技术分享︱SIMFORGE HSF® 网格加密与热点加速技术实践

引言

  工程仿真规模持续增大后，网格和计算往往同时成为瓶颈。关键区域需要更高分辨率，网格变化后拓扑、边界和场数据仍要保持完整，长时间迭代中的高频循环还要充分利用并行硬件。SIMFORGE HSF® 围绕这条计算链路，逐步形成了 SAMR、USTR 两类网格加密能力，并将 GPU 热点计算接入统一的求解流程。

  本文将按两部分展开：第一部分介绍网格加密，分别对应 SAMR 的分层自适应和 USTR 的非结构网格细分；第二部分介绍热点加速，从 GPU 计算路径、算子优化到工程算例验证，展示这些能力如何在同一框架中衔接。

Part1 网格加密

/ 围绕“哪里需要更细”和“加密后信息是否完整”展开

01 HSF-SAMR：面向复杂几何与流场演化的自适应加密

  SAMR 采用 Octree 管理空间层级，每个叶节点关联规则 Block。Octree 负责网格层级与空间拓扑，Block 负责局部数据存储和高效遍历。这样的组织方式可以在全局保持灵活的加密层次，同时利用规则块内连续、规整的数据访问。

  图1 SAMR 多层分块网格示意：不同区域可处于不同分辨率层级

1.1 几何自适应与指定区域加密

  复杂外形进入计算域后，框架可根据 STL 表面与网格的空间关系，在几何边界附近自动提高分辨率。对于尾迹区、局部观测区等已知重点区域，也可以直接用 Box 描述加密范围，将网格细化到指定层级。

图2 几何自适应：复杂外形附近自动形成更细的网格层级

指定区域加密和几何加密可以叠加使用。应用层只需要给出区域与层级，底层完成 Octree 调整、Block 重建和后续数据准备，求解器仍通过统一的数据容器访问场变量。

图3 指定区域加密：通过空间范围控制局部分辨率

1.2 体素化：让几何边界进入网格体系

  网格生成之后，还需要确定计算单元与几何模型之间的关系。SAMR 采用两级体素化：先以 Block 为单位快速区分 inside、outside 和 cross，再对相交 Block 内的 Cell 做精细判断，得到边界单元及切割信息。这样可以把高成本几何判断限制在边界附近。

图4 两级体素化：先定位相交 Block，再细化到 Cell 级边界判断

  体素化结果直接服务于浸入边界、切割单元和边界条件处理。远离几何表面的规则区域仍保持连续 Block 计算，边界附近则保留更细的几何描述。

1.3 解自适应与场数据迁移

  流场特征会随时间演化，固定加密区很难覆盖所有关键结构。SAMR 可以从速度梯度、涡量等场量提取加密依据，生成 refine、coarsen 和 unchange 标记，再完成 Octree 拓扑调整。细网格随特征区域移动，计算量也随之重新分布。

图5 解自适应示意：细网格随局部特征区域重新分布

  网格层级变化后，场数据还要同步细化或粗化。框架在网格更新过程中完成插值、平均和数据迁移，并配合逐层负载调整，使新的网格拓扑可以直接进入下一阶段计算。

02 HSF-USTR：面向非结构网格的多单元细分与集合继承

  USTR 面向非结构网格，加密时需要同时处理单元形状、点线面体拓扑、跨进程编号和算例集合。当前加密能力已覆盖工程算例中使用的主要三维单元类型。不同单元采用各自的细分模板，上层统一使用父子关系、拓扑重建和集合更新流程。

2.1 从单元细分到完整网格重建

  以六面体为例，一个母单元通过边中点、面心和体心等新增节点完成规则细分，形成 8 个子单元。多层加密由一次参数设置触发，框架连续完成节点生成、子单元构建和父子关系记录，最后统一更新所需的拓扑与相关变量。

图6 USTR 并行网格加密需要同时处理单元细分、编号、拓扑和边界集合

  这套流程的重点在于把几何细分和网格语义放在同一个阶段处理。加密层数提高后，Cell2Node、节点坐标、单元属性、单元类型、局部到全局编号等信息都要同步更新，避免后续模块再做二次修补。

2.2 分布式新增节点与全局编号

  并行环境中，同一个进程边界上的新增节点可能由多个进程同时看到。USTR 复用原有 Shared Node / Edge / Face 关系识别加密后的共享实体，并使用确定性的层级关系对共享节点排序，避免浮点坐标排序带来的不确定性。随后依据 Owner 和全局 Offset 生成编号，再将 Owner 侧的全局 ID 同步给邻接进程。

   原有进程边界信息在这里发挥了重要作用。它可以直接作为新 Shared 实体的查找入口，减少从零遍历和重建通信关系的成本，也使多层加密后的拓扑关系保持可追踪。

2.3 点、线、面、体集合跟着网格一起加密

  工程算例中的材料区、载荷、约束和接触条件通常依赖 Subset。Cell、Face、Edge 集合可以根据父子实体关系直接映射到细分后的网格。Node Subset 更复杂：同一个点集合在物理上可能表示一条边、一个面，甚至一组单元。

表1 USTR 加密过程中需要同步维护的典型信息

  因此，USTR 为点集合提供 NODE、EDGE、FACE、CELL 四种重建语义。用户可以明确点集合对应的几何实体，框架先恢复原有边、面或体集合，再根据细分关系生成新的点集合。这样可以保持边界范围和物理作用区域不随加密发生偏移。

USTRMesh 
uMesh(comm);uMesh.setRefineLevel(refineLevel);
uMesh.setNodeSubsetRebuildMethod(HSF::SetType::FACE);

2.4 加密结果进入完整验证链路

  加密完成后，验证首先检查跨进程全局编号。各进程输出新增节点的全局 ID 与坐标并汇总，确认不存在“同一全局 ID 对应不同坐标”的冲突。随后通过可视化对照加密前后的边界集合，确认点、线、面、体集合仍位于正确位置。

图7 USTR 加密验证：全局编号一致性与边界集合继承同时检查

  这类验证直接对应求解阶段的使用需求。边界集合一旦缺失或错位，接触搜索、载荷施加和材料区域识别都会受到影响；把编号一致性和集合继承放进网格加密的基础测试，可以在求解器运行之前发现问题。

Part2 热点加速

/围绕“计算如何放到GPU上”和“端到端性能如何提升”展开

03 热点计算路径：保持求解流程稳定，把高频算子下沉到 GPU

  长时间迭代中，高频算子会逐渐占据主要计算时间。以 LBM 为例，碰撞和迁移都具有规则、重复和高并行度的特点，适合交给 GPU 执行。HSF 保留原有迭代器组织方式，由 CPU 负责流程控制和必要的数据准备，设备相关实现集中在热点算子层。

  进入热点计算前，迭代器取得 Block 和场数据的连续指针，统一调度入口再将计算提交到 GPU Kernel。上层求解器仍沿用原有流程，不需要维护两套相互独立的计算逻辑。

图8 GPU 热点计算路径：数据组织与设备端算子分层处理

04 GPU 算子优化：扩大并行粒度，减少数据搬运

4.1 合并循环，增加单次 Kernel 的有效工作量

  热点代码首先处理并行粒度。原程序通常按 Block 遍历，再进入 ijk 多层循环；GPU 路径将外层 Block 与内部网格索引映射到统一线程空间，让更多网格点在同一次 Kernel 中并行执行。迁移过程中的多个小循环也尽量归并到共同的数据访问模式，减少频繁启动 Kernel 和重复索引计算。

4.2 数据传输逐渐成为端到端瓶颈

  当 Kernel 计算速度明显提高后，Host 与 Device 之间的数据往返会在总耗时中占据更大比例。一次热点计算的时间拆分可以直观看到这一变化：纯计算已经压缩到很小的时间片，而数据拷贝仍然需要承担固定成本。

 图9 GPU 热点中的数据传输与带宽：Kernel 加速后，数据搬运成为主要优化空间

  后续优化的方向也随之明确：尽量延长关键场数据在 GPU 上的驻留时间，让连续热点算子复用同一份设备数据，只在确有需要时回写 CPU；同时减少中间格式转换和临时缓冲区重建，把端到端收益从单个 Kernel 扩展到完整时间步。

05 GPU热点加速验证：数值一致性与端到端加速效果

5.1 小球绕流：先确认 CPU / GPU 结果一致

  热点迁移完成后，首先通过经典小球绕流算例检查数值一致性。算例采用多层网格加密，细网格集中在球体近场和尾迹区域。CPU 与 GPU 计算得到的阻力系数保持一致，速度场分布也相互吻合。

图10 小球绕流的多层网格布置

图11 同一时刻的速度场对比：CPU 与 GPU 结果保持一致

表2 小球绕流阻力系数对比

5.2 热点性能：Kernel 收益已经比较明显

  在相同算例规模下，迁移热点的 GPU 纯计算加速约 77 倍，包含数据传输后的端到端加速约 4.6 倍；碰撞热点的纯计算加速约 190 倍，端到端加速同样约 4.6 倍。两组结果说明 GPU 侧计算能力已经得到发挥，总体性能进一步提升主要取决于数据驻留和传输策略。

图12 迁移与碰撞热点的 GPU 加速效果

5.3 大规模外流场：网格能力与热点加速协同工作

  在更大规模的外流场算例中，SAMR 通过多层网格把分辨率集中在艇体近壁面和尾迹区域，求解器在此基础上执行长时间迭代。速度场与压力场能够连续呈现尾迹结构，也说明网格组织、场数据和热点计算可以在同一计算链路中稳定衔接。

图13 大规模外流场算例：多层网格、速度场与压力场结果

06 结语

  从网格加密到 GPU 热点优化，SIMFORGE HSF^® 目前已经形成两条比较清晰的技术链路。SAMR 负责复杂几何和演化流场中的局部分辨率，USTR 负责非结构网格细分后的拓扑与集合继承；进入求解阶段后，迭代器继续组织数据，把高频算子交给 GPU 执行。

  这套能力的价值体现在应用层：网格可以围绕关键区域持续细化，加密后边界与材料信息能够直接沿用，求解器也无需因为硬件路径变化大幅重写。

  神工坊^®团队将持续深耕 SIMFORGE HSF^® 超智融合数值引擎的研发，继续围绕复杂单元、集合条件、网格更新过程中的数据复用，以及 GPU 数据驻留与多算子融合等方向展开攻关。