Fluent中的用户自定义函数（User Defined Function）UDF功能是非常强大灵活的技术，它可以帮助流体工程师实现很多标准界面之外的功能；而且，用户还可以依托UDF技术对Fluent中的算例进行不同程度的二次开发，从而有效提升实际仿真的工作效率。

图1 UDF技术可以应用在Fluent仿真的各个环节之中

一、为什么Fluent工程师需要掌握UDF技术

一位流体仿真的前辈曾经说过：“无论你在哪个行业、哪种产品上使用Fluent进行仿真分析，几乎都离不开UDF。因为标准界面中的内容限制过多，无法满足真实产品设计过程中的多样化需求。如果一个Fluent工程师无法熟练应用UDF技术，那么就好比是一个长不大的小孩子一样，只能按照大人给的规则进行思考和生活；只有掌握了UDF技术，才能有自己的主见，把独立的想法体现在仿真之中；这样，才能真正的成为一名成熟的流体工程师。”

图2 Fluent工程师的成长过程与UDF

当然，我们可能无法找到这段话的真实出处，也不敢完全赞同其中的观点，但它说明的道理却是显而易见的，也从一个侧面说明了UDF的重要性。在实际的工作中，UDF技术广泛应用在复杂的Fluent真实案例中，通常包括以下几个方面的内容：

• 定制边界条件，源项，反应速率，材料属性等

• 定制自定义的物理模型，或直接描述用户提供的模型方程

• 定于求解过程中的调整函数

• 根据不同的需求执行相应的函数

• 自定义在初始化过程中的个性化设置

举一个简单的例子，很多流体仿真中的材料属性是相对复杂的，比如材料的粘性，它和温度、压力、速度等变量都有相对复杂的函数关系。对于这一类情况，通常的Fluent标准界面可能就无法准确描述这种复杂的关系，此时，就必须要请出UDF来帮忙才能完成我们的需求。

二、为什么要掌握并行UDF技术

1. 并行UDF代码和串行有区别

由于Fluent的求解进程在并行与串行的架构下有较大区别，因此UDF在执行的过程中也会表现出完全不一样的状态。通常我们学习UDF的课程都是基于串行代码展开的，但是大多数内容对于并行UDF都是不可用的。实际上，并行UDF的代码在相当一部分问题中需要额外的规则才能顺利、准确的执行下去。

图3 使用4核并行仿真的求解架构

2. 计算机硬件技术发展迅猛

随着全世界经济的飞速发展，计算机硬件的更新换代也得到了明显的提升。对于Fluent仿真来讲，最为重要的就是CPU的性能，因为它关系着求解计算的速度快慢。目前顶级的英特尔至强处理器（E5-26xx）单个CPU就可以具备6核12线程（3.4G）或者18核36线程（2.3G）的能力，运算的速度对比5年前已有了数倍甚至数十倍的提高。而且，这些强大的多核CPU已经逐渐的配备到了各类移动工作站（笔记本）中，使得我们的仿真工作更加灵活，更加高效。因此，我们有理由相信任何一个流体工程师，都不会在如此强大的多核CPU上，使用串行方法来计算我们的Fluent仿真案例。因此，并行技术借助硬件的发展，已经成为流体仿真的必要（唯一）手段。

图4 一些主流CPU的性能指标

3. 算例更加精细，网格数量更多

硬件提升了，对应能够支持的网格数量也就随之增加，这也是近年来流体仿真取得突破性进展的坚实基础。如果时间倒退回十五年前，那么使用串行计算一个Fluent案例，将是一件非常正常的事情；但是对于眼下的仿真行业，已经无法再找到不使用并行计算的情况了。Fluent仿真经过数十年的发展，很多行业已经不满足于使用相对粗糙的网格进行概略的求解，相反，更多的人希望各通过更加准确的几何细节，和更加精细的物理模型进行详细计算，从而得到更加完整、细致、精准的仿真结果。大规模的计算需要硬件的支持，也离不开并行技术的保障。实际上，当流体仿真的网格数量超过10万时，并行计算的优势就已经可以很好的体现出来了，尤其是当一个核数对应5-8万个（六面体）体网格时，并行加速的效果是非常明显的。

图5 Fluent 使用13万核并行计算的超大规模燃烧问题加速比

4. Fluent中完美的并行技术

Fluent软件在并行的过程中，具备非常严谨的求解进程，既能充分调用已有的CPU资源，又能很好的保证计算结果的准确性，这是Fluent本身的优势，也是Fluent多年发展的成果。可以豪不夸张的讲，Fluent具备有完美的并行能力，从任何一个角度来看都很难找到缺陷，这是其他有限元软件（至少在并行计算层面上）所无法企及的高度。因此，我们要更加珍惜Fluent的这一长处，更好的利用他，帮助我们完成仿真的任务。

值得一提的是，在Fluent R18.1之后的版本中，串行计算已经成为一个“遗留概念”；Fluent的求解架构已经完全按照并行的进程来开展工作了，即使我们选择了Serial（串行），Fluent仍旧会把算例当成1个核心的并行进行计算，从这个角度来讲，串行的UDF代码在18.1之后就退出了历史舞台，无论何种情况下，我们都必须使用并行UDF代码。

图6 串行问题在高版本的Fluent中仍旧按照并行架构进行求解

悄悄分享一个小秘密：18.1版本仍旧可以正确读取串行的UDF代码，但仅限紧急情况下使用。方法是：并行（Parallel）核数设置成0。

三、Fluent并行UDF代码中需要注意的问题

首先需要明确的是，并行与串行的区别仅存在于代码之中，其他的UDF环节（如编译、解释、管理、与算例hook等）则不存在任何差别。因此，我们在已经具备的串行UDF技能基础之上，仅考虑以下四个方面的差异，即可满足并行需求：

1. 并行专用的编译器指令

由于并行求解中需要区分主节点和子节点分别书写代码，因此必须要使用一些预处理的命令来判别使用的环境。当我们的代码中含有这一类指令时，读入主节点和子节点的代码会有很大的区别。

图7 并行专用的编译器指令

2. 区分内部（internal）和外部（external）单元（cell）与面（face）的循环

并行计算必须首先对网格进行分区，这样才能提高整体的工作效率。分区结束后，通常在分区的交界处会出现一些特别的单元（cell）和面（face）。基于串行代码的循环宏在处理这一类分区交界单元（面）时可能会出现错误，但这些错误在串行问题中则不会发生，因此，必须要在并行UDF中对这一类单元（面）进行特殊的处理，从而避免循环过程中的错误。

图8 并行计算中分区的网格分类

3. 全局变量（数据）缩减（变量一致性处理）

当多核并行计算时，一些全局变量（如平均速度等）在各个分区的网格中有不同的值，这就需要我们进行全局的数据统一。并行UDF在处理这一类问题中有专用的代码，可以较为轻松的实现全局变量（数据）的规模缩减和同步。

4. 子节点与主节点之间的数据传输

根据并行仿真的架构，网格的变量数据并不包含在主节点中，通过TUI输入的值也不能直接被子节点获得，此时，就必须要通过代码来实现数据的传递，这样才能使代码中的一些功能得以有效实现。

由于篇幅所限，关于UDF并行计算的详细内容无法全部展示在文章之中，如果大家感兴趣，可以关注仿真秀平台，里面有更为详细的功能讲解与介绍，同时还会有实际的并行UDF案例操作与演示。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删