Развитие математического моделирования и цифровых моделей. CFD-2030: что предвидело НАСА в 2014 году, как реализовано к 2026 и куда движется индустрия

"Введём в трёхмерном евклидовом пространстве декартову систему координат..." (цитата из ранних работ)

Размышляя над новой статьей для блога по цифровому моделированию, я пришел к выводу, что эта тема значительно шире и я сделаю серию выпусков. Более 10 лет назад для решения практической задачи мне необходимо было разработать физико-математическую модель, алгоритм численного моделирования работы устройства и его цифровой двойник в трехмерной постановке. Занимаясь этой задачей я внимательно изучил научный задел прошлых лет, состояние работ того времени и развитие отрасли цифрового моделирования, как это виделось в то время. Одним из знаковых документов был опубликованный в 2014 году Национальным управлением по аэронавтике и исследованию космического пространства (НАСА) небольшой по объёму, но огромный по влиянию документ — отчёт NASA/CR-2014-218178 «CFD Vision 2030 Study: A Path to Revolutionary Computational Aerosciences» (далее «Vision 2030»). Для раскрытия темы я кратко рассмотрел развитие отрасли высокопроизводительных вычислений, которое динамично происходит в наше время через реализацию «вызовов» обозначенных в документе NASA и как в США полноценная научная программа мирового уровня управляется Комитетом по интеграции Американского института аэронавтики и астронавтики (AIAA Integration Committee), объединяющим академию и индустрию высокопроизводительных вычислений.

1. С чего всё началось

В марте 2014 года Национальное управление по аэронавтике и исследованию космического пространства (НАСА) опубликовало небольшой по объёму, но огромный по влиянию документ — отчёт NASA/CR-2014-218178 «CFD Vision 2030 Study: A Path to Revolutionary Computational Aerosciences» (далее «Vision 2030»). Авторами были семь ведущих специалистов из промышленности, академии и национальных лабораторий: Слотник (Boeing), Ходадуст (Pratt & Whitney), Алонсо (Stanford), Дармофал (MIT), Гропп (NCSA), Лури (Boeing) и Маврипл (Wyoming) ^[1].

Зачем это понадобилось? К началу 2010-х годов компьютерное моделирование течений (Computational Fluid Dynamics, CFD) уже было незаменимым инструментом проектирования самолётов, ракет, двигателей. Но индустрия упиралась в стену: расчёты буфетинга при отрыве потока, прогнозирование максимальной подъёмной силы, моделирование полного двигателя с горанием топлива — всё это либо было слишком медленно, либо требовало ручного вмешательства специалистов на каждом шаге, либо просто давало неверные ответы. НАСА собрало комиссию, опросило 150 экспертов отрасли — что нужно сделать к 2030 году, чтобы CFD стал «революционным», а не просто «лучше, чем сейчас»?

Результатом стал документ на 50 страниц с шестью рекомендациями, четырьмя «Большими вызовами» и подробной технологической дорожной картой. Этот документ стал библией всего сообщества CFD на следующие 16 лет. Сегодня, в 2026 году, мы находимся в точке, когда уже можно подвести промежуточный итог: что обещали, что сделали, что нет.

2. Видение 2030: что должно было быть достигнуто

Авторы 2014 года формулировали будущее через одну простую фразу: «Один инженер должен иметь возможность задумать, провести, проанализировать и интерпретировать большой набор связанных симуляций в течение 24 часов». За этой фразой стоит целый набор технических требований ^[1]:

• надёжное предсказание физических процессов в критических режимах: коммерческой авиации, силовых установок, ракет-носителей, входа в атмосферу планет;
• адекватное моделирование нестационарной турбулентности с отрывом и переходом ламинар-турбулент;
• высокая степень автоматизации — без бесконечной возни с сетками и настройкой решателей;
• бесшовная интеграция с прочностной механикой, теплопереносом, акустикой, горением, электромагнетизмом;
• эффективное использование экзаскейловых HPC-платформ (суперкомпьютеров нового поколения, способных выполнять вычисления со скоростью не менее 1 экзафлопса (10¹⁸ операций с плавающей запятой в секунду)), которых в 2014 году ещё не существовало.

Чтобы понять, насколько это амбициозно, достаточно сравнить с реальностью 2014 года. Самой быстрой машиной мира тогда была китайская Tianhe-2 (33,9 петафлопса). До экзафлопса оставалось 30× (порядков) по производительности. Стандартный CFD-расчёт обтекания самолёта занимал недели; полный расчёт двигателя с моделированием горания был фантастикой. Любой расчёт требовал индивидуальной настройки сетки, что отнимало у инженера дни и недели.

3. Четыре «Больших вызова»

Чтобы измерить прогресс, авторы Vision 2030 определили четыре «больших вызова» Grand Challenges — конкретные задачи, без решения которых нельзя сказать, что CFD «созрел» к 2030 году ^[1]:

GC1. Wall-modeled LES (WMLES) для всего самолёта во всех режимах полёта. Метод вычислительной гидродинамики (CFD), объединяющий точность LES (крупномасштабного моделирования) с эффективностью RANS (усредненных по Рейнольдсу уравнений Навье-Стокса). В 2014 году считалось почти технологически невозможным: на расчёт одной точки на крейсерском режиме потребовались бы экзаскейлеры, которых ещё нет; на режим максимальной подъёмной силы — на порядок больше.

GC2. Полная нестационарная LES газотурбинного двигателя со сгоранием топлива с высокой геометрической точностью. Двигатель — это пять-семь связанных машин (вентилятор, компрессор низкого давления, компрессор высокого давления, камера сгорания, турбина высокого, турбина низкого, форсажная камера), каждая со своей физикой. До 2014 года их моделировали по отдельности и соединяли граничными условиями.

GC3. Многодисциплинарная оптимизация (MDA/O) полной конструкции самолёта — одновременный учёт аэродинамики, прочности, двигателя, систем управления в одном оптимизационном цикле. До 2014 года этим занимались последовательно: оптимизировали аэродинамику, потом проверяли прочность, потом перерабатывали под двигатель.

GC4. Аэротермодинамика возвращаемого космического аппарата (Entry, Descent, Landing — EDL) — связанная модель аэродинамики, тепловой защиты, материалов и системы наведения для аппарата, входящего в атмосферу планеты на гиперзвуковой скорости.

Целевые сроки авторы поставили: GC2 и GC4 — к 2030 году, GC1 и GC3 — после 2030.

4. Что произошло с высокопроизводительными вычислениями (HPC): реальность опередила прогноз

Здесь — главный сюрприз последних 12 лет. В 2014 году в Приложении А отчёта Vision 2030 авторы прогнозировали, что флагманская система 2030 года будет иметь производительность около 30 экзафлопсов (то есть 30·10¹⁸ операций с плавающей точкой в секунду). Прогноз был сделан с учётом известного к тому моменту замедления закона Мура — фактически закладывался сценарий «всё пойдёт хуже, чем в прошлые десятилетия».

А что вышло на самом деле? К ноябрю 2025 года в мире уже работают четыре экзаскейлера ^{[7, 8, 9, 10, 11]}:

• El Capitan (Lawrence Livermore National Laboratory, США) — 1,809 экзафлопсов, лидер с ноября 2024;
• Frontier (Oak Ridge National Laboratory, США) — 1,353 экзафлопсов, первый в истории экзаскейлер (июнь 2022);
• Aurora (Argonne National Laboratory, США) — 1,012 экзафлопсов;
• JUPITER (EuroHPC/Юлих, Германия) — 1,000 экзафлопсов, первый европейский экзаскейлер (ноябрь 2025).

Совокупная вычислительная мощность TOP500 на ноябрь 2025 — около 12 экзафлопсов. Динамика последних трёх лет такая, что прогноз «30 экзафлопсов к 2030» представляется достижимым с запасом: уже в 2027 году ожидается ввод системы Discovery (ORNL, 2–5 экзафлопсов), в 2028 — Doudna (NERSC, 10× от Perlmutter), в 2030 — японская FugakuNEXT ^[12].

Энергоэффективность тоже выросла стремительно. Лидер списка Green500 на ноябрь 2025 — система KAIROS на NVIDIA Grace Hopper GH200 — даёт 70+ гигафлопсов на ватт. Для сравнения, в 2014 году топ Green500 был около 5 гигафлопсов на ватт. Рост в 14 раз за 11 лет — почти точно в темпе с законом Денарда (если бы он не был «нарушен» в 2005 году).

Что не было предсказано в 2014 году:

1. GPU-ускорители захватят HPC. В 2014 году GPU считались одной из опций. Сегодня все четыре экзаскейлера базируются на ускорителях (AMD MI300A в El Capitan, NVIDIA H100/GH200 и Intel Max в других машинах). Доля GPU в общей производительности TOP500 превысила 80%.
2. NVIDIA из «производителя видеокарт» стала ключевым игроком HPC. Ни в одном документе 2014 года это не подразумевалось.
3. Облачный HPC станет массовым. В 2014 году CFD в облаке был редкостью. К 2025 году рынок облачного CFD достиг $421 млн, а доля облачных вычислений (cloud) в общем HPC — более 50%.

5. Турбулентность: WMLES — частично, гибриды — индустриально

Самая трудная физическая часть Vision 2030 — моделирование турбулентности. В 2014 году авторы признавали ^[1]: для большинства индустриальных задач (число Рейнольдса 10⁶–10⁸) полная LES со стенками (WRLES) недостижима, WMLES — на грани, гибриды RANS/LES — компромисс.

Что мы имеем в начале 2026 года?

• RANS-SST Ментера остаётся индустриальным стандартом — это подтверждено годовыми отчётами AIAA Integration Committee 2020, 2022 и 2024 ^{[2, 3, 4]}.
• Гибриды DDES, IDDES внедрены в коммерческие пакеты (ANSYS Fluent, Siemens Star-CCM+, Cadence Fidelity, OpenFOAM) и используются для аэроакустики, отрывов, винтокрылых машин.
• WMLES для крейсерских режимов — продемонстрирован в нескольких независимых работах NASA, Boeing, ONERA. Сетки 100 миллионов — 2 миллиарда степеней свободы; время счёта на экзаскейлерах — несколько суток на режим ^[15].

Самая важная новость 2025 года — семинар четвёртый High-Lift Prediction Workshop (HLPW4, январь 2025): впервые несколько организаций успешно предсказали максимальную подъёмную силу сложной high-lift-конфигурации (Common Research Model в устройство крыла -high-lift конфигурации, испытанной в трубе QinetiQ 5-meter в Великобритании) методами WMLES и гибридных RANS/LES ^[15]. До этого такие режимы (со сваливанием, с вихрями, отделяющимися от элементов механизации) считались принципиально недоступными для масштабно-разрешающих методов. Это — прорыв, и он произошёл с задержкой всего на 1–2 года относительно прогноза 2014 года.

Что не было предсказано: роль машинного обучения в моделировании турбулентности. В 2014 году об этом писали как о «возможной перспективе», а в обновлении дорожной карты 2020 года уже появилась веха «Machine Learning for Complex Flow». К 2025 году нейросетевые модели стенок (wall models) для WMLES — активная область, в которой работают группы Caltech, Stanford, MIT, NASA Ames ^[16].

6. Автоматизация и сетки: главный «должок» 2030 года

В Vision 2030 ^[1] авторы выделили четыре технологических разрыва:

1. слабая связь CFD-пакетов с CAD;
2. построение сеток требует ручного труда;
3. нет надёжной адаптивной перестройки сетки в ходе расчёта;
4. отсутствует количественная оценка ошибок дискретизации.

Что сделано:

• Автоматическое построение сеток — пакеты Cadence Pointwise, ANSYS Fluent Meshing, Siemens Star-CCM+, OpenFOAM cfMesh теперь делают это в 80–90% типовых случаев без ручного вмешательства. Цель «невидимая для инженера сетка» приближается, но не достигнута: для произвольно сложной геометрии (полная топология самолёта, со всеми лючками, антеннами, зазорами) пока нужен опытный сеточный инженер.
• Адаптивная перестройка сетки в ходе расчёта — внедрена в ANSYS Fluent (h-адаптация), у Avio Aero (анизотропная адаптация), у NASA FUN3D (высокий порядок), у Cadence Fidelity Flow.
• Количественная оценка ошибок — стала стандартом сертификационных расчётов. ASME V&V 20-2009, индекс GCI Roache–Celik используются как обязательная часть отчёта.
• Связь с CAD — частично решена: Siemens NX, Dassault CATIA, PTC Creo интегрированы со своими CFD. Открытого стандарта пока нет.

В отчёте 2022 Roadmap Update ^[3] авторы прямо констатируют: «mesh generation and adaptivity continue to be significant bottlenecks in the CFD workflow, and very little government investment has been targeted in these areas». То есть это главный нереализованный пункт Vision 2030.

К 2030 году ожидается, что AI-driven построение сеток (NVIDIA, Cadence, Altair MeshAI) разрешит эту проблему — но только частично.

7. Большие данные CFD и knowledge extraction

В 2014 году авторы Vision 2030 ^[1] поставили цель: «по запросу получать визуализацию и анализ нестационарного CFD-расчёта на 10 миллиардах точек». В 2014 году это казалось фантастикой — типичный расчёт давал гигабайты, и работать с ними нужно было послерасчётно.

К 2025 году это достигнуто на крупных HPC-центрах:

• in-situ visualization (CataLyst в ParaView, Ascent SDK) — данные обрабатываются «на лету», без сохранения на диск;
• LES-расчёт авиадвигательной камеры сгорания генерирует 50–500 ТБ данных, для двигателя — петабайтные объёмы;
• AI-методы суммаризации больших данных (POD-ROM, Sparse Identification of Nonlinear Dynamics SINDy, autoencoders) позволяют извлекать low-dimensional модели из терабайтных потоков.

Распространение этих технологий на индустрию — на стадии активного освоения.

8. Многодисциплинарная оптимизация (MDA/O)

Полная связка «aero + structures + propulsion + controls» в одном оптимизационном цикле — пока ещё редкость даже у крупных разработчиков (OEM (Original Equipment Manufacturer)). MDA/O-платформы (ModelCenter, Isight, OpenMDAO) активно используются в авиации, аэроупругие оптимизации стали стандартом у Airbus и Boeing. Но полный MDA/O всего самолёта — цель, которая прогнозируется к достижению ближе к 2032–2035 ^[4]. Авторы 2014 года были правы в том, что эта задача — самая трудная, потому что она не сводится к одному физическому процессу.

9. Статус четырёх Grand Challenges на 2025 год

Сводная картина:

10. Шесть рекомендаций из отчёта 2014 — что выполнено

В документе 2014 года было сформулировано шесть рекомендаций. Через 12 лет можно констатировать:

1. «НАСА должна продолжать быть лидером в фундаментальных исследованиях CFD» — выполняется через программу Revolutionary Computational Aerosciences (RCA), запущенную в 2018 году с пятью техническими вызовами. Статус: ВЫПОЛНЯЕТСЯ.

2. «НАСА должна разработать оперативную интегрированную инфраструктуру моделирования и разработки ПО» — реализуется через FUN3D, OVERFLOW, USM3D и open-source инициативы. Статус: ЧАСТИЧНО.

3. «НАСА должна гарантировать наличие соответствующих HPC-ресурсов для CFD-исследований» — здесь НАСА отстаёт от прогноза. В 2014 году флагманский Pleiades имел 2,88 петафлопса. В 2025 году у NASA Ames — Aitken (5 петафлопсов), не входит в TOP500 leadership-class. Ставка делается на кооперацию с DOE (Frontier, Aurora, El Capitan). Статус: ЧАСТИЧНО — через кооперацию с Министерством энергетики США (DOE). Министерству энергетики США (DOE) принадлежат три передовых суперкомпьютера экзафлопсного класса

4. «НАСА должна способствовать сотрудничеству с аэрокосмической промышленностью, академическими кругами и DOE» — серия совместных проектов с Boeing, GE, Pratt & Whitney; со Stanford, MIT, Wyoming. Статус: ВЫПОЛНЯЕТСЯ.

5. «Стимулировать возрождение R&D-инвестиций (инвестиций в научно-исследовательские и опытно-конструкторские работы) в CFD» — в США через NSF, DOE, AFRL; в Европе через Horizon Europe; в Китае через MIIT. Статус: ВЫПОЛНЯЕТСЯ.

6. «НАСА должна привлекать инженеров и учёных мирового класса» — NSTRF (NASA Space Technology Research Fellowship), стипендии, гранты на STEM. Статус: ВЫПОЛНЯЕТСЯ.

11. Что не было предсказано в 2014 году, но стало реальностью

Документ 2014 года в целом точно очертил ландшафт, но существенно недооценил три направления:

1. Скачок производительности GPU и роль NVIDIA. В 2014 году GPU-ускорение CFD рассматривалось как одна из опций. К 2025 году все четыре экзаскейлера базируются на GPU-ускорителях. NVIDIA из «производителя видеокарт» стала ключевым игроком HPC и AI.

2. Появление физически информированных нейронных сетей (PINN). В 2014 году эта концепция ещё не была сформулирована. Первая полноценная статья — Раисси, Пердикарис, Карниадакис из Brown University, 2017–2019 ^[13]. К 2025 году PINN-фреймворки (NVIDIA PhysicsNeMo, DeepXDE, SciML.jl) активно применяются в индустрии: Shell сообщает об ускорении расчёта многомасштабного химического реактора в 100 миллионов раз ^[14].

3. Облачный HPC и демократизация CFD. В 2014 году CFD в облаке был экзотикой. В 2025 году рынок облачного CFD достиг $421 млн (2024) и прогнозируется до $1 050 млн (2032), а доля Облачных вычислений (cloud) в общем HPC превысила 52%. Появились специализированные cloud-CFD провайдеры (Rescale, SimScale).

Кроме того, в 2014 году не было концепции цифровых двойников в её современном промышленном виде. Хотя термин уже существовал (Гривс 2002, Глесген-Старгел 2012), глобальный рынок ($20–35 млрд в 2025 году) и зрелость промышленных платформ (Siemens Xcelerator, NVIDIA Omniverse, Ansys Twin Builder) — это феномен 2020-х. Цифровые двойники стали главным потребителем CFD-вычислений вне академии и оборонной отрасли.

12. Что будет дальше: прогноз 2026 → 2035

На основании текущего прогресса и динамики 2014–2026 можно ожидать следующего:

• 2027–2028: ввод систем Discovery (ORNL, 2–5 EF) и Doudna (NERSC). Оба проекта направлены на достижение уровня производительности класса EXASCALE (более 1 экзафлопса); первый успешный WMLES всего самолёта в крейсерском режиме как индустриальный стандарт.
• 2029–2030: достижение GC2 (полная LES двигателя) и GC4 (EDL); старт FugakuNEXT в Японии. Целевая дата Vision 2030 — достижима по большинству пунктов.
• 2031–2032: GC1 — WMLES в high-lift конфигурации становится индустриально применимым. Цифровое сертифицирование (Digital Certification) — формально признаётся регуляторами (FAA, EASA) как основной стандарт (primary route) для модификаций сертифицированных самолётов.
• 2033–2035: GC3 — полная MDA/O оптимизация самолёта реалистична. Появление систем класса 100+ EF (10× от Exascale). Цифровой двойник становится таким же обязательным «артефактом» серийного промышленного изделия, каким сегодня является техническая документация.

13. Заключение: почему Vision 2030 был успехом

Если отступить от деталей и посмотреть на общую картину, NASA CFD Vision 2030 был интеллектуальным успехом.

Во-первых, документ правильно идентифицировал главные технологические препятствия: турбулентность, автоматизация, междисциплинарный анализ и оптимизация проектирования (MDA/O), база знаний (knowledge extraction), высокопроизводительные вычисления (HPC). Никаких сюрпризов в физике или алгоритмах не возникло.

Во-вторых, документ точно определил темп прогресса в 11 из 12 ключевых направлений. Единственное, что было сильно недооценено, — экспоненциальный взлёт GPU-вычислений и AI.

В-третьих, документ сформировал общий язык для индустрии. Когда инженер Boeing в 2025 году пишет «мы добились прогресса в GC1 на сетке 1.5 миллиарда DoF», его понимают и в S-d, и в Pratt & Whitney, и в Eurofighter, и в NASA Ames. Это — заслуга формулировок Slotnick et al. 2014.

И, наконец, документ спровоцировал реальное действие. Комитет по интеграции Американского института аэронавтики и астронавтики (AIAA Integration Committee), объединяющий академию и индустрию, к концу 2024 года выпустил уже четыре обновления дорожной карты (2018, 2020, 2022, 2024). По каждой технической области ведётся строгий мониторинг; по каждому Grand Challenge — публикации с количественными метриками. Это превратилось в полноценную научную программу мирового уровня.

К 2030 году, скорее всего, многие пункты Vision не будут полностью выполнены, особенно по полной автоматизации и MDA/O. Но ключевой результат уже достигнут: CFD из «инструмента инженерного отдела» превратился в индустрию сама по себе с собственными стандартами, языком, инфраструктурой и горизонтом планирования. И это, пожалуй, даже больше, чем планировали авторы документа 2014 года.

Литература

1. Slotnick J., Khodadoust A., Alonso J., Darmofal D., Gropp W., Lurie E., Mavriplis D. CFD Vision 2030 Study: A Path to Revolutionary Computational Aerosciences. NASA/CR-2014-218178, NASA Langley Research Center, Hampton, VA, март 2014. ntrs.nasa.gov/…
2. AIAA Integration Committee. CFD Vision 2030 Roadmap Update — 2020. cfd2030.com/…
3. AIAA Integration Committee. CFD Vision 2030 Roadmap Update — 2022. cfd2030.com/…
4. AIAA Integration Committee. CFD Vision 2030 Roadmap Update — 2024. cfd2030.com/…
5. Cary A.W., Chawner J., Duque E.P.N., Gropp W.D., Kleb W.L., Kolonay R.M., Nielsen E.J., Smith B. CFD Vision 2030 Roadmap: Progress and Perspectives. AIAA SciTech Forum 2021, AIAA Paper 2021-2726.
6. Anand M.S., Medic G., Paliath U., Suder K., Malik M., Laskowski G. Vision 2030 Aircraft Propulsion Grand Challenge Problem: Full-engine CFD Simulations with High Geometric Fidelity and Physics Accuracy. AIAA SciTech Forum 2021, AIAA Paper 2021-0956.
7. TOP500.org. 66th Edition of the TOP500 list. SC25 Conference, St. Louis, ноябрь 2025. top500.org/…
8. Lawrence Livermore National Laboratory. El Capitan Retains Title as World's Fastest Supercomputer on Latest Top500 List. Press release, ноябрь 2025.
9. HPE. Three HPE-built exascale systems sweep list of world's fastest for the third time. ноябрь 2025.
10. EuroHPC Joint Undertaking. JUPITER Booster: Europe's First Exascale System. ноябрь 2025.
11. Network World. Nvidia's first exascale system is the 4th fastest supercomputer in the world. 18 ноября 2025.
12. RIKEN, Fujitsu. FugakuNEXT — Project announcement and technical roadmap. 2024–2025.
13. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707, 2019. doi.org/…
14. NVIDIA Corporation. PhysicsNeMo Documentation and Case Studies including Shell, Kinetic Vision. 2022–2025. developer.nvidia.com/…
15. Cary A.W. et al. Continued progress toward the CFD Vision 2030 goals. Aerospace America, AIAA Year-in-Review, 2025. aerospaceamerica.aiaa.org/…
16. Lozano-Durán A., Bae H.J. Self-critical machine-learning wall-modeled LES for external aerodynamics. Center for Turbulence Research, Annual Research Briefs, 2020. arxiv.org/…
17. Bose S.T., Park G.I. Wall-Modeled Large-Eddy Simulation for Complex Turbulent Flows. Annual Review of Fluid Mechanics, 50, 535–561, 2018.
18. Lozano-Durán A., Bose S.T., Moin P. Performance of wall-modeled LES for external aerodynamics in the NASA Juncture Flow. arXiv preprint, 2021. arxiv.org/…