网站被抄袭网站查询地址
CFD 仿真中的网格划分挑战
技术的进步正在增强设计探索，数值仿真在优化工程设计方面发挥着至关重要的作用。通常，计算流体动力学 （CFD） 仿真从定制的手工网格开始，具有精细和粗糙的区域，以平衡分辨率和单元数量，从而在关键区域获得准确的结果。但是，制作高质量的网格可能非常耗时，因为预测重要现象将发生的位置通常很困难。这种不可预测性可能会导致在非关键领域进行不必要的优化。手动创建的网格如果过度细化，则可能导致单元计数过多和求解时间延长，如果细化不足，则结果不准确。
基于网格的方法中的仿真结果质量在很大程度上取决于网格的特性。网格质量差会对计算效率产生负面影响，增加计算时间，并导致解不稳定。此外，CFD 网格的质量取决于几何细节，需要仔细调整网格参数。最佳网格应至少改善一个关键仿真属性，例如收敛时间、稳定性或精度，而不会对其他属性产生不利影响。
Ansys Fluent 解决方案：自适应网格细化
网格划分可以是均匀的，也可以是非均匀的，自适应网格划分是工程仿真中常见的非均匀技术。静态网格划分使精细区域和粗糙区域保持不变，而网格适应会随着时间的推移修改网格以提高分辨率。在 CFD 分析中，在自适应网格细化 （AMR） 和静态细化之间进行选择会影响精度和效率。自适应网格划分根据求解特性调整各个区域的密度，使您能够从非常粗糙的网格开始，并动态细化具有高梯度的区域。
在 Ansys 中，基于解的网格自适应根据数值解修改粗网格，从而有效地捕获局部现象。Ansys Fluent 提供了用于自定义自适应字段的工具。 Ansys Fluent 中的动态网格自适应可以与多面体非结构化网格自适应 （PUMA） 方法集成，该方法不依赖任何模板进行 3D 细化，为各种单元类型提供灵活性。此外，细化后可以粗化网格。
解自适应细化将单元精确地放置在网格中，从而提高流场精度。如果使用得当，它通过根据解指导单元放置来创建最佳网格，通过专注于关键区域来降低计算成本。 通过这种方法，
- 与静态手动网格细化不同，通过避免添加不必要的单元来节省计算资源。
- 无需完全重新生成网格，即可检查网格细化对解的影响。
在具有复杂几何形状或瞬态事件的制造过程中，AMR 通过精细离散具有陡峭梯度或高湍流的区域来提高仿真精度，同时避免计算费用大幅增加。
自适应网格细化的最佳实践
在 Ansys Fluent 中，解决方案自适应优化具有显著优势。但是，谨慎行事以防止潜在问题至关重要。以下是有效利用自适应网格细化的一些准则：
-
表面网格应足够精细，以准确捕获几何结构的基本特征。如果几何结构包含弯曲的边界和尖角，则网格适应后单元数会增加，但弯曲域的边界会保留其原始形状，并使用初始网格创建角。因此，如果几何体具有带有粗网格的弯曲轮廓和尖角，则调整后的网格可能无法完全恢复几何体周边的弯曲轮廓和拐角。
在曲面上放置太少的节点并依靠自适应优化来添加更多节点并不是一个好的做法。在网格适应过程中，横截面积保持不变，因此默认的适应函数将增加单元数，但弯曲域的边界仍然会出现尖角。如图所示，曲面将保留初始网格中的小平面（在本例中为 8 个红色段），而不管通过细化到原始节点（标记为蓝色）添加的任何其他节点（标记为绿色）。
例如
在处理具有弯曲轮廓和尖角的几何的粗化网格时，调整后的网格可能无法在几何的边缘准确捕获这些特征。在这种情况下，在适应过程进行时，可以采用基于几何结构的适应来重建或恢复几何结构的更精细细节。这个主题将在下一篇博客 [1] 中介绍。
-
初始网格必须包含足够的单元，以有效地捕获流场的基本特征。为了成功适应网格，从高质量的初始网格开始至关重要，尤其是在具有陡峭坡度的复杂区域中。如果初始网格太粗糙，它可能无法准确捕获流动的重要特征，尤其是在几何结构发生突然变化的区域，从而导致高梯度。在这种情况下，适应过程可能会降低网格的质量，而不是增强网格。粗网格不足会导致限制边界周围出现非最佳条件，从而产生高纵横比单元，从而可能影响梯度精度并影响预测。
- 例如，确保壁上边界层的充气层数量足够，并且主流的单元数量合适，这对于精确的压降测量至关重要。如下图所示，使用基于边界层和压力梯度的网格自适应导致高纵横比单元，影响梯度精度，与未自适应的情况相比，网格自适应未能提高压降计算的精度。
-
在开始适应之前，请确保解决方案收敛良好，因为调整不正确的解决方案可能会导致流区域分配错误。平衡是关键：过早适应会导致问题，而不必要地继续迭代会浪费时间。这种担忧对于自动适应来说不太重要，因为自动适应会根据求解器以固定的间隔调整解。
-
根据流动条件选择合适的变量进行梯度调整。 对于不可压缩的流动，平均速度梯度通常更合适。然而，将压力梯度纳入边界层适应可以有效地细化压力变化显著的区域。在湍流剪切流中，优先考虑湍流参数梯度，而在反应流中，关注温度或反应物质浓度等变量。
-
避免在溶液结构域的任何特定区域进行过度精炼，因为这会导致细胞体积出现较大的梯度。这种糟糕的适应做法可能会对解决方案的准确性产生负面影响。
案例研究
自适应网格细化 （AMR） 已成功应用于各种制造场景，从航空航天组件设计到汽车发动机仿真。例如，在航空航天工业中，AMR 已被用于提高飞机机翼周围气流模拟的准确性，从而更好地预测空气动力学性能并提高燃油效率。
Ansys Fluent 引入了基于误差的适应标准，即基于 Hessian 的指示器，它根据解中相对于网格尺寸的局部误差来识别单元，通常用于高超音速问题。例如，在预测超音速流中钝体周围激波的形成时，初始网格必须具有足够的单元和足够的分辨率，以准确描绘体的形状。随后的梯度适应可以优化冲击并实现不依赖于网格的解。
同样，在汽车行业，AMR 促进了对发动机内燃烧过程的更精确模拟，有助于开发更高效、更环保的车辆。这些案例研究突出了 AMR 在提高仿真保真度和支持制造流程创新方面的实际优势。
网格自适应有助于模拟多相场景，例如液体射流分解。VOF 到 DPM 混合模型与动态网格自适应相结合，可跟踪液气界面并将分离的液块转换为点质量，从而减少对精细网格的需求。这里也可以使用自适应网格粗化来加快运行速度。 动态网格细化和粗化通过在将 blob 传输到 DPM 模型后粗化网格来管理单元计数。
Ansys Fluent 的网格自适应设置面板中嵌入了燃烧和多相应用的最佳实践，从而将稳态情况下的单元数量减少多达 70%，并将速度提高 4 倍。
| 细胞计数减少 | 加速 | |
| Sandia Flame D 测试案例 | 30-70% | |
| 燃烧和多相应用 | 最高 70% | 高达 4 倍 |