shonDy 是一款高性能计算流体力学求解器，专为精准高效地模拟复杂流体动力学场景而设计。
shonFlow 是一款通用的流场仿真软件，使工程师能够对多种工业流程中的流体流动进行建模与分析。
shonTA 是一款先进的热管理分析工具，能够为工程应用提供精确的温度场仿真。
shonMesh 是一款先进的网格生成工具，能够为仿真应用高效创建高质量的计算网格，从而显著简化前处理流程。
探索我们的完整案例库。
探索我们的汽车行业解决方案，了解舜云产品在车辆工程中的创新研究与应用。
探索我们的学术案例，了解舜云产品在高校科研与教学中的创新应用。
探索我们的基础案例演示。
EDU（电驱动单元）中的飞溅润滑比表面看起来更为复杂。润滑油必须到达转子轴承，覆盖绕组表面以散热，并通过多根以不同转速旋转的轴为变速箱轴承提供润滑。电机采用主动供油方式，润滑油经转子中心轴注入后由离心力向外甩出；变速箱轴承则主要依赖油底壳的被动飞溅供油。无论哪种方式，润滑油能否到达每一个需要润滑的表面，都取决于几何形状、转速和分布规律——若不对流场进行精细求解，这些因素难以准确预测。 简介 我们将EDU分解为两个耦合的粒子法仿真：首先单独对转子轴进行仿真，确定润滑油在各内部通道中的分配情况；然后对整机进行仿真，电机与变速箱联合建模，以前述通道流量作为输入边界条件。（已发布的案例研究系列为便于阅读拆分为三个部分。）仿真目标是精确掌握内部流动状况：转子通道的供油量、绕组覆盖率的高低分布，以及哪些变速箱轴承供油不足。本文聚焦于仿真结果，而非方法本身。关于粒子法CFD为何适用于飞溅润滑分析以及与网格法的对比，请参阅我们的.
齿轮箱中的飞溅润滑看似简单，但若要精确仿真，却绝非易事。齿轮高速旋转，润滑油四处飞溅，每一毫秒需要润滑的表面都在不断变化。自由液面持续碎裂、几何体运动以及流体物性的强敏感性三者叠加，正是传统基于网格的CFD方法力不从心之处，也是仿真方法的选择远比大多数工程师预期更为关键之处。 引言 本文将阐述其中的原因，分析飞溅润滑的物理机制对仿真方法的实际要求，并通过两项shonDy齿轮箱润滑研究的验证结果，展示在方法极限条件下的表现——包括润滑剂在25°C与-40°C之间的行为对比。 飞溅润滑难以仿真的物理根源 在飞溅润滑中，旋转齿轮浸入油池，通过将润滑油甩向轴承、油道和壳体表面来实现润滑。系统中没有专用泵送回路或受控射流，润滑油的分布完全取决于转速、油位、壳体几何形状以及工作温度下润滑剂的黏度。 仿真难题直接源于上述物理过程。齿轮与油池相互作用时，油面持续破碎。液滴形成后撞击壳体壁面，汇聚成油膜，再流回油底壳。因此，润滑油的相界面是一个高度瞬态、拓扑结构复杂的自由液面，在整个仿真过程中不断经历碎裂与重新汇合。与此同时，齿轮几何体处于旋转状态，计算域始终处于动态变化之中。 仿真需要具体预测的是：润滑剂能否到达轴承。这要求精确捕捉自由液面动力学过程——正是这一过程将润滑油输送至宽度仅数毫米的轴承腔入口通道。几何体的持续变化与流体相分布的持续变化相叠加，正是shonDy所采用的粒子法大显身手之处。 基于网格的CFD方法在此场景中的局限 有限体积法（FVM）CFD在固定域或缓慢变形域中的流动仿真已有成熟应用。当几何体发生旋转、自由液面经历大变形（包括碎裂）时，网格必须持续变形或定期重构以保持有效性。两种策略均会带来额外的计算开销，并在界面处引入近似误差。 齿轮箱飞溅润滑的具体难点在于：润滑油界面并非简单的平移或平滑变形，而是在齿轮齿面离开油池时撕裂，在润滑油落回油底壳时重新汇合。基于网格的流体体积（VOF）方法在固定网格上追踪该界面，对于适度的界面变形效果尚可，但随着碎裂程度加剧，近似误差也随之增大。通往轴承腔的狭窄通道（其中的流动由上方振荡油柱驱动）需要精细的局部分辨率，并需仔细处理通道入口附近的界面重构。 旋转几何体进一步加剧了上述难题。标准做法是在旋转区域与静止区域之间使用动网格或滑移界面，这不仅增加了设置复杂度，还在区域边界引入了插值误差。对于具有多个旋转轴及不同转速齿轮副的齿轮箱而言，这将成为一项不容忽视的建模决策。 飞溅润滑同时呈现上述三重挑战：持续碎裂的界面、旋转多体几何结构以及强黏度依赖性。关于粒子法与有限体积法CFD的通用对比，请参阅.
对旋转电机内部润滑油分布进行仿真只需数秒，而预测零部件温度在实际工况载荷下的演变则需数分钟。这两个时间尺度分属不同的物理问题，没有任何单一仿真方法能以经济的方式同时兼顾两者。真正做到EDU热预测的工程师，并非简单地延长单一工具的运行时间，而是将两种方法智能地结合起来。忽视这一点的代价不仅体现在计算费用上，还体现在遗漏热点及绝缘等级选型错误上。 引言 如果您从事EDU冷却研究，或许已遭遇过此类问题。本文将阐述时间尺度差距的成因、传统方法的局限所在，以及如何将粒子CFD与三维/一维混合热模型相耦合，以设计迭代的速度实现空间分辨热点预测。文中引用的工作流程与数据均来自我们的.
随着电动汽车（EV）技术的不断进步，驱动电机的功率密度显著提升，电驱动系统的热管理挑战也随之加剧。在现有冷却方案中，油冷技术因其冷却油不导电、不导磁的特性而备受关注——冷却油可与定子绕组等高热量产生部件直接接触，从而高效散热，已成为下一代电动汽车动力总成系统的关键冷却介质。 因此，对油冷电机系统的深入研究对于提升电动汽车的热性能与可靠性至关重要。然而，在直接油冷电机配置中，冷却液缺乏固定流道，油与电机部件之间的对流换热系数通常依赖经验确定，这给仿真精度带来了不确定性，往往导致数值预测结果与实验观测之间存在偏差。 为应对上述挑战，本研究采用多目标优化工具包 pymoo，对基于 CAE 软件 shonTA 构建的汽车油冷电机模型进行标定。系统评估了非支配排序遗传算法 II（NSGA-II）和 NSGA-III 两种算法的优化性能，以确定其在提升模型保真度和预测精度方面的有效性。 1.
在计算流体动力学（CFD）中，空间离散化——具体而言即网格生成与分区过程——对数值模拟的精度和效率起着至关重要的作用。网格定义了连续物理域如何被划分为离散控制体，并在其上求解控制方程。总体而言，工程应用中主要采用两类网格：结构化网格与非结构化网格。 结构化网格具有规则的拓扑结构，其中每个内部节点拥有数量和排列一致的相邻单元，通常构成六面体单元。这种均匀结构允许基于网格索引隐式定义节点连接关系，无需显式存储邻居信息。结构化网格由于单元质量较高且网格间距变化平滑，通常具有更高的数值精度和更好的收敛性。然而，针对复杂几何体生成结构化网格往往费时费力，需要大量人工干预，且在许多情况下需对原始几何体进行简化，以实现拓扑规则的网格。 相比之下，非结构化网格缺乏这种规则的连接模式。内部节点可能拥有数量不等的相邻单元，这些单元可以呈现多种形状，如四面体、棱柱、锥体或一般多面体。非结构化网格的灵活性使其能够对几何复杂的域实现自动网格生成，适用于涉及复杂边界或多个相互作用组件的仿真。然而，这种灵活性也带来了内存需求增加和计算开销增大的代价，因为在数值计算过程中必须显式存储并访问邻居关系。 八叉树网格 八叉树作为一种组织空间对象的方法，基于单元密度对空间进行划分，从而避免在网格生成过程中遍历所有对象。其原理相对简单：当满足划分条件时，将三维空间等分为八个子空间，并将空间对象分配至相应子空间。八叉树网格作为一种常见的非结构化网格，其生成方式为：首先将计算域划分为一个或多个较大的立方体网格，再对这些立方体网格进行递归细分，分裂为八个子网格，直至每个子网格满足预定的尺寸要求或被几何边界裁剪为止。 .
The particle method discretizes fluids or solids into discrete computational units, known as particles. For solids, geometric information is represented by triangular surface elements of varying sizes.
In computational fluid dynamics (CFD), there’s more than one way to describe how fluids move, mix, and interact with their environment.
shonDy is a three-dimensional multiphysics numerical simulation software based on the mesh-free particle method.
Modern Electric Vehicles (EVs) demand precise and reliable thermal management to ensure performance, safety, and longevity.
在上一篇文章中，我们介绍了集总参数热网络（LPTN）方法的基本原理，并展示了如何利用等效热阻对传热过程进行建模。一维传热示例说明了LPTN方法能够准确预测无内部热源系统中的温度分布。然而，当引入体积热源时，LPTN方法往往会高估温度。 由于LPTN方法被广泛应用于电机温度仿真，其中各类电机损耗被建模为内部热源，因此提升其在此类问题中的精度至关重要。本文探讨了若干在存在体积热源情况下改进LPTN模型的方法。 1.
在产品概念设计阶段，全面了解产品的整体温度分布及各组件之间的能量传递至关重要，而不仅仅关注单个组件内部的温度分布。为此，需要一种能够高效简化和加速计算、同时保持可接受精度水平的仿真方法。集总参数热网络（LPTN）方法能够有效满足上述要求，该方法的基本原理如图1所示。 .
我们会很快联系您
