2014年发布的《CFD Vision 2030 Study》，试图为航空航天计算流体力学未来十余年的发展建立一张较为完整的路线图。它关注的不只是求解器本身，还包括高性能计算、物理建模、数值算法、几何与网格、不确定性量化、多学科优化以及工程数据管理等一系列相互关联的问题。

2026年，Andrew Wissink等来自政府部门、NASA、航空工业、高校和软件企业的研究人员，对这份路线图进行了新的阶段性回顾。论文《CFD Vision 2030 Roadmap: Progress and Projections in 2026》主要总结了2021—2025年间航空航天CFD的发展情况，并重新评估了各项技术的成熟度。论文覆盖高性能计算、物理建模、数值算法、几何与网格、知识提取以及多学科设计分析与优化等方向，同时讨论了人工智能、智能体和量子计算等2014年报告中尚未充分预见的新技术。

这篇论文并没有提出一种新的湍流模型，也没有围绕某个飞行器给出完整的数值研究。它更像是一份阶段性的技术检查：哪些目标已经取得实质进展，哪些研究仍停留在典型算例和实验室阶段，哪些原本不在路线图中的新方法，正在改变CFD的发展方式。

从全文来看，过去十年CFD最重要的变化，并不只是计算规模不断扩大，而是研究目标逐渐从“获得一个流场解”，转向“稳定地获得可信结果，并将结果转化为可复用的工程知识”。

一、CFD Vision 2030的提出背景与阶段性进展

CFD Vision 2030最初提出时，航空航天CFD已经能够处理大量常规外流和内流问题，但在复杂分离流、飞行雷诺数高保真模拟、自动网格生成、多学科耦合以及计算认证等方面，仍然存在明显不足。

2014年的路线图因此设置了一系列阶段性目标，希望到2030年前后，使CFD能够更加深入地进入航空航天器设计、试验和认证流程。2020年前后，相关委员会已经进行过一次阶段性回顾；2026年的这篇论文则主要考察2021—2025年的进展，并对接近2030年的发展方向作出判断。

论文认为，过去五年较为显著的进展主要集中在四个方面：GPU计算架构、壁面建模大涡模拟、多学科设计分析与优化，以及人工智能和机器学习方法。与此同时，不确定性量化、复杂几何自动网格、燃烧与热输运建模等方向的成熟速度，仍然低于早期路线图的预期。

这反映出当前CFD发展的一个基本特征：单项计算能力增长很快，但完整工程链条的成熟速度相对较慢。能够完成一次大规模计算，与能够将这种计算稳定、重复地用于设计流程，仍然是两个不同层次的问题。

二、高性能计算：从Exascale系统到GPU架构迁移

高性能计算是CFD Vision 2030中最基础的一条技术主线。

2022年，Frontier系统突破ExaFLOPS量级。到2024年，全球已经出现多套达到或超过百PetaFLOPS、ExaFLOPS水平的超级计算系统。论文指出，在当时Top500排名靠前的系统中，除少数例外，大部分都采用了GPU或其他加速器，NVIDIA和AMD GPU已经成为高性能计算的重要硬件基础。

对于航空航天CFD而言，这一变化的意义不只是计算机更快，而是软件体系需要随之改变。

传统CFD程序通常围绕CPU、MPI并行和双精度浮点运算构建。GPU则更强调大规模数据并行、连续内存访问、较少的全局通信以及较高的计算密度。许多原本在CPU平台上运行良好的数据结构和线性求解方法，直接移植到GPU上并不能自动获得理想效率。

论文指出，越来越多的商业和政府CFD求解器已经开始支持GPU架构，并用于RANS、尺度解析模拟以及运动物体重叠网格等复杂问题。经过充分调优的工业CFD程序，在现代GPU架构上相对CPU可以获得至少一个数量级的加速。

不过，硬件峰值性能并不等于CFD实际性能。对于非定常LES，计算往往需要推进数万步甚至更长时间，最终目标不是某个瞬时流场，而是收敛的统计平均量和频谱特征。此时，时间推进算法、内存占用、通信开销和长时间稳定性都会直接影响计算效率。论文因此特别强调低内存隐式格式和面向GPU的生产级时间推进方法。

另一个值得注意的问题是低精度计算。面向人工智能训练的新一代GPU越来越强调FP8、FP16和FP32性能，而传统CFD长期依赖FP64。低精度有可能带来更高吞吐率和更低能耗，但它对残差收敛、守恒误差、激波捕捉和长期统计结果的影响，目前仍缺少充分认识。

因此，下一阶段的重点可能并不是简单地降低所有计算精度，而是研究混合精度策略：在线性求解、通量计算、残差评估和统计输出等不同环节中，根据误差敏感程度采用不同精度。

论文也讨论了量子计算在CFD中的早期探索，包括量子线性求解、格子玻尔兹曼方法和量子—经典混合算法。但从论文所列案例来看，这些工作仍主要集中在小规模模型问题上，距离复杂三维航空航天CFD还有较大距离。现阶段，量子计算更适合作为长期技术储备，而不是近期工程应用方案。

三、湍流建模：RANS方法的发展现状与数据驱动改进

虽然高保真模拟受到越来越多关注，RANS仍然是工业CFD的主体。

在航空航天设计中，一个构型通常需要计算大量飞行状态、设计变量和故障工况。气动数据库、载荷分析、进排气评估和多学科优化都需要较高的计算吞吐量。相较于LES，RANS在计算成本、求解鲁棒性和工程经验积累方面仍具有明显优势。

论文指出，Spalart–Allmaras模型和Menter SST (k-\\omega) 模型，以及围绕可压缩性、转捩、各向异性、热效应和二次流等问题形成的各种修正形式，仍然被广泛使用。雷诺应力模型和显式代数雷诺应力模型能够描述湍流各向异性，但由于计算效率、稳定性和鲁棒性等问题，并未在工程应用中获得与线性涡黏模型相同的普及程度。

论文对近年RANS模型发展的总体判断相对谨慎：传统模型本身没有出现特别显著的突破，研究重点逐渐转向数据驱动修正和机器学习辅助建模。

其中，场反演与机器学习是较有代表性的方向。其基本思路是利用实验或高保真数据，反演出传统模型中需要修正的场变量或函数关系，再通过机器学习建立修正项与局部流动特征之间的映射。

这类方法在有限工况下能够明显改善预测结果，但论文指出，现有机器学习湍流模型的技术成熟度仍然较低。许多研究集中于二维流动、简单几何和有限参数范围，距离复杂三维工业流动的广泛应用还有明显差距。

真正困难的问题并不是训练集上的拟合误差，而是模型外推时的行为。

一个数据驱动模型在特定雷诺数、马赫数和几何条件下表现良好，并不意味着它在新的压力梯度、曲率、分离模式或热力学状态下仍然可靠。若缺少物理约束，模型还可能破坏壁面律、基准流动标定和极限条件。

因此，论文更加关注受约束的机器学习修正。一个较为稳妥的方向，是保留现有RANS模型的基本结构和标准标定，只允许机器学习在有限范围内调整模型项或模型系数，同时加入物理一致性和规范流动约束。

从这个角度看，机器学习在湍流建模中的作用，未必是完全替代传统模型，而更可能是帮助识别模型缺失机制、修正局部偏差并描述模型不确定性。

四、尺度解析模拟：WMLES与混合RANS/LES的工程化进展

壁面分辨大涡模拟、壁面建模大涡模拟和混合RANS/LES，是近年高保真CFD发展的重要方向。

壁面分辨LES需要直接解析近壁区域中的主要湍流结构，能够提供较丰富的流动物理信息，但其网格规模会随着雷诺数增加而迅速增长。论文列举了多个超大规模计算案例，包括高压涡轮级、高升力构型、开式转子叶片以及激波—边界层干扰等问题，计算自由度达到数十亿、数百亿乃至更高量级。

这些工作说明，借助Exascale计算、高阶方法和GPU平台，壁面分辨LES已经能够进入部分复杂航空航天问题。但其几何复杂度、雷诺数范围和计算成本仍然限制了常规工程使用。

相比之下，WMLES和HRLES更接近当前工程应用的实际需求。

WMLES不直接解析最靠近壁面的全部湍流尺度，而是通过壁面模型计算壁面剪切应力和热流。HRLES则通常在附着边界层区域采用RANS，在尾迹、自由剪切层和大范围分离区域采用LES。

在第五届AIAA高升力预测研讨会中，WMLES和HRLES在接近最大升力的大迎角工况下，对升力、阻力和表面压力的预测明显优于稳态RANS，并能够较好地吻合NASA通用研究模型的风洞数据。

这一结果的重要性不只在于尺度解析方法获得了更丰富的涡结构，而在于它更准确地描述了大尺度分离。

在高升力工况下，整体气动力对分离起始位置、分离区范围和非定常结构非常敏感。稳态RANS容易把复杂非定常分离压缩为一个平滑的时间平均场，从而导致翼面压力、最大升力和俯仰力矩预测出现偏差。WMLES和HRLES能够保留主要的大尺度非定常运动，因此对整体气动力的预测更有优势。

论文特别指出，对于这类问题，准确预测分离的发生位置和分离区特征，可能比解析全部近壁湍流细节更重要。

不过，这并不意味着WMLES已经形成成熟统一的工程方法。在较低迎角和弱分离情况下，其相对于RANS的优势并不总是明显。网格拓扑、局部分辨率、亚格子模型、数值耗散、入口边界层状态以及RANS—LES切换位置，都可能明显影响结果。目前仍缺少统一、可重复的网格和模型使用规范。

因此，WMLES和HRLES的下一步重点，不只是增加计算规模，还包括建立更明确的网格准则、壁面模型适用范围和验证标准。

五、复杂流动物理建模的关键问题

尽管高升力和分离流模拟取得了明显进展，转捩、湍流燃烧和热输运仍然是航空航天CFD中的薄弱环节。

1. 边界层转捩预测

边界层转捩决定了壁面摩阻、热流、分离位置和气动效率，在层流翼、高超声速飞行器和涡轮机械中尤其重要。

自然转捩通常涉及Tollmien–Schlichting波、横流不稳定性以及后续非线性演化；旁路转捩则更多受到自由来流湍流和外界扰动影响。传统方法大体可以分为两条路线：一类基于线性稳定性理论和抛物化稳定性方程，另一类则通过在RANS中增加间歇因子、动量厚度雷诺数等输运方程预测转捩。

论文指出，RANS转捩模型在旁路转捩问题上应用较为成熟，但对自然转捩的预测并不稳定。对于高马赫数流动，目前许多研究仍集中在楔体、圆锥和圆柱等相对简单的几何上。

一个值得关注的方向，是将稳定性理论与RANS求解器进行迭代耦合。RANS负责计算基流，稳定性方法预测扰动增长和转捩位置，再将转捩结果反馈给RANS。这种方法试图在高成本DNS与经验性较强的转捩模型之间取得平衡。

2. 湍流燃烧模拟

湍流燃烧需要同时处理流动、化学反应、组分输运、热释放和湍流混合，是CFD中最复杂的多物理问题之一。

在RANS计算中，工程实践通常采用线性涡黏模型，并结合从单步反应到多步详细机理的不同化学模型。湍流Schmidt数、反应速率模型和湍流—化学相互作用处理方式，都可能显著改变最终结果。

论文认为，目前RANS燃烧模拟仍然高度依赖针对具体问题的实验标定。当计算条件明显超出标定区域时，预测不确定性通常会迅速增加。

在LES中，湍流—化学相互作用主要发生在网格不能直接解析的亚格子尺度，因此仍需要闭合模型。尽管相关方法在简单构型上持续进步，但模型复杂度、参数敏感性和计算成本限制了其工业应用。

3. 湍流热输运与共轭传热

对于高超声速飞行器、火箭发动机、燃气轮机和冷却喷管，热流和壁面温度与气动力同样重要。

但相比动量输运模型，湍流热输运模型的发展相对滞后。很多RANS计算仍采用雷诺比拟、梯度扩散假设和常数湍流Prandtl数。在强压缩、射流冷却、激波干扰和显著变物性流动中，这些假设可能难以准确描述热量输运。

论文总结的推进气动研讨会结果表明，相比简化的一维热边界条件，完全耦合的CFD—共轭传热分析能够明显改善壁面温度预测；尺度解析方法对冷却射流混合和热边界层的描述，也往往优于传统RANS。

这说明，未来的高保真CFD不能只关注速度场和压力场，还需要把流动、传热、组分输运、结构导热和材料响应作为一个耦合系统处理。

六、数值算法：精度、效率与鲁棒性的协同提升

高阶、低耗散数值方法一直是高保真CFD的重要基础。

对于LES、气动声学和涡流演化问题，较低的数值耗散和色散能够在相同自由度下保留更多真实流动结构。但高阶方法在复杂非结构网格、激波、强间断和长时间积分条件下，也更容易遇到稳定性和计算效率问题。

论文将数值算法的发展目标概括为三个方面：精度、效率和鲁棒性。面向尺度解析模拟，需要减少数值耗散和色散；面向GPU，需要降低内存占用和通信成本；面向工程应用，则需要保证求解器在复杂几何和长时间积分中的稳定运行。

近年来，二阶有限体积方法、笛卡尔网格方法和非结构高阶方法都在复杂航空构型中获得应用。高阶激波追踪也开始显示出处理稳态和非稳态激波问题的潜力。

从路线图给出的技术成熟度看，自动化鲁棒求解器以及复杂几何分离流求解已经达到较高水平，面向尺度解析模拟的低耗散高阶离散也在逐步成熟。相比之下，长时间积分的高精度与鲁棒性、可扩展熵稳定求解器等方向仍处于较低成熟阶段。

这一结果说明，一个数值格式在标准算例中具有较高阶精度，并不意味着它可以稳定完成数万步非定常计算。对于LES和非定常载荷问题，误差会在长时间推进中逐步累积，影响统计平均量、频谱和相位信息。

因此，未来对CFD算法的评价，需要从单一的局部误差和计算时间，扩展到长期统计稳定性、守恒误差、硬件可移植性和故障恢复能力。

七、不确定性量化：面向可信计算与计算认证

CFD要进一步进入设计决策和计算认证流程，仅给出一个确定性的气动力或温度结果是不够的，还需要说明结果的可信程度。

误差和不确定性可能来自几何偏差、边界条件、来流扰动、材料参数、网格离散、迭代误差、湍流模型和实验数据等多个层面。其中既包含随机不确定性，也包含由模型认知不足造成的认知不确定性。

论文总结了不确定性量化在火星上升飞行器、Artemis运载系统和可重复使用运载器等问题中的应用。相关研究开 始尝试将CFD结果与风洞数据结合，并通过代理模型、多保真方法和非侵入式采样降低不确定性传播的计算成本。

AIAA还围绕NACA 2412翼型组织了共同挑战问题，不同研究团队采用不同方法传播输入不确定性、估计离散误差，并处理随机不确定性和认知不确定性的混合问题。

不过，论文对这一方向的总体评价仍然较为谨慎。CFD不确定性传播的应用确实在增加，但适用于复杂工程问题的可靠误差估计仍需进一步发展。

路线图中的成熟度评价也反映出这一点。航空航天流体分析中的不确定性表征和常规不确定性传播已经有一定基础，但大规模随机CFD能力仍然处于很低水平。

从工程角度看，高保真并不自动等于高可信。一个网格规模很大、物理模型很复杂的计算，如果无法说明误差来源、适用范围和结果置信区间，就很难直接承担认证责任。

可信CFD需要形成完整的证据链，包括模型验证、数值验证、实验对比、不确定性传播和数据来源记录。

八、几何建模与网格生成：自动化流程中的基础瓶颈

尽管求解器自动化水平持续提高，复杂几何网格生成仍然是CFD工程流程中最依赖经验的环节之一。

真实航空航天构型通常包含缝隙、尖角、小尺度附件、复杂曲面和装配误差。高升力构型还涉及前缘缝翼、后缘襟翼、支架和多个相互接近的表面。对这类几何生成一套可用网格已经不容易，在多个雷诺数和多个加密等级下自动生成一致的网格族更加困难。

论文介绍了OpenVSP、ESP以及基于边界表示图结构的几何识别方法。这些工作试图使CFD系统不只是读取曲面坐标，还能够理解几何中的工程语义和模拟意图。

所谓模拟意图，是指在几何模型中保留与后续分析相关的信息，例如哪些区域需要边界层网格，哪些表面属于气动外形，哪些位置是学科耦合界面，哪些小特征可以在特定计算中忽略。

在第五届AIAA高升力预测研讨会中，参与者需要针对不同复杂度的构型和多个雷诺数生成成套网格，总计需要四十套网格，并尽量减少人工干预。

这类任务比单独生成一套高质量网格更接近工业实际，因为设计和验证往往需要具有统一拓扑和加密规律的网格族。

从技术成熟度看，紧密CAD耦合已经相对成熟，复杂构型上的自动网格生成也取得了一定进展。但百亿、千亿乃至万亿单元的适用网格生成，以及让自适应网格取代固定网格成为默认方式，仍处于较低成熟水平。

这说明，自动网格生成不只是几何划分问题，还需要同时理解流动物理、计算目标、误差要求和求解器特性。真正成熟的网格系统，应当根据模拟意图自动判断分辨率应当分配在哪里。

九、知识提取：从流场后处理到工程知识形成

随着非定常高保真计算规模不断增长，传统后处理方式逐渐面临新的限制。

过去，CFD后处理主要围绕压力云图、流线、涡量等值面和气动力曲线展开。但一个大规模LES可能产生数TB甚至更多数据，而工程决策真正需要的往往只是少量具有明确含义的信息，例如分离位置、载荷频率、平均量是否收敛、模型之间的差异以及结果的不确定性。

论文将知识提取定义为从异构CFD数据中获得经过验证、与决策相关的信息。

这种转变意味着，CFD数据处理的目标不再是保存和展示尽可能多的流场，而是识别哪些信息值得保留、如何表达这些信息，以及如何让结果被后续任务重复使用。

论文提到，原位统计方法可以在计算过程中直接估计时间平均量的不确定性，避免先保存完整时间序列再进行收敛分析。多保真贝叶斯神经网络则可以融合不同精度CFD、风洞试验和其他数据源，并保留不同数据来源的不确定性。

此外，统一气动数据库和流动降阶建模数据库，也为不同的数据驱动模型提供了共同测试基础。

论文还特别提到神经算子和DeepONet。与传统多层感知机主要学习有限维向量之间的映射不同，神经算子试图学习函数空间之间的连续映射，因此更适合描述边界条件、几何场与流场之间的关系。

不过，快速预测模型仍然需要面对外推、守恒、验证和不确定性问题。它们更适合用于多查询分析、快速设计评估、数据融合和降阶建模，而不应简单理解为高保真求解器的直接替代。

十、智能体工作流：CFD自动化的新发展方向

论文将智能体工作流纳入CFD路线图，是这次更新中较有代表性的变化。

一个完整的CFD智能体架构，可以包括规划器、检索模块、执行器、监控器、检查器和报告模块。

检索模块负责查找历史算例、求解器手册、验证数据和网格模板；执行器负责生成算例文件、启动网格程序、提交计算任务和调用后处理脚本；监控器检查残差、CFL数、非线性迭代、气动力历史、壁面 (y^+)、质量不平衡和队列故障；检查器将计算结果与验证数据和验收规则比较；报告模块则记录版本、计算设置和关键结果，并将其写入数据库。

这一架构说明，CFD智能体并不只是一个能够回答流体力学问题的语言模型。真正有工程价值的智能体，必须能够操作求解工具、识别计算异常、执行验证规则并保留完整的计算过程。

论文引用的OpenFOAMGPT等工作已经展示了算例设置、边界条件修改、湍流模型切换、代码转换和迭代纠错等能力。

不过，论文也明确指出，当前智能体仍不能被视为求解器或工程分析人员的替代者。近期最可能形成稳定应用的场景，是算例配置、错误恢复、后处理、来源记录和数据库检索，而不是完全自主地完成复杂CFD任务。

从工程流程来看，这一判断较为现实。CFD中存在大量重复但需要专业知识的工作，例如检查边界条件、判断残差异常、识别错误网格区域、整理参数扫描结果和生成计算报告。这些任务适合由智能体辅助完成。

但在新构型、强分离、模型失效和实验数据矛盾等情况下，仍然需要工程师进行物理判断。未来较为可行的模式，可能是工程师、智能体、求解器和知识库共同构成闭环，而不是由智能体完全取代工程人员。

十一、多学科设计分析与优化：从单学科计算走向整机协同

CFD Vision 2030的最终目标之一，是使高保真流体计算进入整机多学科设计与优化。

真实飞行器设计需要同时考虑气动、结构、推进、飞控、噪声、热、能源和制造约束。单独提高气动性能，并不一定能够获得整体更优的设计。

近年来，MDAO框架、学科耦合接口和标准算例持续发展。一些研究已经能够耦合非线性RANS、几何非线性结构模型和CAD参数化；另一些工作开始将可制造性、阵风响应和气动弹性纳入优化过程。

论文介绍的一项NASA升力—巡航城市空中交通飞行器研究，综合考虑了机翼与旋翼气动、结构重量、稳定性、气动声学、电机性能和电池尺寸。优化问题包含300个设计变量、200个约束和18个设计状态，最终相对基准方案实现了约10%的减重。

这一案例说明，整机级物理建模与优化已经开始进入较大规模的工程问题。

但随着学科模型不断增加，工作流的鲁棒性问题也越来越突出。CFD不收敛、结构模型失效、几何生成失败或网格质量恶化，都可能导致整个优化过程停止。

这些问题通常表现为隐藏约束。优化器在计算前并不知道某个设计点会失败，只有真正调用分析模型后才能发现。论文介绍了利用监督学习分类器识别模型失效区域，并将其嵌入贝叶斯优化的方法。

这类方法的意义在于，使优化器能够区分“设计本身性能较差”和“当前分析模型无法可靠计算”这两种情况。

从路线图成熟度看，整机MDAO、UQ支持的MDAO以及混沌系统的全机解析灵敏度仍处于较低水平。

因此，MDAO下一阶段的重点可能不只是继续增加学科数量，而是建立能够处理模型失败、多保真切换和不确定性传播的鲁棒系统。

十二、技术成熟度评估：路线图目标的进展与差距

论文最后通过技术成熟度等级，对路线图中的主要目标进行了阶段性评价。

从评价结果看，GPU极端并行CFD、自动化鲁棒求解器和固定网格中的CAD耦合，已经达到相对较高的成熟水平。复杂几何分离流求解、WMLES和WRLES也取得了较为稳定的进展。

但仍有多项关键目标处于较低成熟度。

例如，面向生产应用的百亿至万亿单元网格生成、大规模随机CFD、实时多保真数据库、UQ支持的整机MDAO以及混沌系统全机灵敏度分析，距离路线图设定的目标仍有明显差距。

这些评价揭示了一个较为清楚的结构性问题：当前CFD已经能够完成越来越大的示范性计算，但与这些计算相匹配的自动化、可信度分析和知识管理能力仍然不足。

换句话说，“能够算出来”这一能力增长很快，而“能够稳定重复地算”“能够解释为什么可信”“能够把结果传递给后续设计流程”的能力增长相对缓慢。

这也是路线图在2026年仍需持续推进的核心部分。

十三、对航空航天工程研究与应用的启示

从航空航天工程角度看，这份路线图至少带来四点启示。

首先，未来几年不太可能由一种方法统一取代所有CFD层级。

RANS仍将承担常规设计、参数扫描和气动数据库生成；WMLES与HRLES会逐步进入高升力、大范围分离、旋翼和复杂尾迹等关键问题；WRLES则更多用于高价值基准计算、机理分析和模型校准。不同精度方法之间更可能形成分层协同，而不是简单替代。

其次，人工智能首先改变的可能不是控制方程，而是CFD工作流。

算例生成、异常诊断、网格模板复用、数据检索、结果整理和报告生成，更容易形成稳定的工程闭环。相比之下，完全依赖数据替代复杂湍流模型，仍然受到训练数据覆盖、物理一致性和外推能力的限制。

再次，未来CFD数据必须保留更多上下文。

只有流场文件并不足以支持知识复用。一个完整的计算结果还需要包含几何版本、网格生成方法、边界条件、模型参数、求解器版本、收敛历史、验证依据和不确定性信息。缺少这些内容，大量数据也很难沉淀为可靠的工程知识。

最后，计算认证不会因为算力提高而自然实现。

认证要求形成从几何、网格、模型、数值算法、实验验证到不确定性量化的完整证据链。高保真模拟可以减少部分试验需求，但前提是它能够说明自身的适用范围、误差来源和可信边界。

结语：从数值流场求解走向计算工程系统

从2014年到2026年，CFD Vision 2030中的一部分目标已经取得明显进展。

GPU逐渐成为高性能CFD的主要计算架构，Exascale计算进入现实；WMLES和HRLES开始在复杂高升力构型中显示工程价值；整机级MDAO也出现了具有代表性的应用案例；人工智能和智能体则开始进入算例设置、错误恢复、后处理和知识管理流程。

但与此同时，算力并没有自动消除模型误差，LES也没有自然解决转捩、燃烧和热输运问题，人工智能更没有绕开验证与不确定性量化。

未来几年CFD真正需要完成的跨越，可以概括为几个相互关联的层次：

算得更大，也要算得更准； 算得更准，也要算得更稳； 算得更稳，还要说明误差来自哪里； 说明误差之后，还要能够进入设计与认证流程； 进入流程以后，还要把一次计算沉淀为可复用的工程知识。

从这个角度看，2030年的CFD不会只是一个速度更快、网格更大的求解器。它更可能成为一个由高性能计算、分层物理模型、自动化工作流、不确定性量化、智能体和多学科优化共同组成的计算工程系统。

这也是这篇路线图更新最值得关注的地方：CFD正在从一门以数值求解为中心的技术，逐渐发展为支撑复杂航空航天系统认识、设计与验证的一整套工程方法。

官方论文页面：

https://doi.org/10.2514/6.2026-4020

原文PDF下载：

CFD Vision 2030 Roadmap: Progress and Projections in 2026.pdf