在有限体积法（FVM）离散对流–扩散或对流主导问题时，所得到的线性系统矩阵通常具有以下特性：

• 结构对称（即非零模式对称，但数值不一定对称）；
• 对角占优（通常为弱对角占优，但在强对流或物性剧烈变化区域可能仅局部满足）；
• 高度非对称的数值元素（源于对流项的迎风格式、变物性系数等）。

这类矩阵不适合使用对称正定假设下的求解器（如 CG），而应选择适用于非对称、非正定系统的迭代方法。以下是推荐的迭代求解器及其组合策略：

1.Krylov 子空间方法（适用于非对称系统）

✅ 推荐主算法：

• GMRES（Generalized Minimal RESidual）

  • 优点：适用于任意非对称矩阵，收敛性理论较完善。
  • 缺点：内存随迭代步数增长（需重启，如 GMRES(m)）。
  • 适用场景：中等规模问题，或配合良好预条件子可高效收敛。

• BiCGSTAB（Biconjugate Gradient Stabilized）

  • 优点：内存固定，每步计算量小。
  • 缺点：对高度非对称或病态矩阵可能震荡甚至发散。
  • 适用场景：大规模问题，当 GMRES 内存受限时可作为替代。

• TFQMR（Transpose-Free Quasi-Minimal Residual）

  • 优点：无需矩阵转置，稳定性优于 BiCG。
  • 缺点：收敛速度通常慢于 GMRES。
  • 适用场景：无法提供 AT 或希望避免转置操作时。

⚠️ 注意：CG、MINRES 等仅适用于对称矩阵，不推荐。

2.预条件子（Preconditioner）——关键！

即使使用合适的 Krylov 方法，预条件子的选择往往决定成败。针对 FVM 对流–扩散问题，推荐：

✅ 高效预条件子：

• ILU(0) / ILU(k)（不完全 LU 分解）

  • 对非对称矩阵非常有效，尤其在对流主导问题中。
  • ILU(0) 保留原始稀疏结构，计算开销低；ILU(k) 更精确但成本高。
  • 在 OpenFOAM、PETSc、Trilinos 等库中广泛使用。

• AMG（Algebraic Multigrid）

  • 传统 AMG（如 BoomerAMG）主要针对 M-矩阵或扩散主导问题。
  • 对强对流问题，标准 AMG 可能失效，但可尝试：
    • Smoothed Aggregation AMG（如 ML、MueLu）
    • Advection-aware AMG（需特殊插值算子）
  • 若对流方向规则，可考虑semi-coarsening或line smoothers。

• Hybrid Preconditioners

  • 如ILU + AMG（AMG 作为外层，ILU 作为光滑器）
  • 或domain decomposition + ILU（如 additive Schwarz）

💡 实践建议：先试ILU(0) + GMRES(30)，若收敛慢再尝试ILU(1) + BiCGSTAB或AMG-based preconditioner。

3.实际工程中的常用组合（来自 OpenFOAM、PETSc 等经验）

4.额外建议

• 缩放（Scaling）：若物性参数跨越多个数量级（如粘度、导热系数），建议对矩阵进行行/列缩放（如 Jacobi scaling）以改善条件数。
• 对流项离散格式：高阶格式（如 QUICK）可能引入非物理振荡，反而恶化矩阵性质；有时切换为一阶迎风可提升求解鲁棒性。
• 并行环境：ILU 在并行下效果下降，可考虑block Jacobi + ILU或Schur complement方法。

总结推荐

对于强对流、物性剧烈变化的 FVM 系统：

• 首选：GMRES(m)+ILU(0)或ILU(1)
• 次选（内存受限）：BiCGSTAB+ILU(0)
• 大规模并行：FGMRES+AMG with ILU smoother
• 避免：CG、MINRES、无预条件的 Krylov 方法

如你在使用 OpenFOAM，可直接在fvSolution中配置：

solver PBiCGStab;preconditioner DILU;// 或 ILU0（需自定义）

如使用 PETSc，可设：

-ksp_type gmres -pc_type ilu -pc_factor_levels1