LBM流体求解器的诞生05计算效率三年提升10倍
发表时间：2023-10-25 16:04:27
文章来源：炫佑科技
浏览次数：124
菏泽炫佑科技
LBM流体求解器的诞生05计算效率三年提升10倍
01 什么是CAE求解器？
02 “站在巨人的肩膀上”还是“成为巨人本身”？
03 从读书到创业，我对CAE的追求
04 LBM流体求解器**版诞生
05 计算效率三年提升10倍，但仍不乐观？
06 五年百倍提速，浪潮中变革
01
阅读进度：0%
“你能用一句话说清楚什么是求解器吗？” 很多投资者朋友都问过我这个问题。
在谈论求解器之前LBM流体求解器的诞生05计算效率三年提升10倍，您必须对CAE有一个清晰的概念。 CAE又称计算机辅助工程，利用求解器对真实的物理现象进行分析和模拟，以“虚拟”的方式再现工程生产过程。 如果说CAD是我们用来辅助设计的工具，那么CAE要做的就是用“虚拟”来评估这些“实际”的设计。 这也是CAE*核心、*本质的作用。 作为*重要的核心要素，求解器要做的就是“准确”地把握和还原真实的物理现象，进而为评价和判断“生产过程”的好坏提供标准。
在此基础上，如果我真的可以用一句话来描述求解器，我会说：“CAE求解器是一个矩阵运算代码包，具有描述特定物理现象的能力。”
首先，它必须能够解决某种类型的物理问题（通过求解偏微分方程 - 描述该物理过程的偏微分方程组）；
其次，它是一个代码包或库；
此外，该库的主要功能是进行矩阵（逻辑和/或代数）运算。
这看起来可能很复杂，但实际上，CAE求解器和我们日常生活中的计算器没有本质区别。 当我们在计算器上输入一些数字和运算符号，点击等号“=”命令计算时，它就会产生结果，整个计算过程都是由“求解器”完成的。 它嵌入在设备中，我们看不到它，但我们知道它存在。
CAE 求解器类似。 以流体力学求解器为例，求解时还需要输入一些参数，如材料属性参数（如粘度）、温度、初始条件（如速度、压力）、边界条件（滑移、无滑移、镜像、对称）等，将这些参数输入到软件的“计算器”中，点击等号“=”命令计算，即可得到结果。 根据这个结果，我们将进行后续的分析。
与计算器的简单计算过程相比，计算流体形状的过程更为复杂。 首先，心流是一个随着时间不断演变的过程。 它的解不是恒定的，而是每时每刻都有解。 其次，评价流态不能仅仅依靠一个数字，而需要多维度的指标来评价。 例如速度、压力、无序度、界面形态等，甚至还有涡度、旋度、能量耗散等。人们发明了一系列无量纲数来测量流动的状态。 比较有名的有雷诺数、普朗特数、瑞利数等，之所以有这么多指标，是因为流动本身（涉及的变量、空间和时间）的自由度太大，我们无法简单地评估它是“好”或“坏”。
工业软件的五个科学基石[1]
不难看出，CAE求解器的研发需要多学科的交叉融合和较强的编程能力，可见研发门槛较高。 关于是否开发独立的CAE求解器，我经常举的一个例子是：CAE求解器对于工业CAE软件的重要性就像航空发动机是飞机的心脏一样。
GE和PH的航空发动机技术实力远远领先于我们。 买了之后直接组装到飞机上不就可以了吗？ 然而，被誉为“工业皇冠上的明珠”的航天发动机，是集众多前沿技术于一体的核心装备。 加快其自主可控国产替代步伐刻不容缓。 截至2020年底，中央、国务院批准立项的“航空发动机和燃气轮机”国家科技重大专项（“两机专项”）投资已达3000亿元. [2]
同样，CAE求解器是工业CAE软件的引擎和心脏，而这颗心脏始终来自大洋彼岸的美国、德国等工业发达国家，为我国工业制造提供“施舍”。 凭借我们血液流动的力量，我们享受到了这些“美国风味”和“德国风味”的甘甜。 虽然我们也对他们不满意，但我们还是为这唯一的选择感到高兴。 然而华为被制裁、封禁等事件却让大家从温水煮青蛙的安慰中惊醒。 这颗心慢慢变成了一颗“定时炸弹”，可能会给依赖它的人造成严重伤害。 于是大家开始高举“国产替代”的大旗。 工信部还将工业软件列为“十四五”规划“新五基”之一。 整体政策环境繁荣，等待CAE厂商率先超越。 。
所有CAE厂商面临的*大障碍是求解器。
我们想用一两年的时间把别人花了十年甚至二十年的研发成果啃下来。 这在大多数人看来是不现实的。 有能力、有勇气啃硬骨头的人屈指可数。 可数的。 正是在这样残酷的现实下，我创立了时创科技，并决定致力于独立CAE求解器的开发。
02
阅读进度：11%
五年前自动化软件开发，我是时创科技的“**代”，也是唯一的算法工程师。 作为一名“科学研究者”，我的想法很简单：首先实现算法原型，然后对其进行优化，使用编程——一种不太标准化但高效的语言。 在5年的博士生涯中，加上近7年的国内外工作经验，我对物理模型和数值算法积累了大量的理解。 对我来说*直接的好处就是可以解决工程问题中涉及到的物理问题。 模型时，我不再需要尝试所有数值算法来选择*好的算法，因为我已经很有可能知道哪种算法对于此类模型*有效。 因此，在开发流体动力学求解器时，我毫不犹豫地选择了LBM——格子玻尔兹曼方法。 我告诉自己，一定不能让这个求解器成为一堆留在“实验室”的内部代码。 我们必须让这些代码成为真正的计算引擎，服务于行业客户，创造真正的价值。
那时，我站在十字路口的中间。 一种方法是下载一个开源软件库，并基于这个库进行二次开发，形成一个“自己的”求解器。 另一种方式是一切从头开始，对模型进行分析和分解，选择、Adapt数值算法、编码、优化、迭代，*后形成独立的求解器。
选择一个好的开源软件库可以说是“站在巨人的肩膀上”。 毕竟这些开源软件包是由大量的算法和软件工程师编写的，其整体工作量可达数百人年。 如果是一个好的库、一个高质量的库，它的代码规范和运行效率都是非常高的。 如果在此基础上进行二次开发和迭代，如果后继团队本身实力雄厚，就可以打造出更好的代码库。 ，这实际上是一个继承和提升的过程。 但从另一个角度来看，这种传承和升级也存在很大的风险。
首先，“站在巨人的肩膀上”能站多高，取决于“巨人”本身有多高。 之前也提到过，这个开源软件库一定是高质量的，但是如何判断它是否高质量呢？ 退一步讲，如果确实是高质量的，能否下载和购买还不确定。 互联网上充斥着大量的开源代码。 在所谓的开源求解器中，众所周知，它们大多数都是垃圾，实际上不具有竞争力。 真正有价值的开源库很少，而且大多数时候由于一系列政治因素而无法访问。
其次，可用的开源代码库大部分来自大学、研究所、国家实验室或一些“业余”爱好者。 他们根据某些国家和政府项目编写代码包，其本质目的是促进研究。 通过这些“成型”的代码结合二次开发，更容易让科研人员更快地开展研究。 所以一般来说，这些代码库是不用于商业用途的。 它们只是提供了一个框架，以便科学研究人员能够更有效地生成新模型和知识。
此外，开源软件库在计算稳定性方面也会存在一系列问题。 由于其研究型的性质，开发者更多地考虑是否能够解决某一类或几类问题，而不是花费大量精力考虑各种情况（特别是复杂的边界条件）来改进和优化。 代码稳定性。 在这种情况下，如果两个完全不同的领域需要代码适配，计算稳定性就会存在很多隐患。 *终的稳定性完全取决于后来者的技术水平。
因此，基于开源软件制作自己的求解器不仅取决于开源代码本身的质量或高度，还取决于后继者本身的技术水平。 如果后者的水平低于前者，那么*多也能达到前者的水平。 如果后者的等级远高于前者，那么就能发挥出两种能力乘积的乘数效果。 但对于CAE求解器类型的开源软件，特别是对于困难的流体和结构成形求解器来说，后一种情况是非常罕见的，因为对于这些困难的CAE求解器来说，开发本身已经不再是一件容易的事情。 后继者必须在技术实力上超越前任。 除非是有组织、继承的传承，否则可能性微乎其微。
那么第二种方式，也就是从0到1自己开发呢？
显然，与继承开源相比，成功开发CAE求解器的不确定性更大。 毕竟，在*坏的情况下，如果继承开源进行开发，肯定会出现“解决者”，但如果自己独立探索、独立开发，就会有可能的结果是0个结果，什么也开发不出来，或者更多很可能开发出一种没有竞争力的“矮”求解器。 这个求解器对于研究工作可能有一定意义，但作为商业化是完全不可能的。 这种“矮子”并非特例，而是普遍现象。 这也是我国一直没有出现真正商业化的求解器的*本质原因。
如果商业求解器要求算法和软件本身的成熟度达到9级（精度、稳定性、计算效率各为3级），那么我们目前能看到的求解器大部分只能达到3-6级。 在流体力学方面，世界上真正具有商业性、工业性、具有国际竞争力的求解器实际上只有少数。 所以你可以想象这有多么具有挑战性，但是开发一个完全独立的求解器*大的好处是我们可以从一张“白纸”开始，拥有所有的自由度，并且来自另一个维度。 了解和探索，整个开发过程没有框架，也没有天花板，一切天花板取决于开发者自己。
求解器的技术成熟度
对于工业应用来说，工业仿真软件*重要的产品属性就是时效性，这意味着在满足客户需求的同时，尽可能为客户节省时间、交付效率。 这转化为求解器的能力，也就是计算稳定性。 而计算效率，只有在这个前提下才能讨论计算精度。
影响计算精度的因素有很多。 与算法中的“数值顺序”相比，计算精度更多地取决于边界条件或环境约束的影响，而不是求解算法本身。 记得一位著名学者说过：在模拟计算中，如果你的输入是垃圾，那么结果也一定是垃圾。 不得不承认，即使有“完美”的精确求解器，如果输入阶段出现漏洞，计算结果也将毫无参考价值。 因此，如果我们想在计算精度上做文章，我们应该更多地关注如何让“输入”正确，而不是过于苛求提高数值计算的“顺序”。
让我举一个热咖啡变冷的例子。
假设我们要模拟热咖啡不断与周围环境（杯子）进行热量交换的冷却过程。 为了实现这个计算，我们需要知道咖啡和杯子等材料的热物理参数，即材料本身与传热相关的属性。 包括导热系数、密度、比热容等。同时我们还需要知道初始条件，包括咖啡和杯子的初始温度。 然后我们建立一个几何模型，将参数代入传热求解器中开始计算并生成结果。 其实，即使我们不做计算，我们也会觉得咖啡冷却的速度并不完全由这些参数决定，更重要的是取决于杯子的类型。 例如，一个是普通杯子，另一个是保温杯。 显然，咖啡在保温杯中慢慢冷却。 事实上，在这个简单的传热过程中，真正决定传热效率的是咖啡与杯子之间的热阻。 保温杯的热阻明显大于普通杯子，因此整体传热速度较慢。 但真正的问题来了。 当我们计算这么简单的问题时，我们应该如何设置咖啡和杯子之间的界面热阻呢？ 显然，如果设置不当，计算结果的精度会急剧下降。 这个小例子实际上引出了一个非常重要的分析思想，那就是在仿真过程中，决定计算结果准确性的是核心输入参数，比如上面提到的界面热阻。 我们希望改进对真实过程的模拟。 要做到精准，就要把握和关注这些核心输入参数，而不是捡了芝麻丢了西瓜。 在这个例子中，如果材料热物理参数对计算精度的贡献为1，那么界面热阻的影响至少会达到10，在一些实际生产过程中甚至可以达到100。 我在与科研人员或者实际使用仿真软件的客户交流时经常发现这个问题。 即人们过于关注一些不那么重要的参数，而对起决定性作用的输入参数或边界约束却视而不见。 。 其实并不是我们视而不见，因为这些参数往往是*难理解和确定的。
03
阅读进度：34%
我被问得*多的问题是为什么我们要做CAE仿真，为什么我们选择往这个方向创业？
随创科技的创立并专注于工业CAE仿真，与我之前的学习和工作经历有很大关系。 感谢我在大学和研究生期间遇到的课程和老师，我真的对数学，尤其是应用数学产生了兴趣。 那时我**次接触到数学建模、线性代数、数值分析、偏微分方程等，包括多年的研究与工程项目相结合。 我使用CAE仿真软件（自己编写的或者商业软件）针对实际工程问题做了很多仿真计算和数据分析。 从那时起，我发现善于运用CAE可以解决很多看似复杂的工程问题。
我的研究记录
在攻读博士学位期间，我对各种物理、数学问题和数学方法着迷。 我沉浸在经典和量子力学、微分方程和离散化、线性代数和矩阵变换、无量纲和降维分析、复杂变量函数和密度泛函、格林公式和数值算法、分形几何和混沌的复杂而奇妙的世界里。 、拓扑和特比乌斯环。 我经常在业余时间阅读这些领域的著作，旁听学校课程，参加相关论坛，不断穿梭于学校的教室之间。 我的兴趣逐渐变成了能力。 线性代数（矩阵运算）和数值分析（数值算法）两大工具都被我很好的运用，这也对我追求求解器发展起到了重要的推动作用。
当我在牛津大学学习和工作时，我的导师告诉我，他非常担心他的儿子。 假期里，他手里拿着一本《量子力学》，全神贯注于学习，无暇自娱自乐。 “他没有什么问题，只是和别人不一样而已。” 我说，因为我心里明白他。
我一直认为自己更像是一名工程师（），而不是纯粹的科学研究人员（），因为工程师的工作就是将科学转化为应用。 我的博士项目是关于逆问题（ ），即逆向计算。 正常的仿真计算一般将控制参数和边界条件输入到所谓的“求解器”中产生结果，从而分析结果并获得新的知识； 而求解反问题则相反，要求将测量值的实际结果输入到“反计算模型”中，得到与问题相关的输入条件，包括控制参数或边界条件。
让我没想到的是，我们为博士项目开发的逆计算模型竟然帮助我们解决了我们自主开发CAE软件时长期困扰业界的一个问题。 可以说是出乎意料却又在情理之中。 。
我们的**个CAE产品叫“智能铸造朝云”，是压铸行业的仿真平台。 它试图解决的行业问题与之前热咖啡变冷的例子非常相似：在填充到模具型腔的过程中，熔化的铝合金液体会不断与模具进行热量交换。 整个过程中熔融金属冷却的速度主要取决于熔融金属与结晶器壁之间的界面热阻，或者说界面传热系数（热阻的倒数）。 该参数设置的正确性显着影响整体传热计算的准确性。 其实这么多年，大家在使用仿真软件时都“猜测”过这个参数，甚至很多情况下都是“随意填写”的。 我们发现，在这种情况下，客户在计算熔融金属的凝固（液态变成固态）时预测的凝固时间往往是实际时间的2到3倍，这意味着模拟带来的误差可以达到100% 200%，但有趣的是，大家还在根据这个结果进行后续的分析。 这里的核心问题是几乎没有人知道如何设置传热系数！
如何解决这个问题呢？ 其实很简单。 我们需要做一些实验，不断采集大型压铸生产过程中的实际温度，然后通过反演求解出熔融金属与铸模之间的传热系数，然后将这个值添加到模型中实现精确求解——这是我博士项目的主要工作。 获得这些传热系数后，我们发现压铸等复杂工艺的传热系数并不是一个固定值，而是一个随着空间位置和时间不断变化的值。 我们称之为 4D 界面传热系数。 得益于该界面传热系数模型，智能铸造超级云计算凝固过程温度场的精度可以达到95%以上。 在大多数情况下，计算和预测的凝固时间与实际铸造过程极其接近。 可以想象后续基于这个温度场结果的缺陷分析能够给实际的工艺设计和工艺生产带来多大的价值。
04
阅读进度：46%
几年的国外学习和工作给了我更多的思考机会。 同时，结合不同类型的研究项目，使我对各种数值算法有了非常深入的了解，并有机会在各种情况下进行写作和写作。 使用这些算法来详细了解它们的差异。
这些数值算法的核心目的只有一个——以*快的方式找到问题的解决方案或“根源”。 在实现路径上，几乎所有算法都采用渐进摆动的方法来逼近*终的解，也就是所谓的迭代。 它就像一个钟摆，受到摩擦力并左右摆动多次，*终滑落并稳定在底部位置。 但如果钟摆不平稳地向下移动，它必然会像疯了一样剧烈地摆动。 这在数值模拟中称为计算“散度”。 大多数实际工程问题在分解模型并离散化后可以转化为求解线性方程组。 评估这些数值算法优缺点的*佳方法是查看它们在求解线性方程组时表现出的计算稳定性。 性能和计算效率。 在通往*终目的地的过程中，不同的算法采取完全不同的思路或路径。 大多数矢量算法主要通过建立多维正交系来找到“根”的坐标位置。 例如，对于一个简单的三维问题，求解一个三维（Z,Y,Z）线性方程组的*终解实际上是三维正交系统中的一个点，或者具体的坐标值X*、Y*、Z*。 而这个三维正交系统，或者说“子集”，可以是一个三维空间，也可以是一个面，也可以是一条线。 实际问题比这复杂得多。 很多情况下，我们解决的是“非常”多变量线性方程组的解。 例如，如果网格大小为1000万，那么它就是一个1000万元的线性方程组。 我们或许可以口头算出一个三维线性方程组的解，但是1000万元呢？ 回到向量算法，当待求解的未知数或“元素”越来越大时，由于我们对计算精度的要求越来越高，我们所熟悉的各种数值算法都会陆续失败。 当然，不同的算法失败的速度不同。 而这个速度体现了算法本身的能力边界。 在极端情况下，如果我们解决的问题所需的精度超出了计算机的浮点误差范围，那么所有的数值算法都会失败。 因此，数值计算是数值算法和计算机的“联合表演”，两者缺一不可。
还记得我用MAC方法求解NS方程时，要不断迭代求解泊松方程。 如果你选择的算法不够好，那么解这个方程就太费力了。 可能需要数十次或数百次迭代才能达到解决方案的准确性。 没有太大的改善。 如果你设置的收敛限制非常苛刻，那么这个方程可能永远不会收敛，即“永远”没有解。
为了解决这个问题，我尝试了当时几乎所有的数值算法，但都没有效果。 直到我费了九牛二虎之力写了一个()算法，我才恍然大悟，恍然大悟。 与矢量算法的概念不同，多网格算法通过改变网格大小来消除计算偏差（误差），消除误差的效率远高于仅使用底层消除方法的矢量算法。 对此，多重网格算法就像不断改变视镜和物镜的放大倍数，从而可以更清晰地观察和消除各种“大小”的误差，而矢量算法只有一副视镜和物镜镜头，无论你的眼睛睁得多大，你都看不清更细节的东西。 多重网格算法给我*大的启发就是：无论数值问题本身有多么困难，总有解决问题的*佳方法。 更重要的是要敢于转变思维、换个角度去思考问题，而不是一味地“蛮力”、“肯定”、“愚蠢”算。
*早的基于LBM的流体力学解决方案代码是我在英国工作时开发的。 主要用于模拟铝合金显微组织生长过程中溶质的流动和偏析。 这个版本的代码更多的是算法本身功能的实现。 ，在计算效率方面我并没有做太多的优化。 在创立时创科技的**年，我就对这个版本的代码进行了一次又一次的优化。 首先，我将之前的代码从脚本语言（，）转换为语言，并针对其计算效率和边界条件做了很多优化。 之后，我尝试使用各种网格形状和差分格式来提高计算精度、计算稳定性和计算效率，*终我们确定了一套自己的代码架构。
首先，我们需要确定数据格式和网格架构，这是所有向后扩展求解器的基础。 高效的网格系统可以大大提高计算精度、计算稳定性甚至计算效率。 网格系统就像CAE模拟的底层基因。 每个网格相当于一个单元格。 细胞的形状和灵活性直接决定了后期解决方案的能力上限。 经过深思熟虑和选择，我们*终采用了基于块结构的多层加密网格系统（块网格，BS-AMR）。 因此，针对某个问题的整体网格系统是多层的。 例如，要对一组模具进行网格划分，我们可能需要制作 5-6 层。 需要不同的网格尺寸来描述不同的组件。 对于物理现象，变化不太明显的地方我们使用粗网格，而物理现象变化较大或者我们比较关注的地方，我们使用细网格。 这样划分之后，整体的网格就像一个金字塔。 当你到达上层时，网格尺寸变得更小，问题描述更准确，但它覆盖的区域更小。 这种网格系统的一个很大的优点就是我们不需要用*小的网格来划分整个计算域，从而导致计算规模巨大。 经过分层致密化和细分后，整体网格体积近似为整个域（精细）。 细分状态下为1/100~1/500，可以大大减少整体计算规模，在保证精度的同时大大提高计算效率。 同时，使用不同大小的多层网格结构，我还有另一层思考，这也是一个比较长远的伏笔，就是在应用中使用基于这种多层结构的多层网格算法。算法开发的后期阶段，以*大限度地提高求解器性能。 到了极点。
基于这个网格架构，我用语言重新编写了LBM解决方案代码。 一开始只能计算2维的情况，后来逐渐升级到3维的情况。 开发流体动力学求解器是一个迭代过程。 不要低估二维情况。 虽然维度很小，但是2D为我们提供了大量的精度验证案例，因为一般情况下，维度较小可能会出现问题。 准确解析解的概率更大，拥有解析解可以让我们更容易测试求解器的准确性。 当涉及到三维湍流问题时，几乎没有一种情况有解析解。 我们只能通过实验对比来验证。 需要注意的是，实验并不一定“准确”，因为很多情况下我们需要精确控制各种实验参数。 为了获得有效的实验结果，实验通常不可避免地会引入人为误差。 from MAC and , the most thing in LBM fluid is how to make the at the more and . For , we must think about and the of . If the are not done well, it is not only a of the is , but also the can be , in many cases, if the are not set , the fluid will , and no one wants to A at 60%, and we any . This may be the and most so- . this will is what we have said about . The of a high- , or at least the it needs to have, is that the must be high. to . In some cases, the of this is not only on the , but more on the time cost . When a fluid , what we do is to the real . We out of thin air how this be or how that to , but must be based on real laws, that is, - are , so real fluid are , for such as . the of each step. All under the "" of laws. 从。
05
: 69%
It was under such that I the first of the three- LBM fluid . In terms of , every time I a , I will it with the test cases in the , but in terms of , In terms of , it is not very high. I still that at that time, a 30 grid (-scale) flow case, if the could be , took 30-50 hours, and in many cases, the code was It will crash the . Each crash is by a in a grid, but for cases, the and of the are . In the of , the we are most of is the kind of , and bugs, which often give us a . It may take a week or even a month to debug an bug. They were all and made . And this is often the most thing. Many who give up due to the delay of this . This is the so- in the . It is from pure . There is no in . We know that this will be . The only thing is we can find this bug as soon as . When a that makes an error, you be sure your model is wrong, the is wrong, or there is a with the code . The is easy to solve, but the first two are the real . , fluid , there is no "" model until now. NS is one of the seven major of the , so you must think the model and the code, and and try. It is to solve the .
From 0 to 1, the next is how to fully the of the model and code and the and of the . from so many years of , these two are not , but and arise from each other. There is no way for us to solve the first and then the (or vice versa). The more is The two be paid to and at the same time. , at that time, two more core were added to our team. They were my when I was , so there was no us. After they took over my job, we ." "" .
The for is that they have a deep of the grid , fluid model, and LBM I used , and then make and based on my code. I still the days and of , and us, with only one , how to make this and more . Large code and , , code and , data - calls and , or even just a loop (such as from Z, Y to X?, or first? From X to Z?) are , , and . Many after from trips, I saw them still code in the , and their -cloud-like hair told me that they had more . One used to be a clean and core of a , and the other used to be a and at a state-owned . Now I have them into two "Ph.D. ". But I am glad that they with me. It was this trial, and that our of the fluid was born - the by 10 times, and the was from 40% to 80%.
My two and core
At this , our first of CAE has been . The , cloud- and SaaS Super Cloud have met , and it has been three and a half years since the of our . We the with , that will go wrong, will go , and will like it. But the is cruel. After a whole year of , there were a lot of to be , a lot of needs that could not be met, and and came one after - did not pay. We 't even enter the 's door. The guard would kick us out and say, "Go back where you came from."
To tell a joke, I still the first time we our stand-alone CAE to a . We a heavy in a car, came to the with and , and in a nook. I my own power strip, it to the , and our to the , but the and . back now I just it off, but at that time I had the heart to "die".
from the stand-alone of the , the SaaS does not a and can be to as long as it is to the . , we a of that may arise from the SaaS form: cloud , cloud job , and large data .和显示（CAE仿真结果大小一般为几个G甚至几百G）会给整个产品体验带来非常大的不稳定性，网速不好呢？超算崩溃或出问题呢？那么大的数据怎么传输过来？意料之外的问题层出不穷，我们在公司的百兆网络环境中感觉不到这些问题，但大部分江浙、广东客户的网速就是10M网，有的地方甚至更低，而且工厂里所有的人都在共享使用。
再讲个笑话，我们的销售在客户工厂里展示**版SaaS平台时，好几分钟加载不出来页面，销售急的满头大汗，不住地跟客户道歉，*后客户看着都觉得不好意思了，还反过来安慰他。销售回来后连骂产品团队的力气都没有了，全公司一片哗然。
这就是适创科技2019年底的状态，还干不干？
06
阅读进度：85%
创立公司时我们就有一个不成文的规定：坚持做正确而难的事，要有直面问题和解决问题的魄力。所以此时不管团队有多大的怨气，没有人说不干，没有人要退出！
我已经没有太多时间直接做算法或求解器了，我必须分出很大精力集中在产品整体规划、投融资和公司团队组建上。那时公司里有一种声音——我们应该控制成本，在产品没有真正能满足客户需求前尽量保持甚至缩小团队规模。但是我的想法不同，没有产品是天生完美的，问题不能通过回避去解决。我再一次拿出这句话：“我们一定要敢于正视问题，直面问题，解决问题，不能回避，也不能退缩”。而真正解决问题的方法就在那，就是我们不能缩减，反而要加大对研发团队的投入，才能在将来可预期的时间内解决现有的这些问题，只有完善产品才能获得客户。我说服了团队，虽然每个人的心里都在打鼓。
那个时候我真正感觉到自己在践行那句话：做正确而难的事。认识到正确本身不难，敢不敢去做才*考验人。
2020年，我一边和产品团队不断梳理产品、开发路线和客户需求，一边东奔西跑地见投资人，跟他们不厌其烦地讲产品故事和我们的理想。从早晨8:30到晚上11:30，我和市场总监一天15个小时*多可以见6拨投资人，也就是在那时候，我养成了上车就睡觉的习惯，而且睡得特别踏实，从而养精蓄锐，一下车就立刻满血复活。直到现在我还是改不了这个“毛病”，一上车就哈气连天。
终于在2020年9月，我们**次拿到了机构的投资（启迪之星和亚杰资本），团队内部士气大涨——被市场和客户反复鞭打的我们，太需要一次胜利了。
除了融资成功，与新销售总监的见面给我打了一剂新的强心针。我们一见如故，尽管相差十岁，但在市场策略和团队建设上的想法高度一致。我们花了两个月重新梳理销售策略、打法，并开始重新组建销售团队。与此同时，产品团队马不停蹄地对产品进行大刀阔斧的升级和优化。我知道，唯一能给他们争取的就是时间，事实也证明我们确实经受住了考验，计算稳定性达到100%之前，没有人会停下脚步，这就是适创科技团队所形成的共识。
随着公司的不断发展，又有许多新成员加入了我们，他们也在我师弟的肩膀上将求解器继续升华。同时通过与客户不断的交流和反馈，产品的稳定性也获得了极大的提升，这不是个一蹴而就的事情，是耐心地文火慢炖和坚定的决心换来的。我的师弟接替我成为了产品开发的负责人，我的学生也已经是产品团队的核心骨干，我自己则过渡成了一名“半路出家的销售”。在所有人的努力下，许多我们之前想都不敢想、碰都不敢碰的难题都陆续被攻克，对产品来说，我们的软件终于从一个“丑小鸭”蜕变成为一只“黑天鹅”，对销售来说，我们与客户之间建立了更加默契的关系，不仅能够顺利进入客户大门，而且企业技术负责人，甚至总经理也开始与我们进行认真深入的交流。
就在2021年11月，算法团队通过创新优化，在已有的流体求解器能力上又将计算效率提高了10倍，整体平台计算稳定性达到了至少95%以上。
从我的**版流体求解器到现在，计算效率整整提升了100倍——2个量级的跨越。
之前一个大型薄壁件的计算需要1-2周，甚至可能因为网格量太大无法计算，现在同样的大型薄壁件，计算时间只需2-3.5小时；
之前计算10小时的案例，现在几分钟之内就能完成。
当然，这都是在保证计算精度的前提下实现的。
我们的自主CAE软件局部计算效果
我们的另一个产品团队甚至已经开发出了即时仿真算法，也就是条件变换后CAE仿真结果会立即预测出来，不需要“计算”，听起来是不是很酷，这就是我们下一代智能设计产品的原型，2022年该产品将有望推向市场。
五年，就像是经历了一场大考。每一年公司都会遇到各种各样的问题，但庆幸的是我们得到了多方强有力的支持，投资人和投资机构，创业园区和孵化器，更不用说远见卓识的国家政策。但这不是可复制的经历，更不是可以抄来的作业，适创科技能够坚持下来，靠的是大浪淘沙下依然无坚不摧的团队。从创立到现在，适创科技的核心团队始终保持着一股强大的凝聚力，非但没有萎缩，反而越来越大，不管中间经历了多少起起伏伏，不管经历过多少争吵和迷茫，几乎所有入职3年以上的老员工都还站在我的背后，撑起了整个公司。
“适创科技*强的竞争力，是我们对核心求解器的理解和开发能力。”这是我对每一个投资人说过的。整个CAE领域有五大核心底层求解器：力、热、光、声、电，*难的是力学求解器，而力学又分为流体力学和结构、塑形力学。我们瞄准了流体力学并正式迈进了有力的一步，将来在开发完成热、声、电求解器后，我们的算法团队会以更大的热诚，去攻克更为艰难但应用更加普遍的可压缩流动、燃烧以及塑性变形力学求解器等，从而使适创科技CAE计算平台不仅能够打入铸造、注塑行业，同时能够深入到汽车、航空航天和核电等领域，让-CAE助力整个中国工业的数字化转型——这才是适创科技真正的理想和目标。
既已入局，便要拼尽全力。我们相信，越是困难的事越是应该我们来做，而越是做有挑战的事，才越能够让我们离心中那个伟大的公司更进一步。
“立大目标、做难而正确的事”，才能真正让我们的血液沸腾起来。
结尾
阅读进度：100%
[1] 来自平安证券研究报告：《工业软件系列报告（一）》
[2] 来自财信证券研究报告《国防军工行业深度：战鹰展翅啸寰宇，飞天直上九重霄》
