FluTAS: A GPU-accelerated finite difference code for multiphase flows
我们提出了流体传输加速求解器，Flutas，一个可扩展的GPU代码的多相流与热效应。该代码解决了不可压缩的纳维-斯托克斯方程的双流体系统，与直接基于FFT的泊松求解器的压力方程。两种流体之间的界面用流体体积（VoF）方法表示，该方法具有质量守恒性，并且由于其处理拓扑变化的能力而非常适合复杂流动。通过Boussinesq近似，能量方程显式求解并与动量方程耦合。该代码以模块化的方式设计，因此可以独立使用不同的数值方法，可以修改现有的例程，并可以以直接和可持续的方式包含新的例程。Flutas是用现代Fortran编写的，在仅CPU版本中使用混合MPI/OpenMP进行并行化，并在GPU实现中使用OpenACC指令进行加速。我们提出了不同的基准来验证代码，并在湍流多相流的基本利益的两个大规模模拟：在HIT和两层Rayleigh-Bénard对流的等温乳液。FluTAS通过MIT许可证发布，由几位科学家共同努力，旨在成为研究复杂多相流的灵活工具。
2022-04-19 physics.flu-dyn
FSEI-GPU: GPU accelerated simulations of the fluid-structure-electrophysiology interaction in the left heart
心血管计算模型的可靠性取决于血流动力学的精确解、组织的超弹性和电特性的真实表征以及它们之间相互作用的正确描述。因此，由此产生的流体-结构-电生理相互作用（FSEI）需要巨大的计算能力，通常在大型超级计算中心中可用，并且即使使用多CPU处理器（MPI加速）也需要很长时间才能获得结果。近年来，图形处理单元（GPU）已经成为高性能计算的方便平台，因为它们允许显著减少解决方案的时间。如果该工具必须支持需要在减少的时间内解决方案并且可能通过本地计算资源获得的医疗决策，则这种方法特别有吸引力。因此，我们的多物理场求解器已被移植到GPU架构使用CUDA Fortran来解决快速和准确的血液动力学模拟的人类心脏，而无需诉诸大型超级计算机。这项工作描述了使用CUDA来加速异构集群上的FSEI，其中CPU和GPU都协同使用，并对原始源代码进行了微小的修改。所得到的GPU加速代码在几个小时内（根据网格分辨率从三到十）解决了在由几个GPU卡制成的内部计算设施上运行的单个心跳，所述内部计算设施可以容易地安装在医学实验室或医院中，从而向系统的计算流体动力学（CFD）辅助诊断开放。
2021-05-04 physics.flu-dyn
GPU-Accelerated Simulations of Moving Boundary Problems and Fluid-Structure Interaction at Extreme Scales
Johns Hopkins University（约翰斯·霍普金斯大学）；NVIDIA Corporation（英伟达公司）
提出基于GPU优化的尖锐界面浸入边界法，通过OpenACC、CUDA、NCCL和MPI实现，在10M至1B网格规模下相比CPU实现加速20倍，多GPU实现>90%强/弱扩展效率，并模拟了Re=5000的蝙蝠翼扑动流固耦合。
2026-06-25 cs.DC physics.comp-ph physics.flu-dyn
Linear Stability of an Impulsively Accelerated Density Interface in an Ideal Two-Fluid Plasma
在理想双流体等离子体模型的框架下，研究了Richtmyer-Meshkov（RM）不稳定性的线性演化。双流体等离子体运动方程被分离成一个基态和一组线性化方程的扰动的演变。基于无量纲德拜长度参数$d_{D,0}$，区分带电物种之间的不同耦合机制。当$d_{D,0}$很大时，离子和电子之间的耦合足够小，使得诱导的洛伦兹力非常弱，并且两种物质作为两种单独的流体演化。当$d_{D,0}$较小时，耦合较强，感应的洛伦兹力足够强，使得离子和电子的状态差被该力迅速减小。因此，离子和电子紧密耦合，像一种流体一样演化。的时间动态分为两个阶段：早期阶段，其中电子前驱波是普遍的，和后离子冲击界面相互作用阶段，在此期间的RM不稳定性表现出来。我们还研究了最初施加的磁场的影响，其特征在于由无量纲参数$β_0$的流向。对于离子冲击界面相互作用后的短时间内，生长速率是相似的不同的初始磁场强度。随着时间的推移，观察到由于磁场的不稳定性的抑制。生长速率显示具有与离子或电子回旋频率相关的频率的振荡。由于涡量被输运远离界面，不稳定性被抑制。
2021-11-27 physics.flu-dyn physics.plasm-ph
On Rayleigh-Taylor interfacial mixing
瑞利-泰勒不稳定性的发展时，流体的密度梯度加速，强烈的界面流体混合enclusive随着时间的推移。Rayleigh-Taylor混合控制着流体、等离子体、材料、天体物理和原子尺度上的广泛过程。在这篇论文中，我们简要回顾了理论和实验方法，并应用理论和实验来研究瑞利-泰勒流中的有序和无序。该理论发现，非均匀各向异性加速瑞利-泰勒混合的性质不同于均匀各向同性惯性湍流的性质，包括强相关性、弱波动性和对确定性条件的敏感性。实验明确地观察到瑞利-泰勒混合在非常高的雷诺数的非均匀性和各向异性，以及加速和加速剪切对界面动力学的稳定作用。理论与实验相吻合，表明Rayleigh- Taylor混合与其他加速流一样，也可以表现出有序性和层化，从而为自然界和技术领域复杂过程的研究开辟了新的视角。
2019-01-14 physics.flu-dyn physics.plasm-ph
A GPU-accelerated computational fluid dynamics solver for assessing shear-driven indoor airflow and virus transmission by scale-resolved simulations
我们探讨的适用性，MATLAB的三维计算流体动力学（CFD）的剪切驱动的室内气流。提出了一种基于图形处理器的尺度分辨大涡模拟（LES）求解器DNSLABIB。求解器首先在另一个CFD软件（OpenFOAM）上进行验证。接下来，我们展示了求解器在三种等温室内通风配置中的性能，并在COVID-19空气传播的背景下讨论了结果。在对应于$Re=5000$和$Re=50000$的低（0.1 m/s）和高（1 m/s）气流速率下研究这些病例中的通气。当房间从陈旧的、高CO $_2$含量的空气中排空时，进行室内CO $_2$浓度的分析。我们估计了三种不同房间几何形状的每小时换气次数（ACH）值，结果表明，基于完美混合假设，3D CFD模拟的数值估计值与理论ACH值可能相差80- 150%（$Re=50000$）和75- 140%（$Re=5000$）。此外，CO $_2$概率分布（PDF）的分析表明，室内新鲜空气的分布相对不均匀。最后，利用一个时间依赖的韦尔斯-莱利分析，一个例子是提供的增长的累积感染风险被迅速降低后，通风开始。平均感染风险在较低通气率（ACH=3.4-6.3）下降低2倍，在较高通气率（ACH=37-64）下降低10倍。结果表明，DNSLABIB在气流预测的各种未来发展中具有很高的潜力。
2022-04-05 physics.flu-dyn
A fully-differentiable compressible high-order computational fluid dynamics solver
Technical University of Munich（慕尼黑工业大学）
流体流动在自然和工程学科中无处不在。由于多时空尺度上的非线性相互作用，流体的可靠计算一直是一个长期的挑战。可压缩的纳维-斯托克斯方程控制可压缩流动，并允许复杂的现象，如湍流和冲击。尽管在硬件和软件方面取得了巨大的进步，但捕获流体流动中的最小长度尺度仍然为现实生活中的应用引入了令人望而却步的计算成本。我们目前正在目睹一个范式转变，以机器学习支持的设计的数值方案作为一种手段，以解决上述问题。虽然先前的工作已经探索了一维或二维不可压缩流体流动的微分算法，我们提出了一个完全可微的三维框架，使用高阶最先进的数值方法计算可压缩流体流动。首先，我们通过计算经典的二维和三维测试用例，包括强冲击和过渡到湍流，证明了我们的求解器的效率。其次，更重要的是，我们的框架允许端到端的优化，以改善现有的数值计划内的计算流体动力学算法。特别是，我们使用神经网络来代替传统的数值通量函数。
2021-12-09 cs.LG physics.flu-dyn
Inpainting Computational Fluid Dynamics with Deep Learning
Carnegie Mellon University（卡内基梅隆大学）
针对流体数据补全的不适定性，本文提出基于向量量化和两阶段学习的深度学习修复方法，并在雷诺数1000的Kolmogorov流上证明其重建性能优于基准模型。
2024-02-27 cs.LG physics.flu-dyn
Enhancing Computational Fluid Dynamics with Machine Learning
KTH Royal Institute of Technology（KTH皇家理工学院）；University of Washington（华盛顿大学）；Swedish e-Science Research Centre（瑞典电子科学研究中心）
机器学习正迅速成为科学计算的核心技术，为推动计算流体动力学领域的发展提供了许多机会。在这一视角中，我们强调了一些最具潜在影响的领域，包括加速直接数值模拟，改进湍流闭合模型，以及开发增强的降阶模型。我们还讨论了机器学习的新兴领域，有希望的计算流体动力学，以及一些潜在的限制，应该考虑。
2022-07-01 cs.LG physics.comp-ph physics.flu-dyn
Reconstructing fluid dynamics with micro-finite element
在纳维-斯托克斯方程理论中，不可压缩流中的粘性流体被建模为具有与应变率成比例的粘性应力的组成“流体颗粒”的均匀且密集的集合。流体流动的关键概念是颗粒在压力和粘性相互作用下的速度，本文借助于替代性的“微有限元”，引入一组新的内禀量--旋涡场，用以描述单元间的相对取向和单元内微涡的特征，而对流体中粘性相互作用的描述则回到了层间摩擦力与滑移强度成正比的最初直觉。这样一个框架使我们能够重建粘性流体的动力学理论，其中流动的流体可以被建模为有限覆盖的元素，从而表示的时空微分流形，承认复杂的拓扑演化。
2022-08-22 physics.flu-dyn
Computational Fluid Dynamics Modeling of a wood-burning stove-heated sauna using NIST's Fire Dynamics Simulator
传统的桑拿浴是从热和流体动力学的角度使用NIST的火灾动力学模拟器（FDS）软件进行研究。进行计算，以确定温度和速度场，热通量，烟尘和蒸汽云运输等结果进行了讨论，以评估这种新的利用FDS消防安全工程软件的可靠性。
2014-04-27 physics.flu-dyn
Fluid Intelligence: A Forward Look on AI Foundation Models in Computational Fluid Dynamics
本文提出首个结合CFD输入的缩放定律，用于数据生成和模型训练，以解决复杂流体动力学问题中的独特挑战，并提供了构建基础模型的计算成本和时间估计。
2025-11-25 physics.flu-dyn
Machine-learning accelerated turbulence modelling of transient flashing jets
对通过喷嘴的过热液体的突然减压进行建模是一个挑战，因为压降会导致液体的快速闪蒸。由于机械和热力学效应，产生的射流通常表现出广泛的结构，包括韧带和液滴。随着模拟包括越来越多的现象，计算成本开始增加。缓和额外成本的一种方法是对计算的特定元素使用机器学习替代。本研究提出了一种机器学习辅助的计算流体动力学方法，用于模拟闪蒸液体的雾化，从初级雾化到二次破碎到小液滴，使用$Σ$ -Y模型与均匀松弛模型相结合。值得注意的是，热力学非平衡（HRM）和$Σ$ -Y的模型首次与模拟湍流量的深度神经网络耦合，然后将其用于预测过热液体射流雾化。该方法的数据驱动组件用于湍流建模，避免了通常用于这些问题的雷诺平均Navier-Stokes模拟的两方程湍流模型的解决方案。混合方法的精度和速度进行评估，证明足够的精度和至少25%的速度比传统的方法计算流体动力学模拟。这种加速表明，也许可以替换计算的其他组成部分，以获得更大的好处。
2021-09-30 physics.flu-dyn
SmartFlow: A CFD-solver-agnostic deep reinforcement learning framework for computational fluid dynamics on HPC platforms
本研究提出CFD求解器无关的深度强化学习框架SmartFlow，依托SmartRedis-MPI等库实现HPC平台下求解器与DRL算法的高效通信，通过三类流动控制与建模案例验证了其通用性，可加速强化学习驱动的流体力学研究。
2025-08-01 physics.comp-ph physics.flu-dyn
Message Passing Fluids: molecules as processes in parallel computational fluids
本文根据广义元胞自动机的规则和方法，提出了信息传递流体（MPF）的概念。MPF是一种抽象的流体，分子通过相互交换信息而运动。该模型的目的是为了它的模拟，通过消息传递库的并行计算领域。我们提出了一个批判性的分析，在这样一个对象的可能实现的必要的计算工作。
2003-04-10 cs.DC physics.comp-ph physics.flu-dyn
VesNet: Neural network accelerated solver for simulating Stokesian vesicle suspensions
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Durham University（杜伦大学）
提出VesNet混合框架，通过神经网络近似囊泡自相互作用（背景流耦合和短程润滑力），结合传统边界重参数化和远场流体动力学模块，实现二维囊泡悬浮液模拟的百倍加速，并准确捕捉单囊泡相行为、对相互作用及大规模悬浮液动力学。
2026-06-25 cs.CE physics.flu-dyn
On the Determination of the Yield Surface within the Flow of Yield Stress Fluids using Computational Fluid Dynamics
一部分非牛顿流体是屈服应力流体。它们需要最小的应力来流动。低于该最小值，屈服应力流体保持固态。迄今为止，一维和二维数值模型已主要用于研究自由表面流动。然而，有些现象具有三维行为，例如液体状态和固体状态之间的极限的出现。在这里，目的是使用计算流体动力学（CFD）再现的屈服应力流体在一个开放的通道中的自由表面流动的属性。还期望对屈服应力流体的行为进行建模。数值研究是用软件OpenFOAM驱动的。数值结果与实验结果进行了比较，从模型实验和理论预测的基础上流变本构关系。通过评估其可靠再现流型的能力，对3D模型进行了验证。深度，局部速度和应力被量化为不同的数值配置（网格级别，流变参数）。然后，数值结果被用来检测流动中的刚性和剪切区的存在。
2018-08-01 physics.comp-ph physics.flu-dyn
GPU acceleration of CaNS for massively-parallel direct numerical simulations of canonical fluid flows
这项工作提出了GPU加速的开源代码CaNS非常快速的并行模拟正则流体流动。CANS中多CPU Navier-Stokes方程求解器的显著特点是基于特征函数展开法的二阶有限差分Poisson方程的快速直接求解器。求解器在一个统一的框架中实现了对这类问题有效的所有边界条件。在这里，我们使用CUDA Fortran扩展了GPU加速集群的求解器。移植广泛使用了CUF内核，并通过CUDA Fortran的统一内存功能大大简化，该功能处理主机（CPU）和设备（GPU）之间的数据迁移，而无需在源代码中定义新的数组。整体实现已根据湍流通道流的基准数据进行了验证，并在NVIDIA DGX-2系统（16 Tesla V100 32 Gb，通过NVSwitch与NVLink连接）上评估了其性能。与最先进的多CPU集群上的CPU实现相比，GPU加速实现的每个时间步长的挂钟时间非常小，只要域分区足够小，数据主要驻留在GPU上。该实现已根据MIT许可证的条款免费提供和开源。
2020-10-02 cs.CE physics.comp-ph physics.flu-dyn
On floating point precision in computational fluid dynamics using OpenFOAM
由于现代集群机器的计算能力，数值模拟可以提供前所未有的细节水平，对流体力学的新见解。然而，充分利用这种硬件仍然具有挑战性，因为数据通信仍然是达到峰值性能的重要瓶颈。降低浮点精度是减少数据移动和提高大多数应用程序计算速度的一种简单有效的方法。然而，需要特别注意确保计算解的质量和收敛性，特别是在处理复杂的流体模拟时。在这项工作中，我们分析的影响，减少（单和混合相比，双）精度的计算性能和准确性的计算流体动力学。使用开源库OpenFOAM，我们认为不可压缩，可压缩，和多相流体求解器的测试在层流和湍流的制度，并在存在冲击波的流动的相关基准。计算增益和变化的可扩展性的应用程序在降低精度进行了讨论。特别是，一个特设的理论模型的强缩放允许我们解释和理解所观察到的行为，作为浮点精度和硬件细节的函数。最后，我们展示了如何降低精度可以显着加快混合CPU-GPU实现，最近提供给OpenFOAM最终用户，这仅仅依赖于硬件供应商开发的GPU线性代数求解器。
2022-09-13 physics.comp-ph physics.flu-dyn
GPU-Accelerated Discontinuous Galerkin Methods: 30x Speedup on 345 Billion Unknowns
本文提出了一种在笛卡尔网格上离散无粘流体动力学控制方程--可压缩欧拉方程的间断Galerkin方法，并通过OCCA（一种统一的多线程硬件结构性能移植方法）将其应用于图形处理单元。与使用非CUDA感知MPI通信的仅CPU实现相比，在多达1，536个NVIDIA V100 GPU上实现了30倍的求解时间加速，并且在多达6，144个NVIDIA V100 GPU上实现了并行强大的可扩展性，解决了包含3，450亿个未知数的问题。CUDA-Aware MPI通信与非GPUDirect通信的比较表明，在由32个NVIDIA V100 GPU组成的8个节点上，速度提高了24%。
2020-08-31 cs.DC cs.NA cs.PF
