Принципы сетчатого уточнения в CFD

Вычислительная сетчатая уточнение является основополагающим методом в вычислительной динамике жидкости, который непосредственно определяет точность аэродинамических силовых предсказаний. Процесс включает в себя увеличение плотности ячеек в областях, где особенности потока требуют более высокого разрешения для точного захвата физических градиентов. Уравнения Навье-Стокса, которые управляют движением жидкости, дискретизируются по вычислительной сетке, состоящей из тысяч до сотен миллионов ячеек. Качество решения в основном зависит от того, насколько хорошо эта сетка разрешает пространственные изменения скорости, давления и температуры, которые приводят к подъему и перетаскиванию.

В внешней аэродинамике поток редко бывает однородным. Большие градиенты давления появляются на ведущих и задающих краях пневматических поверхностей, пограничные слои развиваются вдоль твердых поверхностей, а будки образуются вниз по течению тел. Грубая сетка может представлять собой целое крыло с несколькими ячейками, охватывающими ее аккорд, что делает невозможным захват обтекаемой кривизны, роста пограничного слоя или наступления разделения потока. Напротив, тонко решенная сетка помещает десятки или даже сотни ячеек в одном и том же пространстве, позволяя решателю отслеживать импульс и энергетические обмены, которые в конечном итоге диктуют коэффициенты подъема и перетаскивания. Разница между грубой и рафинированной сеткой может быть разницей между прогнозом сопротивления, который отключен на 10%, и тем, который соответствует данным аэродинамической трубы в рамках экспериментальной неопределенности.

Решая, где и сколько совершенствовать, опирается на физическую интуицию и численные передовые практики. Инженеры выделяют области с ожидаемыми большими градиентами: точки застоя, пограничные слои, крыло и области, подверженные вихревому пролитию. В этих местах размер ячейки уменьшается до тех пор, пока решение не станет нечувствительным к дальнейшей доработке - состояние, проверенное с помощью исследования сетчатой независимости. Без такого исследования результаты CFD не могут считаться полностью надежными для инженерных решений. Инвестиции в тщательный дизайн сетки выплачивают дивиденды в уменьшенной неопределенности и повышенной уверенности в окончательном дизайне.

Типы сетчатого рафинирования

Не все стратегии уточнения равны. Три классических семейства - это h-уточнение, p-уточнение и r-уточнение, каждое с различными сильными и слабыми сторонами, которые влияют на их применимость к аэродинамическому прогнозированию силы.

  • h-уточнение: Наиболее распространенная стратегия, h-уточнение добавляет больше ячеек в критических областях при сохранении фиксированных функций полиномиального порядка формы. Современные средства сетки применяют изотропное или анизотропное h-уточнение в зависимости от того, требуют ли характеристики потока одинакового разрешения во всех направлениях или только в конкретных ориентациях, таких как настенное нормальное направление в пограничных слоях. Этот подход является гибким и широко поддерживается коммерческими и открытыми растворителями.
  • p-уточнение: Увеличивает полиномиальный порядок интерполяционных функций внутри каждого элемента вместо добавления ячеек. Это может обеспечить экспоненциальную конвергенцию для плавных задач и часто используется в высокопорядковых методах конечных элементов. p-уточнение привлекательно для решения высокопорядковых особенностей потока без надувания размера сетки, но требует надежных решателей и может бороться с разрывами, такими как ударные волны. На практике p-уточнение чаще встречается в академических исследованиях, чем в промышленном аэродинамическом дизайне.
  • r-уточнение: Переносит существующие сетчатые узлы в области с высокой ошибкой без изменения общего количества ячеек.В то время как вычислительно дешевле, чем добавление ячеек, качество ячеек может ухудшаться, если ячейки становятся чрезмерно перекошенными или растянутыми. r-уточнение редко используется в промышленных CFD, но может дополнять h-уточнение в специализированных приложениях, таких как перераспределение точек вдоль движущейся границы.

В аэродинамических приложениях доминирует h-рафинирование, часто совмещенное с околостенными призменными слоями, плавно переходящими в тетраэдрическую или гексаэдрическую ядро сетки. Смесь структурированных и неструктурированных ячеек позволяет инженерам детально захватывать граничные слои, сохраняя при этом общее количество ячеек управляемым. Выбор между изотропным и анизотропным уточнением зависит от физики потока; для прикрепленных граничных слоев эффективно работают анизотропные ячейки, растянутые вдоль направления стенки, в то время как для разделенных областей может потребоваться больше изотропных ячеек для разрешения трехмерных вихревых структур.

Связь разрешения меш с аэродинамическим прогнозом силы

Подъем и перетаскивание являются интегрированными результатами распределения давления и вязкого напряжения над поверхностью тела. Даже небольшие ошибки в этих распределениях могут составлять значительные ошибки в коэффициентах силы. Грубая сетка может размазать пик всасывания на верхней поверхности крыла, уменьшая прогнозируемый подъем. Она может заместить точку разделения, заставляя будку казаться искусственно широкой и увеличивая сопротивление давления. Для трансонных потоков плохо разрешенная ударная волна может привести к совершенно неправильному числу перетаскивания Маха, потенциально заставляя конструкцию самолета пропускать свои цели производительности с широким отрывом.

Вязкий вклад в сопротивление особенно чувствителен к разрешению сетки. Трение кожи происходит в градиенте скорости на стене, и точность зависит от наличия достаточно тонкой сетки в нормальном направлении стены. Безразмерное расстояние стенки y + является стандартной метрикой: для симуляций больших Эдди (LES) или прямого численного моделирования (DNS)] требуется y + приблизительно 1, в то время как подход Рейнольдса-среднего Навье-Стокса (RANS)) с моделью турбулентности с низким числом Рейнольдса (RANS)) ниже 5. Если первый центроид клетки находится слишком далеко от стены, решатель полагается на функции стенки, которые могут не представлять истинный поток, если пограничный слой не полностью прикреплен. Результатом является чрезмерное или недостаточное прогнозирование трения кожи и общего сопротивления, которое может легко достигать 5-10% для сложных геометрий.

Требователен и коэффициент сопротивления давлению. Правильное улавливание разделения потока вокруг блефовых тел, шасси или кормовой части автомобиля зависит от способности сетки разрешать неблагоприятный градиент давления и последующее вихревое сбрасывание. Сетка, которая слишком груба на будке, приведет к тому, что пузырь разделения будет дестабилизироваться численно или будет подавляться полностью, резко изменяя базовое давление и коэффициент сопротивления давлению. Для пассажирского самолета ошибка в одном проценте прогнозируемого сопротивления круиза может перевести в миллионы долларов топлива в течение срока службы самолета. Те же ставки применяются в Формуле 1, где однократное количество сопротивления может означать разницу между поул-позицией и вторым рядом. Сетчатая утонченность переходит от академического упражнения к критически важной для бизнеса деятельности.

Как различные компоненты силы реагируют на уточнение

Не все компоненты подъема и сопротивления сходятся с той же скоростью, что и сетка, которая рафинирована. Подъем в значительной степени регулируется силами давления и имеет тенденцию быть менее чувствительным к разрешению сетки, чем сопротивление, при условии, что общая циркуляция вокруг тела захвачена правильно. Это иногда приводит практикующих к преждевременному выводу, что сетка адекватна, потому что предсказанный подъем соответствует данным ветровой туннели, в то время как сопротивление остается плохо решенным. Индуцированное сопротивление, привязанное к вихре крыльев, требует достаточного разрешения по шпанге и адекватно решенного пробуждения, чтобы правильно вычислить промывку. Если сетка на пробуждении слишком грубая, вихревая структура диффундирует искусственно, и индуцированное сопротивление может быть недопрогнозировано несколькими процентами. Паразитное сопротивление, которое включает трение кожи и сопротивление давления из-за разделения, очень зависит от сетки и обычно требует наилучшего разрешения.

Волновое сопротивление в трансонном потоке, создаваемое ударными волнами, предъявляет дополнительные требования к сетке. Шок должен быть захвачен как можно меньше ячеек для поддержания резкости, однако эти ячейки должны быть достаточно малы, чтобы предотвратить размазывание, которое искусственно расширит удар и изменит распределение давления. Адаптивное сетчатое уточнение (AMR) часто здесь превосходит, автоматически группируя ячейки вблизи удара после получения предварительного решения. Без таких адаптивных возможностей инженеры должны вручную размещать зоны уточнения на основе опыта, который может быть трудоемким и подвержен ошибкам.

Тематические исследования: сетчатое уточнение в действии

Публично доступные эталоны обеспечивают убедительные доказательства глубокого влияния сетчатой уточнения на аэродинамические прогнозы. Одна из наиболее цитируемых - Общая исследовательская модель НАСА (CRM), разработанная для проверки аэродинамических прогнозов на основе RANS. В семинарах по прогнозированию драг-дисперсии AIAA участники представили результаты CFD для трансонной конфигурации крыла-тела с использованием различных сеток. Разброс в прогнозируемой общей конфигурации сопротивления между группами - даже те, кто использует один и тот же решатель и модель турбулентности - часто был сотнями значений сопротивления, особенно вблизи числа драг-дивергенции Маха. Анализ показал, что существенные части этого рассеяния могут быть прослежены непосредственно к различиям в плотности сетки в области удара и межстенном интервале. Группы, которые выполняли строгие исследования независимости сетки и использовали высококачественные гексаэдрические сетки с надлежащими [[FLT: 2]]y + [[FLT: 3]] последовательно доставляли решения, которые тесно согласуются с экспериментальными данными. Те, кто использует более грубые или менее

В автоспорте, Ахмед кузов — упрощённая форма автомобиля с наклонной задней поверхностью — классический эталон для блеф-тела аэродинамики. Поток над наклонной спиной доминирует разделение и сильные продольные вихри. Когда сетка слишком грубая в наклонной области, пара вихрей с обратным поворотом часто либо полностью пропущена, либо существенно ослаблена, что приводит к чрезмерному прогнозированию давления основания и недосказанности сопротивления на целых 20%. Уточнение сетки на наклоне и в ближнем бою раскрывает полную структуру вихря и приводит коэффициент сопротивления в соответствие с экспериментами. Этот пример подчеркивает, что для разделенных потоков сетчатая уточнение определяет, является ли симулированная топология потока физически правильной.

Третий поучительный случай происходит от моделирования ротора вертолета. Вихрь лопасти, который взаимодействует со следующим лопастью, вызывая импульсную нагрузку и шум, требует исключительно тонких сеток на будке, чтобы избежать преждевременной диффузии. Инженеры часто используют перезагрузочные сетки или адаптивную уточненность, которая следует за вихрем наконечника, добавляя ядра только там, где это необходимо. Без такой уточнения ядро вихря выглядит искусственно большим, индуцированные скорости уменьшаются, а прогнозируемые нагрузки взаимодействия лопасти-ворта полностью пропускаются. Стоимость пропуска этих нагрузок может быть серьезными колебаниями или даже структурным отказом в крайних случаях.

Лучшие практики для генерации и уточнения ячеек

Учитывая глубокое влияние качества сетки на силовые прогнозы, необходим дисциплинированный рабочий процесс. Отправной точкой является исследование сетчатой независимости, где тот же случай запускается на систематически уточненных сетках. Методология Grid Convergence Index (GCI), предложенная Роучем, обеспечивает количественную меру того, насколько дискретное решение отличается от асимптотического значения. GCI основан на экстраполяции Ричардсона и оценивает ошибку дискретизации в вычисленном результате. GCI ниже 5% часто приемлем для инженерных целей, но высокоточные аэродинамические прогнозы часто направлены на значения ниже 2% для обеспечения уверенности в проектных решениях.

Для проведения надлежащего исследования независимости сетки необходимы, по меньшей мере, три сетки: грубая, средняя и тонкая. Каждая сетка должна быть очищена постоянным фактором в каждом измерении, в идеале около √2 (1.414) для изотропной уточнения или эквивалентным уменьшением объема ячейки. Решитель должен быть запущен с одинаковыми настройками на всех сетках, и результирующие коэффициенты силы должны быть построены против меры расстояния сетки (например, кубический корень из числа ячеек). Экстраполяция до нуля размера ячейки дает асимптотическое значение, вокруг которого решения должны группироваться, если сетка находится в асимптотическом диапазоне. Отклонения от монотонной конвергенции указывают либо на недостаточное разрешение, либо на числовые проблемы, такие как проблемы конвергенции решателя.

В исследовании независимости сетки должны быть изучены не только глобальные коэффициенты силы, но и локальные распределения давления и трения кожи. Подъем и сопротивление могут казаться почти постоянными, в то время как распределение давления на конкретной станции шпангоута продолжает сдвигаться с уточнением. Такие локальные изменения могут сигнализировать о неразрешенном разделении или ударном движении, которые могут стать критическими при неконструируемых условиях. Сетка, которая является адекватной в точке проектирования, может не захватить важную физику при неконструированных углах атаки или числах Маха. Поэтому чувствительность сетки должна оцениваться по всему рабочему диапазону интересов.

Качественные метрики для мониторинга

Помимо подсчета ячеек, несколько метрик качества напрямую влияют на точность предсказаний силы.

  • Ортогональность и перекос: Клетки у стенки должны быть как можно ближе к прямоугольной; большая перекосность вводит численную диффузию и ухудшает предсказание сдвига напряжения. Желателен угол ортогональности ниже 10 градусов, особенно в пограничном слое.
  • Соотношение сторон: В пограничном слое клетки должны иметь очень высокие соотношения сторон (часто превышающие 10 000) для разрешения нормального градиента стенки без взрывающегося количества ячеек по потоку. Стабильность растворителя для ячеек с высоким отношением сторон должна быть проверена, поскольку некоторые схемы становятся жесткими или требуют более низких чисел Куранта.
  • Коэффициент перехода размера ячейки: Внезапный скачок размера ячейки может создавать ложные отражения или ошибки интерполяции. Примыкающие ячейки не должны отличаться по объему более чем на 20% для поддержания гладких градиентов.
  • Изменение объема: Отрицательные объемные ячейки или сильно искаженные элементы вызывают отказ решателя.Тщательная проверка перед запуском обязательна, с использованием встроенной диагностики в программном обеспечении сетки.
  • Изменение отношения сторон: Даже если отдельные клетки имеют приемлемые соотношения сторон, быстрое изменение от одной клетки к следующей может привести к численным ошибкам.Переход должен быть постепенным, особенно через край пограничного слоя.

Эти показатели должны проверяться на конечную сетку и, в идеале, контролироваться в процессе уточнения. Многие коммерческие сетчатые генераторы предоставляют отчеты о качестве, которые маркируют проблемные области для ручной коррекции.

Количественная ошибка: индекс конвергенции сетей на практике

Индекс конвергенции сеток (GCI) является широко используемым методом отчетности исследований конвергенции сеток. Он был разработан Патриком Роучем и рекомендован Американским обществом инженеров-механиков (ASME) и AIAA для проверки CFD. GCI обеспечивает единый способ сравнения ошибок дискретизации из разных исследований. Он вычисляется по результатам трех сеток по формуле:

GCIfine = Fs |ε | /[rp — 1

где ε — относительное изменение между тонкими и средними растворами, r — отношение уточнения, p — наблюдаемый порядок точности, а Fs — фактор безопасности (обычно 1,25 для трёхмешных исследований). GCI ниже 2—5% указывает на то, что сетка достаточно очищена для количества интереса. Однако наблюдаемый порядок точности часто отклоняется от теоретического порядка из-за качества сетки, нелинейности раствора или недостаточной уточненности сетки. Если наблюдаемый порядок далек от ожидаемого значения, сетка может не находиться в асимптотическом диапазоне, и дальнейшее уточнение оправдано.

На практике инженеры должны сообщать значения GCI для коэффициентов подъема и сопротивления в любой публикации или обзоре дизайна. Эта прозрачность позволяет другим оценивать достоверность результатов. Для обычных промышленных применений GCI ниже 3% часто считается приемлемым, но для сертификации или принятия решений о проектировании с высокими ставками требуются более низкие значения.

Вычислительная стоимость vs. верность: нанося удар по балансу

Каждое увеличение плотности сетки имеет свою цену. В моделировании RANS количество ячеек напрямую влияет на размер линейной системы и требуемую память. В то время как современные решатели хорошо масштабируются на кластерах HPC, удвоение количества ячеек может увеличить вычислительное время более чем в два раза из-за нелинейного характера процесса итеративного решения. Для зависимых от времени симуляций, таких как отдельная симуляция Эдди (DES) или большая симуляция Эдди (LES), стоимость еще более круче, потому что временная ступень должна быть уменьшена пропорционально наименьшему размеру ячейки для поддержания числа Куранта-Фридрикса-Льюи (CFL) ниже единицы. Сетка, усовершенствованная для захвата наименьших турбулентных вихрей, может потребовать десятки тысяч временных шагов для одного аэродинамического прохода, что делает симуляцию чрезмерно дорогой для рутинного проектирования.

Задача инженера состоит в том, чтобы найти самую грубую сетку, которая все еще обеспечивает достаточную точность для решения. Этот порог является специфическим для применения. В концептуальном дизайне, где необходимо оценить сотни конфигураций, сетка, которая производит коэффициенты сопротивления в пределах 5% от ожидаемого значения, может быть приемлемой. В окончательном формировании крыла, где одно количество сопротивления может оправдать структурные изменения, необходимо гораздо более тонкое моделирование сетки и турбулентности более высокого порядка. Единственный способ установить неопределенность - выполнить исследование конвергенции сетки - даже если только на подмножестве полного пространства проектирования.

Затраты можно смягчить за счет автоматизации и интеллектуальной доработки. Современные инструменты предварительной обработки генерируют параметрические сетки, которые автоматически уважают определяемые пользователем зоны доработки и пороги качества. Скриптованные рабочие процессы позволяют применять одну и ту же топологию сетки к различным геометриям, обеспечивая согласованность и сокращая время ручного ремонта поверхности. В сочетании с оценкой ошибок на основе примыкания эти инструменты указывают, где дальнейшая доработка даст наибольшее улучшение в силовых прогнозах, направляя инженера к оптимальной сетке с минимальными пробами и ошибками. Во многих случаях сетка с 20 миллионами ячеек, которая оптимально доработана, может обеспечить лучшую точность, чем однородная сетка из 50 миллионов ячеек за долю стоимости.

Передовые адаптивные методы сетчатого уточнения

Статическая сетчатая уточнение, где инженер определяет уточнение областей перед запуском решателя, все еще доминирует на практике из-за его простоты и управления. Однако адаптивная уточнение сетки (AMR) - где решатель автоматически изменяет сетку на основе индикатора ошибки, полученного из решения - быстро набирает тягу как в академических кругах, так и в промышленности. AMR может быть основан на функциях, уточнение ячеек, где величина градиента скорости, вихря или давления Hessian превышает порог. Альтернативно, он может быть на основе примыкания, непосредственно нацеливаясь на ошибку в выходном функционале, таком как подъем или перетаскивание. Смешанная AMR особенно мощна, потому что она фокусирует уточнение на областях, которые влияют на количество интереса, избегая растрачивания ячеек в областях, которые не влияют на конечную силу. Этот подход может уменьшить количество ячеек на порядок величины, сохраняя ту же точность в прогнозировании сопротивления.

На практике AMR успешно используется для решения сверхзвуковых джетов, ударно-границано-слоевых взаимодействий и неустойчивого вихревого сбрасывания с резким сокращением общего количества ячеек по сравнению с равномерно тонкими сетками. Для трансонного крыла примыкающий к нему AMR-запуск может автоматически обнаруживать и совершенствовать ударную ногу, разделительный пузырь и вихрь с крылом, оставляя при этом далекое поле грубым. Результатом является прогноз сопротивления, который конкурирует с более тонкой однородной сеткой, но при одной десятой вычислительной стоимости. По мере того, как алгоритмы AMR созревают и становятся более широко интегрированными в коммерческие и открытые решения (такие как SU2, OpenFOAM и ANSYS Fluent), они становятся стандартной функцией в рабочих процессах аэродинамического анализа. Проблема остается надежной: AMR может иногда производить висящие узлы или плохо сформированные ячейки, которые ухудшают стабильность решателя. Тщательный мониторинг и контроль качества необходимы.

Роль моделирования турбулентности в чувствительности ячеек

В моделировании RANS модель турбулентности обеспечивает закрытие для напряжений Рейнольдса, а точность зависит от способности модели правильно представлять производство, рассеивание и транспорт турбулентности. Сетка имеет значение, потому что многие модели, особенно основанные на формуле k-ω (например, SST k-ω ), чрезвычайно чувствительны к разрешению околостенки. Если первый центр ячейки находится в буферном слое (y + между 5 и 30) вместо вязкого подслоя (y + ниже 5), модель переключается на подход с функцией стенки, который может быть неподходящим для потоков с сильными градиентами давления или разделением. Это может привести к 10-20% ошибке в трении кожи для прикрепленных потоков и даже более крупным ошибкам для разделенных потоков.

Гибридные методы RANS-LES, такие как отложенное отдельное моделирование Эдди (DDES) или симуляция Эдди со сжатием (SBES), предъявляют еще большие требования к сетке. Эти методы полагаются на сетку, чтобы инициировать переход из режима RANS в режим LES в отдельных областях. Если сетка недостаточно тонкая в этих областях, модель остается в режиме RANS и большие турбулентные структуры не решены, отрицая преимущество гибридного подхода. Сетки для DDES обычно требуют уточнения не только на стене, но и в следствии, ориентируясь на области, где слои сдвига, как ожидается, будут неустойчивыми и образуют вихри. Размер ячейки в области разделения должен быть сопоставим с ожидаемыми шкалами турбулентной длины, что часто требует предварительного знания потока.

Во всех случаях сетка, оптимизированная для одной модели турбулентности, может не подходить для другой. При сравнении результатов с различными моделями или при сопоставлении экспериментальных данных следует пересмотреть чувствительность сетки. Хорошей практикой является консультирование по передовым практикам сообщества, таким как ресурс моделирования турбулентности NASA Langley, который предоставляет руководство по требованиям к сетке для различных моделей. Кроме того, руководство по проверке и валидации Альянса NPARC NASA предлагает практические рекомендации по качеству сетки и оценке конвергенции.

Заключение и перспективы на будущее

Эффективность сетчатого сетчатого симулятора в моделировании сил подъема и сопротивления не просто «больше ячеек равняется большей точности». Это тонкое взаимодействие между разрешением, числовой ошибкой, моделированием турбулентности и вычислительным бюджетом. При применении с четкой методологией - начиная с исследования независимости сетки с использованием GCI, уважая лучшие практики для дискретизации пограничного слоя, мониторинга метрик качества и использования адаптивных методов, где это возможно - совершенствование последовательно обеспечивает более точные прогнозы, которые позволяют инженерам раздвинуть границы аэродинамических характеристик.

Заглядывая вперед, несколько тенденций обещают снизить нагрузку на генерацию и уточнение сетки. Показатели ошибок на основе машинного обучения могут однажды предсказать оптимальное распределение ячеек с минимальным пользовательским вводом, обучаясь на основе предыдущих симуляций для руководства уточнением. Ускоренные GPU решатели сделают практичным запуск сеток сотен миллионов ячеек на рабочих станциях настольного класса, сокращая время, необходимое для исследований высокой точности. И более тесная связь между CFD и алгоритмами оптимизации позволит сетке адаптироваться на лету по мере развития формы, обеспечивая оценку каждой итерации дизайна с соответствующим уровнем численной точности.

Между тем, основы остаются неизменными. Хорошо построенная сетка является основой, на которой строятся надежные аэродинамические прогнозы. Пренебрежение этой основой - путем сокращения углов на разрешении ближнего стенда, игнорирование независимости сетки или чрезмерная зависимость от автоматической сетки без проверки качества - приведет к силовым прогнозам, которые выглядят разумными, но физически неверны. Инвестиции в тщательную сетку окупаются много раз в виде самолетов, которые отвечают гарантиям производительности, гоночных автомобилей, которые остаются приклеенными к трассе, и турбин, которые эффективно работают в течение десятилетий.