Роль высокопроизводительных вычислений в ускорении крупномасштабных симуляций Cae

Почему высокопроизводительные вычисления меняют рабочие процессы CAE

Современные инженерные организации сталкиваются с неустанным давлением, чтобы вывести продукты на рынок быстрее, одновременно снижая затраты и повышая маржу безопасности. Компьютерное моделирование (CAE) уже давно является краеугольным камнем разработки продуктов, но по мере того, как физические продукты становятся все более сложными и ужесточаются нормативные требования, традиционные подходы к моделированию на рабочих станциях часто не дотягивают. Высокопроизводительные вычисления (HPC) стали критическим фактором, который позволяет инженерным командам выходить за рамки упрощенных моделей и грубых сеток в анализ высокой точности, который отражает физику реального мира. Распределяя вычисления по сотням или тысячам ядер параллельно, HPC разрушает временные рамки моделирования от недель до часов, открывая двери для сложности, которые в противном случае остались бы неисследованными. Отрасли, начиная от аэрокосмической промышленности до биомедицинской инженерии, теперь рассматривают доступ к HPC как основное конкурентное преимущество, а не роскошь, зарезервированная для академических исследований или правительственных лабораторий.

Понимание высокопроизводительных вычислительных архитектур

Высокопроизводительные вычисления относятся к агрегации вычислительной мощности способами, которые обеспечивают гораздо более высокую производительность, чем стандартная рабочая станция рабочего стола или даже небольшой кластер серверов. В своей основе HPC опирается на параллельную обработку, где многие процессоры или ядра выполняют инструкции одновременно. Эти системы обычно организованы в кластеры взаимосвязанных узлов, каждый из которых содержит несколько процессоров или графических процессоров, с высокой пропускной способностью, сетью с низкой задержкой, такой как InfiniBand или высокоскоростной Ethernet, связывающий узлы вместе. Архитектура позволяет инженерам разложить большую проблему моделирования на более мелкие части, которые могут быть решены одновременно, а затем рекомбинированы, чтобы дать конечный результат. Два доминирующих подхода в HPC сегодня - это кластеры на основе процессора, оптимизированные для рабочих нагрузок общего назначения и GPU-ускоренные системы, которые превосходят в высокопараллельных операциях с плавающей запятой, таких как те, которые находятся в высокопараллельной динамике жидкости (CFD) и анализ конечных элементов (FEA). Облачные предложения HPC имеют дальнейший демократизированный доступ, позволяя

Ключевые архитектурные компоненты в HPC для CAE

Как HPC ускоряет жизненный цикл моделирования CAE

Наиболее непосредственное влияние HPC на CAE — сокращение времени настенных часов для отдельных симуляций. Моделирование аварии транспортного средства, которое может занять 80 часов на 16-ядерной рабочей станции, может быть завершено менее чем за 3 часа на кластере из 1000 ядер. Это ускорение трансформирует инженерные рабочие процессы несколькими фундаментальными способами. Инженеры могут выполнять параметрические развертки по десяткам конструктивных переменных одновременно, а не последовательно, более тщательно исследуя пространство проектирования. Моделирование Монте-Карло для количественной оценки неопределенности становится практичным, позволяя командам понять, как производственные допуски или вариации свойств материала влияют на производительность. Кроме того, HPC позволяет использовать адаптивные методы сетки, которые улучшают разрешение сетки в областях с высоким градиентом во время выполнения решения, повышая точность, не требуя вмешательства пользователя для ручной очистки элементов заранее.

Параллельное масштабирование поведения

Не все коды моделирования одинаково хорошо масштабируются на большом количестве ядер. Сильное масштабирование, где размер проблемы остается фиксированным при добавлении ядер, и слабое масштабирование, где размер проблемы растет пропорционально количеству ядер, представляют собой два эталона для оценки пригодности HPC. Современные решатели CAE, такие как Ansys Fluent, Simcenter STAR-CCM +, OpenFOAM и Abaqus, настраивались на протяжении десятилетий для достижения почти линейного сильного масштабирования до тысяч ядер для многих типов проблем. Однако накладные расходы на связь в конечном итоге доминируют, а ограничение закона Амдала налагает уменьшающуюся отдачу. Опытные команды моделирования тщательно профилируют свои решатели, чтобы определить сладкое место, где дополнительные ядра больше не дают значимого ускорения, балансируя стоимость с временем оборота.

Используйте случаи, когда HPC дает прорывные результаты

Aerospace: полная аэродинамика в часах

Производители самолетов были ранними сторонниками HPC для CAE, потому что вовлеченная физика по своей сути является крупномасштабной и нелинейной. Моделирование трансонного потока по полной конфигурации самолета с развернутыми устройствами высокой грузоподъемности может потребовать подсчета сетки, превышающей 500 миллионов ячеек. Традиционные подходы к рабочим станциям заставят инженеров грубить сетку, жертвуя точностью в критических местах, таких как соединения корпуса крыла или условия стойки. С HPC команды могут запускать полностью автономные вихревые симуляции (DES) или даже большие вихревые симуляции (LES), которые разрешают структуры турбулентности напрямую, что приводит к более точным итерациям аэродинамической трубы, уменьшенному сжиганию топлива через оптимизированные формы крыла и более коротким циклам сертификации.

Автомобильные: высокоточные крашвортность и NVH

Автомобильная инженерия долгое время зависела от явных динамических решателей для моделирования аварий, но поскольку конструкции транспортных средств включают в себя конструкции из смешанных материалов, включая передовые высокопрочные стали, алюминий и композиты из углеродного волокна, количество элементов резко возросло. Модель аварийного столкновения с полным транспортным средством обычно содержит 5-10 миллионов элементов, причем каждое моделирование требует 50-100 часов на 32-ядерной рабочей станции. Развертывание одной и той же модели на кластере HPC с 512 узлами сокращает время выполнения до 4-8 часов, позволяя совершить ночной оборот. Эта скорость позволяет инженерам по безопасности оценивать несколько сценариев удара - фронтальное, боковое, опрокидывание и заднее воздействие - в течение одного дня, резко сжимая цикл разработки. Кроме того, моделирование с использованием частотного ответа на основе HPC во всем звуковом спектре, выявляя проблемы резонанса на ранней стадии проектирования.

Энергия: мультифизическое моделирование турбомашиностроения

Газовые турбины, ветровые турбины и насосы включают в себя плотно связанную текучесть, тепловую и структурную физику. HPC позволяет проводить конъюгированный анализ теплопередачи (CHT), где одновременно решаются текучая область и твердая область, разрешая миграцию горячей полосы и тепловую усталость в лопастях турбин. В ядерной промышленности CFD на основе HPC используется для моделирования потока охлаждающей жидкости через ядра реакторов с подробным субканальным разрешением, поддерживая разработку корпуса безопасности и лицензирование. Разработчики ветряных ферм используют моделирование больших вихрей, работающее на кластерах HPC, для моделирования бодрствования взаимодействий через десятки турбин, оптимизируя компоновку для максимизации годового производства энергии при минимизации структурных нагрузок.

Биомедицинский: пациент-специальное хирургическое планирование

Биомедицинское поле охватило HPC для запуска гемодинамического моделирования для оценки сердечно-сосудистых заболеваний. Моделирование кровотока через аорту, реконструированную из данных медицинской визуализации, обычно требует решения уравнений Навье-Стокса на сетках с временными шагами порядка миллисекунд. HPC позволяет имитировать несколько сердечных циклов в течение нескольких часов, предоставляя клиницистам карты напряжения сдвига стенок и градиенты давления, которые информируют размещение стента или хирургическое планирование для восстановления коарктации. Аналогичные подходы используются для ортопедического дизайна имплантата, где анализ конечных элементов интерфейсов костной имплантации требует подробного представления структуры трабекулярной кости, которую может решить практически только HPC.

Преодоление барьеров для принятия HPC в CAE

Несмотря на очевидные преимущества, многие организации изо всех сил пытаются эффективно интегрировать HPC в свои рабочие процессы CAE. Наиболее распространенные барьеры включают затраты на лицензирование программного обеспечения, отсутствие собственного опыта HPC и сложность управления данными. Многие коммерческие решатели CAE исторически использовали модели лицензирования на основе ядра, что делает широкое развертывание HPC непомерно дорогим. Промышленные тенденции переходят к лицензированию на основе токенов или облачных вычислений, которое предлагает более гибкую экономику. Облачные услуги HPC снизили барьер входа. Облачные услуги HPC снизили барьер входа, но инженерам по-прежнему требуется обучение параллельному представлению работы, управлению очередями и профилированию производительности, чтобы полностью использовать инфраструктуру. Хранение и передача данных также создают проблемы: одно крупнотоннажное моделирование может производить 50 ТБ продукции, требуя надежных архитектур хранения и эффективных конвейеров постобработки.

Лучшие практики для команд, принимающих HPC для CAE

  • Начните с задачи бенчмарка: Профилируйте репрезентативное моделирование на небольшом кластере, чтобы установить базовую производительность и определить характеристики масштабирования, прежде чем совершать большие распределения.
  • Инвестируйте в автоматизацию предварительной обработки: Очистка геометрии, генерация сетки и настройка граничных условий часто становятся узкими местами при увеличении пропускной способности моделирования.
  • Используйте мощность разрыва стратегически: Запас на месте HPC для стабильных рабочих нагрузок и добавьте облачный HPC для пиковых периодов спроса или исследовательских параметрических исследований.
  • Принять методы сокращения данных: Визуализация in situ и сжатие с потерями (например, SZ или ZFP) могут снизить требования к хранению на 10-100x без потери инженерно-соответствующей точности.

Интеграция HPC с ИИ и машинным обучением

Одним из наиболее перспективных разработок в УСВ HPC является интеграция искусственного интеллекта и машинного обучения для дальнейшего сокращения времени моделирования и расширения возможностей прогнозирования. Суррогатное моделирование с использованием глубоких нейронных сетей, обученных на базе данных моделирования HPC, может производить почти мгновенные прогнозы для новых точек проектирования, что позволяет в реальном времени проектировать освоение космоса. Физики-информированные нейронные сети (PINN) встраивают управляющие дифференциальные уравнения непосредственно в функцию потерь, предлагая альтернативный подход к традиционным решателям для определенных классов проблем. Усиление обучения в сочетании с CFD на основе HPC было применено для оптимизации форм аэрофотоплив и геометрии теплоотвода более эффективно, чем одна только оптимизация на основе градиента. По мере развития аппаратного обеспечения HPC, чтобы включать специализированные ускорители ИИ и тензорные ядра, синергия между имитационными и машинными модулями будет углубляться, создавая рабочие процессы, где HPC генерирует учебные данные в течение ночи и оптимизация на основе ИИ работает в течение дня.

Роль цифровых близнецов

Технология цифровых двойников основана на непрерывной синхронизации между физическими активами и их виртуальными моделями. HPC делает возможными цифровые двойники высокой точности, позволяя имитировать данные датчиков в режиме реального времени, которые могут ассимилировать данные датчиков из полевого оборудования. В операциях с газовыми турбинами цифровой двойник на основе HPC, работающий с моделями пониженного порядка, калиброванными по полным 3D CFD, может предсказать оставшийся срок полезного использования компонентов горячего сечения, планирование обслуживания до возникновения сбоев. Это приложение требует как вычислительной мощности HPC, так и интеграции решателей CAE с потоками данных IoT, что представляет собой серьезную эволюцию инженерных рабочих процессов.

Экосистема программного обеспечения и ключевые платформы

Несколько коммерческих и открытых пакетов CAE были специально оптимизированы для сред HPC. Ansys Fluent поддерживает параллельную обработку распределенной памяти через MPI и может использовать ускорение GPU для решений на основе давления. OpenFOAM , инструментарий CFD с открытым исходным кодом, эффективно работает на кластерах HPC с почти линейным слабым масштабированием для несжимаемых потоков и стал стандартом для академических и многих промышленных приложений CFD. Abaqus Dassault Systèmes поддерживает разложение доменов для явного и неявного FEA, масштабирование до тысяч ядер для больших структурных симуляций. Pointwise и Ansys Meshing предлагают параллельное генерирование ядер, которое может распределять рабочую нагрузку на сетку через несколько ядер, чтобы идти в ногу с пропускной способностью решателя. Поставщики облачных платформ, такие как AWS (с AWS ParallelCluster), Microsoft Azure (Azure

Экономическое обоснование и рентабельность инвестиций HPC для CAE

Строительство или аренда кластера HPC представляет собой значительную финансовую приверженность, но окупаемость инвестиций часто существенна, если измерять ее по затратам на инженерную рабочую силу и штрафам за время выхода на рынок. Производственная компания, тратя 2 миллиона долларов в год на прототипирование физических деталей, может сократить эти расходы на 30-50% за счет повышения точности моделирования, обеспечиваемой HPC. Инженерные команды, которые ранее выполняли две или три итерации проектирования за квартал, могут удвоить или утроить эту частоту с HPC, что напрямую влияет на доход от более быстрых запусков продукта. Кроме того, HPC снижает риск изменений на поздних стадиях проектирования, всплыв проблемы производительности ранее в цикле разработки. Многие организации сообщают, что инфраструктура HPC платит за себя в течение 12-18 месяцев, включая экономию от сокращения физических испытаний, меньшее количество часов инженерных переработок и ускоренные сроки сертификации.

Будущие траектории в моделировании с поддержкой HPC

Эволюция экзафлопсных вычислений с системами, способными выполнять более одного квинтиллиона операций в секунду, раздвигает границы того, что может выполнить CAE. Первые экзафлопсные системы были развернуты в Соединенных Штатах (Frontier в Национальной лаборатории Ок-Риджа) и обеспечивают беспрецедентные возможности для моделирования сгорания, моделирования климата и материаловедения. Для промышленного CAE экзафлопсные вычисления сделают рутинной высокоточную симуляцию полных систем - полный самолет с работающими двигателями, управление тепловой системой всего транспортного средства и сопряженное взаимодействие флюидной структуры морских платформ при экстремальной волновой нагрузке. Кроме того, графические процессоры экзафлопсного класса с высокой пропускной способностью памяти позволят напрямую численное моделирование (DNS) турбулентных потоков в числах Рейнольдса с присущими им неопределенностью. Сближение моделей турбулентности с присущими им неопределенностями. Сближение HPC, AI и облачных вычислений будет продолжать снижать барьеры, позволяя инженерным организациям всех размеров принять дизайн, основанный на моделировании, как основн