当前求解器的功能，以评估是否在实现2030年CFD愿景方面取得了显著的进展。

NASA提供了一份需要调查的可能主题列表，以监控对所有六个关键改进领域的进展，并致力于CFD本身的四个重大挑战。鉴于他们的航空导向，他们的列表严重偏向于这些类型的应用，但它们同样可以应用于各种其他行业。

以下是我复制并稍作修改的列表，使其不仅适用于航空航天应用（一些领域仍然严重偏向航空航天），这应该会给航空航天工程师以及其他学科工程师一个更好的想法，了解哪些领域需要关注：

• 对平滑表面（机翼）、钝体（汽车）以及激波诱导分离的流动分离研究
• 从层流向湍流的边界层流动转变及其后续再附着（预测机翼/汽车扩散器上的层流分离泡等）
• 浊流尾流相互作用和边界层相互作用或合并
• 棱角或交汇处的流动（机翼机身交汇处）
• 飞行中结冰及其积累的模拟
• 被动和主动流动控制以控制给定表面的分离点
• 转子机械流动（这里的主要问题是复杂性，即解析旋转部件、尺度解析湍流、燃烧和对流传热）
• 气热流动中的混合和冷却（热交换器），准确预测传热率
• 反应流，包括气体化学和燃烧
• 汽油喷射排气的模拟
• 乘客舒适度和噪声水平预测的气动声学（飞机、汽车）
• 在叶片尖端周围以高置信度解析涡流（直升机、风力涡轮机、螺旋桨）和机翼（翼尖涡流）
• 尾流危害的减少和避免（飞机进近和着陆时的间距，赛车运动以提高超越能力）
• 风洞试验和飞行试验之间的相关性（缩放效应）
• 旋转器气动/结构/控制、尾流和多旋翼相互作用、声载荷、地面效应
• 激波/边界层、激波/喷射相互作用
• 预测和缓解音爆
• 仓库/助推器分离
• 行星反推
• 气动/辐射加热
• 等离子体流动
• 燃烧器气热动力学

6 总结

如果你跟随着这篇文章走到了最后，你现在对CFD（计算流体动力学）当前的挑战有了一个相当好的了解。我们需要克服的六个关键挑战包括：

• 高性能计算
• 湍流物理建模
• 数值算法
• 几何和网格生成
• 知识提取
• 多学科分析和优化

很可能会有些CFD挑战在2030年之后仍然存在，特别是在不确定性管理和不同尺度求解器的多学科耦合方面。

我希望我已经传达了CFD的关键挑战，以及如果你打算亲自检查在不同领域为实现2030年CFD愿景所取得的进展，应该关注的工作领域。这些领域具有挑战性，但值得投入精力，而且一些进展已经表明，我们正朝着在2030年解决这些问题的大方向前进。

最后，2030年CFD愿景没有预见的是机器学习的进步以及在CFD中的应用的普及。我个人认为，我们将在CFD的各个领域继续看到案例研究、研究流和成功故事，其中机器学习将取得巨大成功。这一领域为CFD社区提供了巨大的利益，但截至写作时，尚未得到广泛应用。如果你在寻找一个新兴的研究课题，为什么不考虑机器学习和深度学习在CFD应用中的潜力呢？

原文地址：https://cfd.university/blog/the-6-biggest-and-unoslved-challenges-in-cfd/