Computational Fluid Dynamics

Computational Fluid Dynamics nutzt numerische Algorithmen, um vorherzusagen, wie Fluide (Flüssigkeiten und Gase) sich bewegen, vermischen und Wärme übertragen. Statt einen physikalischen Prototyp zu bauen und im Windkanal oder Strömungsbehälter zu testen, erstellen Ingenieure ein mathematisches Modell der Geometrie, definieren Randbedingungen und lassen Software die Navier-Stokes-Gleichungen über ein Netz aus Tausenden oder Millionen Zellen lösen. Das Ergebnis ist eine detaillierte Darstellung von Geschwindigkeit, Druck, Temperatur und anderen Eigenschaften im gesamten Berechnungsbereich.

Der Workflow beginnt mit der Vernetzung: Der Strömungsraum wird in diskrete Elemente unterteilt (tetraedrische, hexahedrische oder prismatische Zellen). Feinere Netze an Wänden und in interessierenden Bereichen erfassen steile Gradienten; grobere Regionen abseits von Strukturen reduzieren die Rechenzeit. Der Löser iteriert dann über Zeitschritte (für instationäre Strömungen) oder gegen Konvergenz (für stationäre Strömungen) und aktualisiert Fluideeigenschaften in jeder Zelle basierend auf Erhaltung von Masse, Impuls und Energie. Typische industrielle Löser sind ANSYS Fluent, OpenFOAM und STAR-CCM+, viele Unternehmen entwickeln aber auch proprietäre Code für spezialisierte Anwendungen.

Wann CFD die physikalische Prüfung ersetzt oder ergänzt

CFD beschleunigt die Designentwicklung und senkt Prototypenkosten. Automobil-Ingenieure nutzen es zur Optimierung von Kühlrippen und Unterbodenströmungen; HVAC-Planer prognostizieren Temperaturschichtung in Räumen; Verfahrensingenieure modellieren Mischung in Reaktoren. CFD-Ergebnisse sind jedoch nur so zuverlässig wie das Turbulenzmodell, die Randbedingungen und die Netzqualität. Grobes Netz oder falsche Eingangsvoraussetzungen führen zu Müll. Validierung gegen Messungen bleibt für neue Geometrien oder Strömungsbereiche, in denen die Physik schlecht verstanden ist, unerlässlich.

Turbulenzmodellierung ist die größte Unsicherheitsquelle. Reynolds-gemittelte Navier-Stokes (RANS) setzt zeitgemittelte Strömung voraus und nutzt empirische Abschlussmodelle (k-epsilon, k-omega, Spalart-Allmaras); es ist schnell, aber grob. Large Eddy Simulation (LES) löst größere Turbulenzwirbel auf und modelliert kleinere Skalen; viel teurer, aber genauer. Direkte numerische Simulation (DNS) löst alle Skalen; für industrielle Reynoldszahlen unbezahlbar teuer. Die meiste produktive CFD nutzt RANS, weil es Genauigkeit und Rechenzeit ausbalanciert.

Die Disziplin hat sich seit den 1970ern gereift. Frühe Code liefen auf Supercomputern und brauchten Wochen für einen Fall. Modernes Parallelrechnen und GPU-Beschleunigung ermöglichen Ingenieuren heute, hunderte Variationen in Tagen durchzurechnen. Dennoch bleibt CFD ein Werkzeug für Fachleute: Netzgenerierung, Solver-Setup und Auswertung erfordern physikalische Intuition und Erfahrung. Ein schlechtes Netz kann wochenlange Rechnung zunichte machen. CFD hat experimentelle Validierung nicht ersetzt und wird das auch nie, ist aber zur Standardmethode im ersten Durchgang der Fluidanlage-Gestaltung in Schwer- und Maschinenbau sowie Luft- und Raumfahrt geworden.