Введение: вызов сложных турбулентных потоков

Турбулентность остается одним из самых сложных явлений для точного моделирования в динамике жидкости. В то время как изотропная турбулентность - где статистические свойства однородны во всех направлениях - это полезная идеализация, реальные потоки редко изотропны. В аэрокосмической, автомобильной и экологической сферах в потоках преобладают направленные зависимости, налагаемые стенками, слоями сдвига и силами тела. Эти анизотропные потоки требуют моделирования подходов, которые могут захватывать направленное изменение турбулентных напряжений и передачи энергии. Точность расчетных колебаний динамики потока (CFD) зависит от того, насколько хорошо модель представляет анизотропию. В этой статье исследуется роль моделирования анизотропной турбулентности в прогнозировании сложных моделей потока, подробно описаны ограничения традиционных изотропных моделей, преимущества передовых методов и текущих исследований, которые направлены на то, чтобы сделать эти моделирования быстрее и надежнее.

Понимание анизотропной турбулентности

Анизотропная турбулентность возникает, когда турбулентные флуктуации скорости статистически различны в разных пространственных направлениях. В отличие от изотропной турбулентности, где тензор напряжения Рейнольдса сферический и турбулентная кинетическая энергия равномерно распределена, анизотропные потоки проявляют явное направленное смещение. Это смещение происходит от физических механизмов, которые генерируют и поддерживают турбулентность:

  • Стены-ограниченные потоки: В пограничном слое резко ограничены колебания скорости в стене-нормальном направлении, в то время как в области ближнего забора преобладают стримовые и шпильные компоненты.
  • Потоки сдвига: Свободные слои сдвига, будки и струи являются анизотропными из-за средних градиентов скорости. Турбулентная кинетическая энергия производится преимущественно в направлении среднего сдвига, что приводит к дисбалансу направления.
  • Стратифицированные и вращающиеся потоки: В экологических и геофизических потоках силы плавучести или Кориолиса накладывают предпочтительные направления.Например, пограничные слои атмосферы сильно анизотропны вблизи поверхности из-за сдвига, в то время как в воздухе они могут развить анизотропию из термического расслоения.
  • Геометрическое ограничение: Потоки по трубам, каналам и сложным протокам испытывают анизотропные напряжения из-за кривизны, углов и изменений площади.

Точная характеристика анизотропной турбулентности имеет важное значение, поскольку анизотропия непосредственно влияет на стрессы Рейнольдса, которые появляются в уравнениях Рейнольдса-Усредненного Навье-Стокса (RANS). Если модель не может представлять правильную анизотропию, прогнозируемый средний поток, особенно разделение и повторное присоединение, может быть значительно ошибочным.

Почему изотропные модели падают

Многочисленные модели турбулентности, используемые в общем использовании, такие как стандартные k-ε и k-ω модели SST, основаны на гипотезе вихре-вязкости Boussinesq. Эта гипотеза предполагает, что тензор напряжения Рейнольдса выровнен со средней скоростью деформации, со скалярной вязкостью вихря. По сути, она накладывает изотропию на смоделированные турбулентные напряжения, что принципиально неверно для потоков с направленными зависимостями. Последствия включают:

  • Неточное предсказание разделения потока: Модели Эдди-вискозии часто не могут захватить правильное местоположение и степень разделения на аэродинамических фольгах или в диффузорах, поскольку они недооценивают анизотропию турбулентности около стенки.
  • Плохое представление вторичных потоков: В некруглых протоках анизотропия приводит к вторичным движениям (например, угловым вихрям), которые не могут производить модели вихре-вязкости.
  • Процесс просчета смешивания и теплопередачи:] В струях и будках скорость распространения зависит от анизотропии напряжений Рейнольдса; изотропные модели часто чрезмерно или недостаточно прогнозируют распространение.

Ограничения изотропных предположений хорошо документированы в литературе. Например, исследования, сравнивающие прогнозы RANS для потока на шаге, обращенном назад, показывают, что, хотя модели k -ε захватывают длину прикрепления с умеренным успехом, они пропускают распределение анизотропного напряжения, которое влияет на транспорт турбулентной кинетической энергии. Более сложные потоки, такие как те, у которых сильная кривизна обтекания или неблагоприятные градиенты давления, требуют моделей, которые непосредственно решают для отдельных компонентов стресса.

Передовые подходы к моделированию анизотропной турбулентности

Для преодоления недостатков изотропных моделей разработан ряд подходов, которые явно или неявно объясняют направленное воздействие. Эти методы отличаются физической точностью и вычислительной стоимостью.

Стрессовые модели Рейнольдса (RSM)

Стрессовые модели Рейнольдса (RSM), также известные как закрытие второго момента, решают транспортные уравнения для каждого компонента тензора напряжения Рейнольдса. Это непосредственно захватывает анизотропию поля турбулентности и расслабляет предположение Boussinesq. Уравнения включают термины для производства, диссипации, корреляции давления-деформации и турбулентной диффузии. Термин давления-деформации особенно критичен; он перераспределяет энергию среди стрессовых компонентов и является основным механизмом возвращения турбулентности к изотропии в отсутствие производства. Модели RSM, такие как Launder-Reece-Rodi (LRR) и Speziale-Sarkar-Gatski (SSG), широко используются в аэродинамическом и турбомашинном моделировании. RSM является наиболее физически полным методом RANS-уровня, но он приходит с вычислительной стоимостью примерно на 50-100% выше, чем модели с двумя уравнениями и часто требует более надежных числовых решателей.

Большой Эдди-симулятор (LES)

LES непосредственно разрешает большие, энергосодержащие вихри, которые по своей сути являются анизотропными, в то время как моделирование только меньших, более изотропных масштабов через модель подсетевого масштаба (SGS). Поскольку большие «прямые» вихри несут направленный отпечаток среднего потока, LES естественным образом захватывает анизотропию, не требуя явного анизотропного закрытия. Модели SGS, такие как Smagorinsky или динамический Smagorinsky, предполагают, что неразрешенные масштабы являются более изотропными, но их эффективность зависит от разрешения сетки. Для настенных потоков требование разрешения около стенки для LES может быть экстремальным (тонкие пограничные слои). Настенная модель LES (WMLES) снижает эту стоимость, моделируя анизотропную область около стен с упрощенными RANS или алгебраическими законами. LES теперь стандарт в академических исследованиях и все чаще используется в промышленности для таких приложений, как внешняя аэродинамика, сжигание и аэроакустика.

Гибридные RANS-LES методы

Гибридные методы направлены на объединение эффективности RANS вблизи стен с точностью LES в разделенных областях. Они обрабатывают прикрепленные пограничные слои (где анизотропия сильна и разрешение сетки дорого) с RANS и переключаются на LES в областях массивного разделения или свободного сдвига потока. Популярные гибридные методы включают в себя дистанционное моделирование Эдди (DES) и его варианты (DDES, IDDES). Эти методы полагаются на гибридную шкалу длины, которая контролирует переход между режимами RANS. Неразрешенная часть в регионе RANS моделируется с моделью турбулентности (часто модель с двумя уравнениями, как ]k -ω SST), но разрешенная часть в регионе LES может производить анизотропные колебания. Хотя гибридные методы не являются чисто анизотропными моделями, они используют сильные стороны обоих подходов для достижения хороших прогнозов сложных потоков при умеренной стоимости.

Прямое численное моделирование (DNS) и спектральные методы

DNS решает уравнения Навье-Стокса без какой-либо модели турбулентности, разрешая все масштабы вплоть до длины Колмогорова. DNS предоставляет точные данные об анизотропных потоках и является золотым стандартом для понимания физики турбулентности. Однако вычислительные масштабы затрат как Re3, ограничивая DNS низкими числами Рейнольдса и простыми геометриями. DNS незаменим для проверки и разработки недорогих моделей, и он широко используется для изучения настенной анизотропии турбулентности, корреляций давления-деформации и переноса турбулентности. Спектральные методы, которые представляют собой решение в пространстве Фурье, особенно эффективны для однородной анизотропной турбулентности в простых областях.

Методы машинного и управляемого данными обучения

В последние годы наблюдается всплеск использования машинного обучения для улучшения моделирования турбулентности. Один из подходов заключается в увеличении прогнозов Рейнольдса путем обучения коррекции тензора анизотропии из DNS или экспериментальных данных. Нейронные сети или тензорные базовые нейронные сети могут отображать средние параметры потока в полный тензор анизотропии, минуя гипотезу Boussinesq. Другое направление заключается в использовании нейронных сетей, основанных на физике, для включения управляющих уравнений и обеспечения ограничений реализуемости. Эти методы показывают перспективу в захвате анизотропии для конкретных семейств потоков, но обобщение остается проблемой. Они еще не созрели для использования в производстве, но они представляют собой быстро развивающийся рубеж.

Ключевые проблемы в моделировании анизотропной турбулентности

Несмотря на достигнутый прогресс, существует ряд препятствий, препятствующих широкому внедрению методов анизотропного моделирования:

  • Расчетная стоимость: RSM требует решения семи дополнительных уравнений (шесть напряжений плюс рассеивание), увеличения памяти и времени процессора. LES и DNS ещё дороже, особенно для промышленных потоков с высоким числом Рейнольдса. Гибридные методы снижают стоимость, но внедряют интерфейсы моделирования, которые могут быть чувствительными к сетке.
  • Проблема с закрытием: Все модели RANS и LES требуют замыкания для незамкнутых условий (например, давление-деформация, скорость рассеивания, напряжения SGS). Эти замыкания часто калибруются для конкретных режимов потока и могут не работать для потоков с сильным неравновесным эффектом, вращением или кривизной.
  • Численная жесткость и стабильность: Уравнения RSM могут быть жестче, чем модели вихре-вязкости, что приводит к трудностям конвергенции.Уравнения переноса напряжения Рейнольдса склонны к отрицательным собственным значениям (нарушение реализуемости), если не обрабатывать их тщательно.Неявные решатели и алгоритмы сохранения реализуемости необходимы.
  • Разрешение сетки и обработка околостенной стенки: Захват анизотропии вблизи стен требует тонких сеток. В LES сетка должна разрешать анизотропные полосовые структуры (\(y^+\sim 1\)). Моделирование стен снижает стоимость, но вводит свои собственные ошибки анизотропии, поскольку модель стенки обычно предполагает закон стены, который может быть неточным при разделении.
  • Моделирование многомасштабных взаимодействий: В гибридных методах интерфейс между зонами RANS и LES может генерировать ложные колебания или несоответствие в разрешенных уровнях турбулентности.Улучшение функций коммутации и алгоритмов интерфейса являются активной темой исследования.

Решение этих проблем требует дальнейшего развития численных методов, улучшения физических замыканий и использования новых вычислительных устройств.

Применение анизотропного моделирования турбулентности

Точное анизотропное моделирование имеет решающее значение для широкого спектра инженерных и научных приложений. Ниже приведены ключевые области, в которых эффекты направленной турбулентности особенно выражены.

Аэрокосмическая и автомобильная аэродинамика

В внешней аэродинамике анизотропные модели улучшают прогнозы сопротивления, подъема и разделения. Для самолетов поток над крыльями, фюзеляжем и поверхностями управления включает пограничные слои, шоковое разделение и будки — все из которых сильно анизотропны. RSM и гибридные методы используются для прогнозирования наступления кабинки крыла, на которую влияет распределение анизотропного напряжения в разделенном слое сдвига. В автомобильной технике поток вокруг кузова автомобиля демонстрирует разделение от заднего окна и боковых зеркал; LES и гибридные модели обеспечивают более точное распределение давления и коэффициенты сопротивления, чем двухуровневые RANS. Развитие дорожных транспортных средств с более низким расходом топлива в значительной степени зависит от этих симуляций.

Динамика жидкостей окружающей среды

Атмосферный пограничный слой (АБЛ) всегда анизотропен вблизи поверхности вследствие сдвига и стратификации. Анизотропные модели турбулентности используются для применения энергии ветра (моделирование бодрствования за турбинами), дисперсии загрязняющих веществ в городских каньонах и прогнозирования погоды. Например, распространение загрязняющего вещества из стека высокочувствительно к анизотропии вертикальной и боковой турбулентной диффузивности. Модели, разрешающие напряжения Рейнольдса, работают лучше, чем простые предположения о градиентной диффузии в конвективных и стабильных пограничных слоях. В океанографии анизотропные модели используются для смешивания в стратифицированных слоях и для прибрежной циркуляции.

Биомедицинские потоки

Поток крови в артериях и венах сильно анизотропен из-за кривизны сосудов, бифуркации и пульсативной природы потока, управляемого сердцем. Стрессы Рейнольдса способствуют активации тромбоцитов и образованию тромбов, а их точное предсказание важно для конструкции медицинского устройства (стенты, сердечные клапаны). Аналогично, воздушный поток в дыхательных путях человека включает сложные геометрии от трахеи до альвеол; поток в разветвленной сети является высоко анизотропным с вторичными движениями. LES и RSM использовались для моделирования осаждения частиц в легких, что актуально для доставки лекарств и ингаляционной токсикологии.

Промышленные и турбомашинные потоки

В газовых турбинах и компрессорах поток через проходы лопастей, клиренсы и диффузоры является трехмерным и сильно анизотропным из-за центробежных и кориолисовых сил. Модели Эдди-вискозити плохо работают для прогнозирования теплопередачи и вторичных потоков в этих системах. RSM часто является стандартным выбором для турбомашин, поскольку он захватывает вторичные потоки, управляемые анизотропией (например, вихри прохода), которые влияют на эффективность и охлаждение лопастей. В камерах сгорания анизотропия влияет на смешивание топлива и окислителя, стабильность пламени и выбросы - поэтому передовые модели имеют решающее значение.

Будущие направления и новые тенденции

Поиск более точных и эффективных моделей анизотропной турбулентности обусловлен как физическим пониманием, так и вычислительными достижениями.

  • Экзамасштабные вычисления: Появление суперкомпьютеров экзафлопсного масштаба сделает возможным использование DNS и LES при более высоких числах Рейнольдса для сложных геометрий. Это обеспечит высокоточные данные для проверки и обучения моделей.
  • Ускорение машинного обучения: Модели, основанные на данных, которые заменяют дорогостоящие замыкания RSM или улучшают модели SGS, созревают. Эти методы могут изучать анизотропные отношения непосредственно из данных, потенциально снижая зависимость от эмпирических констант.
  • Физика-ограниченный ИИ: Комбинирование нейронных сетей с физическими ограничениями (например, реализуемость, симметрия, законы сохранения) является многообещающим путем к надежным моделям, которые обобщают за пределами данных обучения.
  • Моделирование пониженного порядка: Для прогнозирования в реальном времени (например, управление потоком, цифровые двойники), правильное ортогональное разложение (POD) и другие методы пониженного порядка могут сжимать поля анизотропного потока и эффективно их развивать.
  • Унифицированные модели мультифизики: Моделирование анизотропной турбулентности расширяется, чтобы включить теплообмен, химические реакции и многофазные эффекты.Взаимодействие между анизотропией и скалярным транспортом является ключевой областью для будущих исследований.
  • Реальная валидация: По мере усложнения вычислительных моделей возрастает необходимость в экспериментах с высоким разрешением (например, велоциметрия изображения частиц в потоках промышленного масштаба).

Усилия по совершенствованию моделей анизотропной турбулентности не просто академические; они приведут к созданию более безопасных самолетов, более эффективных двигателей, более совершенных экологических прогнозов и улучшенных медицинских устройств.Путь от изотропного релаксации к анизотропному реализму является одним из наиболее важных продолжающихся историй в вычислительной динамике жидкости.

Заключение

Анизотропная турбулентность является неотъемлемой чертой большинства потоков, встречающихся в инженерном и естественном мире. В то время как моделирование анизотропии добавляет значительную сложность - через RSM, LES или гибридные методы - выигрыш в точности прогнозирования является существенным. Традиционные изотропные модели, хотя и вычислительно дешевые, не могут надежно предсказать разделение, вторичные потоки и смешивание в реалистичных конфигурациях. Выбор подхода к моделированию зависит от особенностей потока, доступных вычислительных ресурсов и требуемой точности. Текущие достижения в численных методах, вычислительном оборудовании и машинном обучении постепенно уменьшают барьеры для использования анизотропных моделей даже в промышленных условиях. По мере того, как эти инструменты становятся более доступными, инженеры и ученые будут лучше оснащены для понимания и управления сложными шаблонами турбулентности, которые формируют наш мир.

Для дальнейшего чтения по основам анизотропной турбулентности и методов моделирования, примечания к лекции FLT:0 IARE о продвинутых CFD обеспечивают солидный обзор. NASA Langley Turbulence Modeling Resource предлагает кураторские случаи валидации и формулы моделей. Кроме того, всеобъемлющий учебник Turbulence Modeling for CFD от Wilcox остается стандартной ссылкой для практиков.