NASA眼中CFD的未来（5）知识提取

技术路线图：知识提取领域的集成数据库与数据可视化时间表


技术背景与目标导向

知识提取 (Knowledge Extraction) 是一种旨在挖掘结构化或非结构化数据价值的技术策略，通过自动化手段从数据中提取有用信息、知识和模式，为决策制定和智能分析提供支持。该领域旨在实现对复杂数据集的高效处理与洞察，尤其在计算流体力学 (CFD) 中的应用，能够增进对流体力学问题的理解，并提高计算效率。

2020年的技术里程碑

到2020年，知识提取领域的关键目标之一是实现对大型非稳态CFD模拟数据的高效分析与可视化。这一目标实现的标志性成就是在火星着陆器仿真中，NASA与NVIDIA合作，成功分析和可视化了规模达100亿节点的非定常CFD模拟数据，这不仅是CFD知识提取技术的重大进展，也是对数据处理和分析能力的重要验证。




应用实例知识提取在CFD中的应用


流场数据分析

知识提取技术在CFD中广泛应用于流场特征的提取，例如涡旋、湍流模式等，从而帮助工程师深入理解流体力学问题，优化系统设计。

几何建模

利用知识提取自动从三维扫描数据中构建几何模型，这一功能大大减少了手动建模的人力成本和时间。

建模参数优选取

通过分析先前的CFD模拟数据，知识提取技术能自动选择最优建模参数，如网格大小、湍流模型等，提高模拟效率。

流动控制策略

知识提取挖掘的流动特性和模式信息，为强化控制策略提供了科学依据，如舵角、喷气方向等关键控制参数的提取。

集成数据库与可视化进展

集成数据库技术自2017起实现历史发展，至2025年，将于创建包含1000个非稳态CFD模拟及完整不确定性量化 (UQ) 数据，支持多保真度分析与可视化，实现CFD数据集成与高效利用。

可视化技术取得重大突破，2020年显著进步在于单点分析/可视化可达100亿网格单元数据。通过原位/中转方法优化了处理大容量数据集的I/O开销，从而实现交互式可视化，如利用VisItLibsim或ParaviewCatalyst从CFD模拟中生成可视化输出。

技术进展关键节点

数据库开发：剑桥大学Graham Pullan领导的dbslice项目，以及Intelligent Light的SpectreUQTM环境，体现了基于Web的数据库技术在增强CFD数据管理与处理能力上的创新。ANSYS的Nexus通过整合在Ansys EnSight中的功能，支持报告生成与数据存储。Sandia的SAW平台明显提升了模型、网格、解决方案、后处理与不确定性量化环节的协作效率。

散布架构：现有数据库虽具备一定贡献，但其分散且不协调的架构导致数据难以共享与高效利用。高超声速仿真社区的DNS数据作为“真理”，推动了现代CFD技术的前进，但在提高数据标准化与整合上仍面临挑战。

智能数据提取：通过CFD求解器内置的数据处理与可视化库（如VisItLibsim 或ParaviewCatalyst中的Sensei），实现了直接原位分析与中转数据处理，显著减少数据操作的开销。洛斯阿拉莫斯国家实验室的Cinema技术集成了大量中转层图片数据的汇总与可视化，助力大规模数据交互同屏查看。

结论

知识提取领域的集成数据库与数据可视化技术经历以飞速发展，特别是对大型非稳态CFD模拟数据的处理与分析能力的提升，标志着在未来2030年实现先进CFD知识工程目标的关键前奏。随着技术的不断突破与应用整合，未来将在CFD模拟与分析平台中实现高效的不确定性量化流程和大规模数据交互可视化，推动流体力学研究与工程应用的持续创新。

本文深入探讨了知识提取在计算流体力学领域的应用及其关键发展节点，提供了从集成数据库到可视化技术的全面视角，为读者呈现了该领域从现状到未来的技术蓝图与前瞻趋势。