【CFD专栏】LBM+GPU=? 风扇气动噪声仿真分享

风扇/风机作为一种通用的流体机械，其广泛应用于家电、军工、车辆等领域。

风扇在运转中，旋转的叶片与周围的流场以及静止部件（蜗壳、格栅等）都存在相对运动，其流场表现出明显的非定常特性。这种非定常特性不但影响风扇的气动性能，也会产生明显的气动/流致噪声。

随着近些年来国内经济的飞速发展，人们对居住、办公、驾乘等环境的舒适度要求越来越高。风扇的气动/流致噪声，在家用空调的内外挂机、空气净化器、吸尘器、吸油烟机、汽车空调等的噪声中均占据了主要的组成部分。

各相关企业的研发人员，对于研究、预测、降低风扇的气动/流致噪声可谓伤透了脑筋。某国外家电大牌的吸尘器等产品动辄大几千元，其主打的产品特点就是“静音”。

对于风扇气动/流致噪声的预测，或者说在工业领域应用气动/流致噪声的仿真分析，一直都存在痛点/难点。

那么如何解决这个问题呢？

格子-玻尔兹曼方法（LBM）从微观动力学角度出发，将连续介质看作大量位于格子节点上的离散流体质点粒子。粒子按碰撞和迁移规则在格子上运动，通过对各格子流体质点运动特征的统计，获得流体宏观运动规律，即把宏观物理量视作微观统计平均的结果。

LBM方法本质上只求解非定常流动，并且数值耗散低，相对于传统的基于N-S方程的有限元或有限体积法要处理复杂的非线性方程，LBM方法在每个格子上求解线性方程，非常适合于大规模的并行加速计算。因此，LBM方法非常适合应用在风扇的气动噪声预测中。

GPU（Graphic Processing Unit）作为图形处理器/图形显卡被大家所熟知，随着计算机技术的不断发展，GPU已经被广泛应用在机器学习、人工智能、科学计算等领域。

与适用于复杂逻辑计算的CPU不同，GPU擅长的是大规模的并发计算，NVIDIA公司近些年来研发的计算显卡的算力更是将GPU这种优势推上了登峰造极，如下所示一块Tesla V100 GPU就拥有5120 cuda核。

将LBM方法与GPU高性能并行加速计算结合，将计算消耗的时间由原来的数周缩短为几十个小时，使得风扇的气动噪声仿真不再是一个难题。

图片来源：

https://www.nvidia.com/en-us/data-center/v100/

Altair ultraFluidX是基于LBM方法的CFD求解器，支持原生的GPU并行加速计算。对于风扇气动/流致噪声的计算在各个环节有诸多优势，简便易使用：

前处理简便，仅需要在前处理软件中完成基本设置，体网格自动化生成，无需大量的几何清理与简化的工作；

使用重叠网格（overset mesh）技术，可以计算中考虑风扇的真实旋转，保证风扇非定常流场的计算精度；

得益于LBM方法低数值耗散的特性，在求解风扇非定常流场的同时，也包含声学物理量，在同一求解器中完成流场+声场的仿真计算；基于原生的GPU并行加速算法，即使是上亿的格子计算模型也不在话下；

支持定制化的后处理流程，输出远场监测点的噪声频谱曲线、声压级、声传播云图等。

轴流风扇瞬态流场

远场监测点处的SPL曲线

发动机冷却风扇声传播动画

（分析模型：机舱+风扇，保留所有机舱内部件）