起点：一台笔记本与二维势流
2020年7月，大型水陆两栖飞机AG600在山东青岛附近海域完成首次海上飞行试验。这架被称为”鲲龙”的飞机既能掠海飞行，又能在水面起降，总设计师黄领才随后被多家媒体采访——他是1984年考入南京航空学院飞机系直升机专业的校友。AG600研制背后有大量的水面起降水动力问题：波浪中的着水冲击、机体底部的水载荷分布、漂浮状态下的稳性。这些问题和船舶水动力学共享同一套计算内核——自由表面流动。
飞行器与波浪的相互作用，国内已有成体系的研究积累。公开的综述文献显示，南京航空航天大学童明波、肖天航课题组自2016年以来，以ALE、SPH和RANS三类数值方法为手段，建立三维数值非破碎波浪水池，系统研究各类飞行器在波浪条件下的水上迫降性能；该校孙建红课题组则用LS-DYNA的ALE算法建立推板数值波浪水池，研究直升机在波浪中的漂浮问题，其团队成员侯斌的研究发现：机头附近安装气囊有助于增强直升机在波浪中的漂浮稳性，机身后部安装气囊能增加横倾稳性，但对纵倾稳性有不利影响。这些研究的共同点是——算力消耗远超普通办公电脑的能力范围。
把时间倒回一个研究生刚入学的秋天。课程作业是经典船型的二维绕流计算，用的是势流方法。薄船理论、面元法，几秒出一个结果，笔记本风扇都不带转的。那时的快乐很简单：改一下船型参数，兴波图形立刻变化，直观又有成就感。
势流方法建立在流体无粘、无旋的假设上，对设计初期的快速估算很有价值。但真实海况里，粘性、分离、碎波、飞溅一样都不少。势流算不出来的东西，恰恰是工程上最关心的问题——波浪破碎对结构物的冲击载荷、船体边界层内的流动分离、螺旋桨尾流中的涡结构。要继续往前走，必须换工具。
第一次升级：RANS与VOF，网格先教你做人
硕士中期，课题需要计算KCS这类标准船型的兴波阻力，方法换成RANS方程加VOF自由表面捕捉。VOF方法在网格里同时求解水和空气两相，用一个体积分数函数追踪自由液面的位置。听起来只是把方程换了一套，实际跑起来完全是另一个世界。
第一个门槛是网格。做自由表面问题，船体表面附近要加密，自由液面附近也要加密，波浪传播区域还得跟着加密。几十万网格起步，稍微认真一点就冲上两三百万。画网格本身就要一两天，求解器每推进一个时间步，都要在整个计算域上迭代收敛。笔记本电脑连续跑三天，机身烫得能煎蛋，结果可能因为某个角落的网格质量不好而中途发散。
第二个门槛是内存。三百万网格的RANS计算，每个网格点上要存速度、压力、湍动能、耗散率等一堆变量，加上求解器的系数矩阵和临时缓存，内存占用轻松超过32GB。笔记本开始疯狂读写虚拟内存，求解速度断崖式下跌。
第三个门槛是湍流模型的选择。k-ω SST对船舶尾流这类逆压梯度流动表现更好，是目前船型阻力计算的主流选择。但模型选对了不代表结果对了，还要做网格收敛性分析——至少三套不同密度的网格，看阻力系数是否趋于稳定。ITTC有专门的不确定性分析规程，审稿人也会盯着这一点。三套网格三倍算力，这在预算规划时就得想清楚。
这一阶段的经验很朴素：前处理吃内存，求解吃CPU核心数和主频，结果验证吃耐心。一台像样的台式工作站能把一个算例从三天压到半天，这省下来的时间直接决定了你一年能做完几轮参数扫描。
第二次升级：SPH、流固耦合与GPU登场
博士开题后，课题难度再上台阶。研究对象从规则波中的稳态阻力，变成极端海况下的砰击载荷、入水冲击、波浪中的操纵响应。这类问题的共同特征是自由表面剧烈变形——波浪翻卷、液面破碎、水体飞溅，网格类方法在变形剧烈的区域会面临网格畸变，甚至直接算崩。
无网格粒子法（SPH）在这类问题上优势明显。把流体离散成一堆粒子，粒子之间通过核函数近似相互作用，自由表面变形再剧烈也不怕。代价是计算量：一个像样的入水冲击算例，粒子数动辄上千万，每个时间步都要遍历所有邻居粒子，CPU串行求解完全不可行。
两条路摆在面前：上GPU，或者排队等集群。GPU加速的SPH求解器能把千万粒子规模的算例从几个月压到几天。流固耦合问题同理——ALE方法让网格随物体变形，结构求解器和流体求解器每步交换数据，计算量比单一流场再翻几倍。此时显存成了新的瓶颈：粒子数据、邻居列表、中间变量全部驻留在显存里，24GB显存是起步线。
回头看这条升级路线：势流阶段CPU单核就够；RANS阶段要内存和CPU多核；到了SPH和流固耦合阶段，GPU显存和算力成了硬指标。每次方法升级，硬件需求就上一个大台阶，而且台阶之间的跨度远大于预期。
第三次升级：课题组公用平台
博士后留校，或者作为高年级博士开始带师弟师妹，算力问题的性质变了——从”我的机器够不够快”变成”大家的任务能不能同时跑”。
课题组典型的一天是这样的：有人在做网格划分，前处理软件对内存和单核响应敏感；有人在跑批量算例，求解器满载运转一整天；还有人在做后处理，把几百GB的流场数据读进来做可视化。三个人同时开工，一台机器很快就捉襟见肘。
更隐蔽的瓶颈在存储IO。一个完整的船型优化算例，从几何建模、网格生成、求解结果到后处理数据，动辄几百GB。如果存储盘的读写速度跟不上，求解器写结果文件的间隙会把整体效率拖垮。等到做船型参数化优化——几十个候选船型批量跑兴波阻力——存储和调度的压力会同时爆发。
公用平台还需要考虑一个容易被忽视的问题：任务排队和资源隔离。与其让大家抢一台顶配机器，不如按任务类型合理分配——前处理和后处理工作站给每人一台，重计算任务集中到高性能机型上排队调度。课题组买机器的逻辑，已经从”单兵作战”转向”排兵布阵”。
算完流场之后：船舶CFD场景的开源大模型本地部署
跑完算例只是完成了一半工作。船舶水动力研究的日常里还有大量文本工作：读文献、写报告、整理试验日志、给求解器写输入文件。这几年本地部署开源大模型成了课题组的新选项，原因很实际。
首先是数据隐私。船舶水动力项目常涉及型号参数和试验数据，外发云端模型有合规顾虑。本地部署数据不出内网，涉海项目尤其敏感。其次是长期成本：课题组常年高频使用，本地一次投入比按量调用云端API更划算。再者是离线可用——出海做试验时船上没有稳定网络，本地模型照样能查规范、整理日志。
模型选型上，船舶CFD场景建议重点关注两个开源模型。一个是Qwen3-30B-A3B，混合专家（MoE）架构，总参数量约300亿级、每token激活参数仅30亿级，推理速度快，适合做文献摘要、算例报告初稿生成和求解器配置脚本问答。另一个是Gemma-3-27B，稠密架构270亿参数，多语言能力扎实，擅长长文档理解与规范条文检索，适合研读英文文献和整理审图意见。
显存需求可以用一个简单公式估算：
所需显存 ≈ 参数量(B) × 量化字节数 × 1.2
其中FP16为2字节每参数，Q8为1字节，Q4为0.5字节，1.2是KV cache与系统开销的预留系数。以Qwen3-30B-A3B为例：Q4量化下约需30 × 0.5 × 1.2 ≈ 18GB，24GB显存的显卡即可从容运行；FP16下则需30 × 2 × 1.2 = 72GB，只有48GB以上的专业卡或双卡方案才装得下。Gemma-3-27B类似：Q4约需27 × 0.5 × 1.2 ≈ 16GB，FP16约需27 × 2 × 1.2 ≈ 65GB。
这里有一个MoE架构的特别容易踩的坑：显存按总参数量计算，不按激活参数。Qwen3-30B-A3B虽然每次前向只激活30亿级参数，跑得快，但全部300亿级参数都要装进显存——MoE省的是算力，不是显存。
量化等级的选择也很直接：FP16精度无损但显存翻倍；Q8几乎无损、体积减半；Q4精度损失通常在可接受范围内，是消费级显卡的默认选择。经验上Q4下每10亿参数约0.6GB，可以心算个大概。
速度方面，纯CPU推理只有个位数tokens/s，生成一段报告要等好几分钟；单卡GPU推理能达到几十到上百tokens/s，体验完全不同。这就是工作站和普通办公电脑的分水岭。
如果还想做领域微调，LoRA轻量化微调在推理显存基础上只增加约4到6GB，性价比很高——用课题组积累的文献和报告做领域适配，让模型更懂船舶水动力术语。但全参数微调的显存需求是推理的数倍，27B级别模型全参数微调需要数百GB显存，已经超出工作站的范畴，属于训练集群的领域。
配置推荐
从势流到RANS再到SPH，从单机到课题组平台，硬件需求跟着研究阶段一路爬坡。每个阶段的瓶颈不一样：入门阶段卡在内存，进阶阶段卡在CPU多核，到了多相流和耦合计算阶段，GPU显存变成硬约束。下面按计算规模分四档，给出对应的参考方案，课题组可以对照自己的任务规模对号入座。
方案一：课程学习与二维/势流计算
适用场景：课程作业、二维绕流与势流方法、小型RANS验证算例（50万网格以内）、学习OpenFOAM或STAR-CCM+基础操作
推荐机型：A350 15396-MCT
- 价格区间：4~7万
- CPU：Intel Core Ultra 7 265K 20核(8性能核全核5.3GHz/12能效核全核3.8GHz)（5.3GHz为全核超频实测优化频率）
- GPU：RTX 5090 32G 水冷
- 内存：96GB DDR5
- 存储：4TB NVMe
- 显存带宽：1.79 TB/s
方案二：学位论文级RANS自由表面计算
适用场景：百万级网格的兴波阻力与耐波性RANS计算、VOF自由表面捕捉、网格收敛性分析需要批量跑三套网格、硕士论文常规工作量
推荐机型：EX660 227256-MCB
- 价格区间：10~18万
- CPU：2×Xeon金牌6530 (64核2.7GHz) +工业水冷（2.7GHz为全核超频实测优化频率）
- GPU：Quadro T1000
- 内存：256GB DDR5
- 存储：4TB NVME Gen5
- 显存带宽：160.0 GB/s
方案三：多相流与流固耦合研究
适用场景：SPH千万粒子级入水冲击模拟、ALE流固耦合、波浪中结构物响应、GPU加速求解、博士课题及论文发表需求
推荐机型：GX660M 227256-MD4T
- 价格区间：20~40万
- CPU：2×Xeon金牌6530 64核2.7-4G（2.7GHz为全核超频实测优化频率）
- GPU：4×RTX 5090D 32G 水冷
- 内存：256GB DDR5
- 存储：8TB NVMe
- 显存带宽：4×1.79 TB/s
方案四：课题组公用计算平台
适用场景：多人多任务并行、船型参数化优化批量计算、大规模后处理与数据管理、大模型本地部署与微调兼顾、实验室长期公用
推荐机型：GX660M 235640-MD4A
- 价格区间：50~80万
- CPU：2×AMD霄龙75F3 (64核3GHz+)（3GHz为全核超频实测优化频率）
- 图形卡：RTX A1000
- 计算卡：4块A100 80G+水冷
- 内存：640GB DDR5
- 系统盘：4TB NVME
- 数据盘：20TB SATA
- 显存带宽：192.0 GB/s / 4×2 TB/s
常见问题
内存到底要配多大才保险
船型水动力计算里，网格量是内存需求的直接决定因素。经验上，每百万非结构网格的RANS计算需预留数GB内存，瞬态VOF两相流、重叠网格会显著抬高占用，这还只是求解器运行时的部分，前处理和后处理同样需要余量。粗算下来五百万网格光求解器就要二十GB上下，再加上操作系统和日常软件，做500万网格级别的课题，64GB是兼顾系统与其他程序的底线，128GB能从容应对，256GB适合课题组公用。买机器时记得确认内存插槽还有升级空间，第二年课题规模翻倍是常态。
CPU和GPU应该先保哪个
取决于课题用到的方法谱系。只做RANS和势流，CPU多核和大内存优先，GPU可以后置；一旦上了SPH、GPU加速求解器或深度学习辅助的船型优化，显存容量直接决定能跑多大规模的算例。通用的建议是按RANS起步的配置买，但选电源和机箱都预留GPU升级空间的那类——博士课题换方向是大概率事件，预留升级路径比一步到位更省钱。
游戏本能不能顶一顶
能上课，不能干活。游戏本的散热设计撑不起求解器连续72小时满载，降频之后的实际算力和标称参数相去甚远；内存上限也卡死了可计算的问题规模。更现实的问题是噪音——放在工位上跑过夜算例，风扇噪音足以让同门抗议。笔记本适合在会议室和出差路上改脚本、看结果，正式计算交给台式工作站。
自己攒机是不是更划算
硬件单价可能便宜，隐性成本藏在后面：兼容性问题会吃掉你第一周的时间，散热和电源余量不足会在满载时暴露，出问题没有整机保修只能自己排查。对课题组来说，机器稳定跑两年比省几千块重要得多——一次算例中途崩溃浪费的时间，够买半台机器。品牌工作站的整机验证、上门保修和驱动兼容性，是帮课题组省心的保险。
上云租算力还是本地建工作站
两条路不矛盾，看使用模式。短期突发的大规模计算——比如船型优化的最后冲刺——云上弹性扩容很划算；但日常高频使用、数据敏感、需要随时交互调试的场景，本地工作站的时间和隐私成本更低。很多课题组的务实做法是：日常算例本地跑，超大规模批量任务借校级超算或短期租云，两头都不耽误。
大模型本地部署要不要单独买一台机器
不必单独买，但要在配置规划里给它留位置。Qwen3-30B-A3B和Gemma-3-27B在Q4量化下都只需要约16到18GB显存，与CFD的GPU加速可以共用一张24GB以上显存的卡——白天跑算例，晚上批量生成文献摘要和报告初稿，互不冲突。如果课题组还想做LoRA领域微调，显存再预留几GB即可。关键是规划阶段就把这个需求算进去，别等机器买回来才发现显存差一截。
结语
从二维势流到实船尺度的自由表面模拟，从一台笔记本到课题组公用平台，船舶水动力学的算力需求沿着研究阶段指数级跳变。每一次方法升级——势流到RANS、RANS到SPH、单机到平台——背后都是硬件台阶的一次重排。AG600总设计师四十多年前在南航读书时，水上迫降分析还主要靠试验和经验公式；今天，数值波浪水池已经能把波浪中着水的过载响应算到小数点后一位。工具在变，算力需求不变的道理是：今天的”够用”，大概率撑不过下一个课题。规划机器时多留半步，就是给未来的自己多留一条路。
工作站配置选型欢迎咨询~
微信号：maxftxwx
fuyiqin@xasun.com
