多重网格法CFD收敛加速

CFD和FEM里解方程时，高斯-赛德尔这类简单迭代法能快速消除"高频误差"（细小波动），但"低频误差"（大尺度缓变成分）收敛极慢。多重网格法的思路就是：把低频误差故意放到粗网格上去解——在粗网格上它变成了高频误差，迭代法一下子就能消除。理想情况下，计算量是 $O(N)$（与网格点数成正比），是求解大规模线性方程组的"最优算法"。

细网格上的低频误差对应"影响范围很广的缓变场"。把它映射到粗网格后，它相对粗网格的尺度就变成了高频——于是在粗网格上用几步迭代法就能消掉。消完再插值回细网格做修正，这一来一回就是"V循环"。

对，压力泊松方程是多重网格法的最大用武之地。不可压缩N-S方程的SIMPLE算法中，压力修正方程是最耗时的步骤——矩阵条件数随网格加密急剧恶化。AMG（代数多重网格）作为压力求解器的预条件子或直接求解器，能把1000步迭代缩减到5～10步。Fluent、OpenFOAM（GAMG）、STAR-CCM+都默认用AMG处理压力方程。

迭代法的误差衰减速率由谱半径决定。$N$ 个节点的泊松方程 $A\mathbf{u} = \mathbf{f}$，高斯-赛德尔法的谱半径约为：

$N = 100$ 时 $\rho \approx 0.9999$——每次迭代残差只降低0.01%。$N$ 越大收敛越慢，呈指数级恶化。多重网格法把这一问题压缩为 $O(N)$ 次运算即可求解，理论上与网格点数无关的收敛速率。

需要两个算子：

• 限制算子 $I_h^{2h}$（Restriction）：把细网格残差转移到粗网格，常用加权平均（Full Weighting）：$r^{2h} = I_h^{2h} r^h$。
• 延拓算子 $I_{2h}^h$（Prolongation）：把粗网格误差修正量插值回细网格，标准线性插值：$e^h = I_{2h}^h e^{2h}$。

每个V循环的计算量是 $O(N)$，通常只需1～2次V循环就能达到充分收敛。与Krylov子空间方法（GMRES、CG）结合使用效果更佳。

这里说的残差是每个变量（压力、速度、湍流量）的归一化残差 $\|\mathbf{r}\|/\|\mathbf{b}\|$。多重网格法作为内部线性求解器，每完成一次外部迭代（Outer Iteration），AMG将内部残差降低到设定容差（例如 $10^{-3}$）。外部迭代的目的是收敛非线性N-S方程组本身。两者容差设置要匹配：内部容差太松会污染外部收敛，太严则浪费在不必要的内部精度上。

V循环就是"细→粗→细"走一趟，简单高效。W循环在粗层做两次递归，能消除更多低频误差，但计算代价约为V循环的1.5～2倍。全多重网格（FMG）从最粗层开始初始化，收敛最快。

AMG（代数多重网格）就是为此而生的。它不依赖几何网格层次，只根据矩阵系数的稀疏模式自动生成粗层方程。主要有两种粗化策略：

• 经典AMG（Ruge-Stüben）：基于强耦合关系判断哪些节点放入粗层，适合各向同性问题。
• 聚合AMG（Smoothed Aggregation）：将相邻节点聚集为粗节点，更适合各向异性和弹性力学问题。

FEM、FVM的非结构网格都能用。目前CFD商业软件（Fluent、OpenFOAM GAMG、STAR-CCM+）内置的线性方程求解器几乎都基于AMG。

光滑子是每个网格层级上用于消除高频误差的迭代法：

• Gauss-Seidel：最通用，适合标量方程（压力、温度）。
• SOR（超松弛Gauss-Seidel）：松弛系数1.0～1.9，适当调整可加速收敛。
• ILU（不完全LU分解）：对非对称矩阵（对流主导）效果好，但内存消耗大。
• DIC（不完全Cholesky）：对称正定矩阵（压力泊松方程）专用，OpenFOAM压力求解器默认。

光滑子选择不当是AMG发散的常见原因——对流主导流动（高Pe数）应用Gauss-Seidel往往失效，需换ILU。

OpenFOAM的 fvSolution 文件中，压力求解器通常用GAMG（几何代数多重网格）。几个调优要点：

1. smoother选择：GaussSeidel（通用）或DIC（不完全Cholesky，对称正定矩阵更好）。
2. nPreSweeps / nPostSweeps：细化前/后的光滑次数，默认1～2，强各向异性网格可增到2～3。
3. agglomeration：粗化策略，faceAreaPair适合六面体网格，algebraicPair适合非结构网格。
4. 收敛容差：压力初始残差 $10^{-6}$，最终残差 $10^{-3}$，不要设过严造成不必要迭代。

Fluent在 Solution Methods → Advanced 里可以调整AMG设置：

• Cycle Type：V-cycle（默认），W-cycle（各向异性时），F-cycle（全多重网格，精度最高）。
• Termination Criterion：Max Cycles（最大V循环次数，默认5）和Residual Reduction（残差降低比，默认0.1）。
• Pre/Post Sweeps：细化前/后光滑次数，增大能提高每次V循环的质量但增加计算量。
• Stabilization：None（稳定问题）/ BCGSTAB（对流主导强烈时提高鲁棒性）。

大多数情况下默认值已经很好。只在残差"锯齿状"波动或收敛停滞时才需要调整。

残差历史是求解器健康状态的"心电图"：

• 正常收敛：残差单调递减，趋向平台。
• 锯齿状振荡：非线性迭代与线性求解步长不匹配，降低亚松弛系数。
• 残差先降后升：网格质量问题（负体积、高扭曲度）引发局部发散。
• 压力残差不降速度残差已降：压力-速度耦合问题，检查边界条件（是否有浮动压力参考）。

主要工具的多重网格支持对比：

GPU-AMG是当前研究热点。光滑步（矩阵向量乘积）在GPU上非常高效，但粗层限制和延拓在多GPU并行时有通信瓶颈。最新研究方向：

• 异构AMG（CPU+GPU）：细层在GPU，粗层在CPU，充分发挥各自优势。
• 机器学习辅助AMG：用GNN（图神经网络）学习最优粗化策略，减少人工调参。
• Tensor Core加速：利用NVIDIA Tensor Core加速稀疏矩阵运算，在混合精度下获得额外2～4倍加速。
• 分布式AMG（>1万核）：百亿自由度量级CFD问题的并行扩展性优化。

确实。多重网格的"多尺度"思想已经渗透到深度学习领域：①卷积神经网络的下采样-上采样结构（U-Net）本质上就是多重网格的图像版；②神经场（Neural Fields/NeRF）的多分辨率哈希编码（Instant-NGP）利用多级网格加速训练；③物理信息神经网络（PINNs）中引入多重网格结构的"MG-PINN"，对高频解组件的精度显著提升。这些交叉研究表明多重网格的数学原理具有远超CFD的普适性。