Random field reconstruction of inhomogeneous turbulence. Part II: Numerical approximation and simulation

Este artículo presenta y valida un esquema de discretización numérica para un modelo estocástico novedoso que reconstruye fluctuaciones de velocidad turbulenta inhomogéneas, demostrando su precisión, eficiencia y capacidad para capturar propiedades físicas clave como la ergodicidad espacio-temporal y las leyes de escalado de Kolmogorov mediante simulaciones exhaustivas.

Lo esencial

Imagina que estás intentando recrear el movimiento caótico y giratorio del viento o del agua (turbulencia) en una computadora. En el mundo real, este flujo rara vez es uniforme; cambia de velocidad, dirección y "rugosidad" dependiendo de dónde te encuentres y de cuándo lo observes. Este artículo trata sobre construir un modelo digital mejor y más realista para estos flujos desordenados y cambiantes.

Aquí tienes el desglose de lo que hicieron los autores, utilizando analogías sencillas:

1. El Problema: El Flujo "Estático" frente al "Vivo"

Los modelos informáticos anteriores de turbulencia eran a menudo como un maniquí rígido. Podían mostrar un flujo, pero luchaban por cambiar de forma de manera realista a medida que el flujo se desplazaba de un río ancho a un arroyo estrecho, o de un estado calmado a uno tormentoso. A menudo trataban las matemáticas como un boceto "a medio terminar", lo que hacía difícil probar si el modelo era realmente preciso o simplemente una adivinanza afortunada.

Los autores previamente construyeron un nuevo "plano" (una fórmula matemática) que actúa como un organismo vivo. Puede estirarse, encogerse y acelerarse o frenarse según las condiciones locales (como la cantidad de energía que hay en el flujo en ese punto específico). Sin embargo, un plano en papel es inútil si no puedes construirlo.

2. La Solución: El "Kit de Construcción Digital"

Este artículo es el manual de instrucciones para construir ese plano en una computadora. Los autores crearon una receta específica (un esquema numérico) para convertir sus matemáticas complejas en una simulación que realmente se pueda ejecutar.

Piensa en su método como una mezcladora de sonido de alta tecnología:

• Los Ingredientes: En lugar de usar un flujo de sonido suave y continuo (que es imposible para una computadora manejar perfectamente), descomponen el sonido en miles de pequeños "golpes" o "ondas" individuales.
• La Aleatoriedad: No eligen estos golpes en un orden aburrido y predecible. Utilizan un sistema de lotería aleatorizado. Imagina lanzar miles de dardos a un tablero para decidir de dónde provienen las ondas sonoras. Esta aleatoriedad es crucial porque evita que la simulación por computadora cree patrones falsos y repetitivos (como un disco rayado) que no existen en la vida real.
• El Truco "Local": Los flujos reales cambian a medida que te mueves a través de ellos. El método de los autores es lo suficientemente inteligente como para "hacer zoom" en puntos específicos. No necesita simular todo el universo para decirte cómo se siente el viento en tu puerta delantera. Puede calcular la turbulencia para un solo punto y luego pasar al siguiente, manteniendo la "historia" consistente a medida que avanza.

3. Demostrando que Funciona: La "Prueba de Sabor"

Antes de mostrar la simulación, los autores tuvieron que probar que su kit de construcción realmente construye lo que prometieron.

• La Verificación Matemática: Utilizaron matemáticas rigurosas para demostrar que, a medida que agregan más y más "golpes" (más dardos lanzados), su modelo digital se acerca cada vez más al plano teórico perfecto. Es como demostrar que si agregas suficientes píxeles a una imagen de baja resolución, eventualmente se verá como una foto de alta definición.
• La Prueba de "Ergodicidad": Esta es una palabra elegante para "¿coincide el promedio con la realidad?". Demostraron que si observas una sola simulación durante mucho tiempo, o miras una instantánea de todo el campo, el promedio de energía y "fricción" (disipación) coincide perfectamente con los datos de entrada. Es como demostrar que si tomas una muestra de sopa de una sola cucharada, sabe igual que toda la olla.

4. Los Resultados: Observando al Modelo Bailar

Los autores ejecutaron varias simulaciones para mostrar las características del modelo:

• Cambios de Tamaño: Mostraron que cuando el modelo entra en una región donde el flujo es "más grande" (más energía), los patrones giratorios en la simulación se hacen más grandes. Cuando el flujo se vuelve "más pequeño", los remolinos se encogen.
• Cambios de Velocidad: Demostraron que el modelo puede acelerar o frenar el "latido" de la turbulencia dependiendo de las condiciones locales.
• La Ley "Kolmogorov": En el mundo de la turbulencia, existe una regla famosa (la ley de los dos tercios de Kolmogorov) sobre cómo se descompone la energía desde los remolinos grandes hasta los pequeños. Los autores probaron que su modelo sigue esta regla correctamente, incluso en entornos desordenados y cambiantes, siempre que el flujo sea lo suficientemente turbulento.

Resumen

En resumen, este artículo toma una idea matemática sofisticada para modelar vientos y aguas desordenados y cambiantes y la convierte en un programa informático funcional. Probaron que el programa es matemáticamente sólido, mostraron que puede manejar cambios locales sin necesidad de simular todo el mundo, y demostraron que crea patrones giratorios realistas que obedecen las leyes de la física.

Lo que NO hicieron:
El artículo se centra estrictamente en las matemáticas y el código informático. No probaron esto en problemas de ingeniería del mundo real (como diseñar un automóvil o un avión) ni en aplicaciones médicas. Simplemente construyeron el motor y probaron que funciona suavemente; aún no lo han llevado a un destino.

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo "Reconstrucción de campos aleatorios de turbulencia inhomogénea Parte II: Aproximación numérica y simulación".

1. Planteamiento del Problema

El artículo aborda el desafío de reconstruir numéricamente fluctuaciones de velocidad turbulentas inhomogéneas a partir de cantidades características del flujo (como la velocidad media, la energía cinética turbulenta $k$, la tasa de disipación $\varepsilon$ y la viscosidad cinemática $\nu$). Mientras que la Parte I de este trabajo estableció un modelo riguroso de campo aleatorio totalmente continuo basado en integrales estocásticas de tipo Fourier, este artículo se centra en la discretización numérica, el análisis de convergencia y la implementación algorítmica de dicho modelo.

Los desafíos clave abordados incluyen:

• Inhomogeneidad: Manejo de variaciones espaciales y temporales en las escalas de turbulencia y los números de Reynolds.
• Advección no uniforme: Modelado preciso del transporte de estructuras turbulentas por flujos medios no uniformes.
• Evaluación local: Desarrollo de un algoritmo que permita un muestreo flexible y localizado del campo de turbulencia sin requerir la simulación global de todo el dominio espacio-temporal (crucial para el seguimiento de partículas lagrangianas o la dinámica de fibras).
• Consistencia: Garantizar que el esquema numérico discreto preserve las propiedades estadísticas (por ejemplo, tensiones de Reynolds, tasas de disipación, ergodicidad) del modelo teórico continuo.

2. Metodología

A. El Modelo Subyacente (Resumen)

Los autores utilizan el modelo introducido en la Parte I [Ant+26], que representa la fluctuación de velocidad turbulenta $u'(x,t)$ como un campo aleatorio gaussiano centrado definido por integrales estocásticas. El modelo emplea un enfoque asintótico de dos escalas:

• Escala macro: Definida por la geometría del flujo y el flujo medio $u(x,t)$.
• Escala micro: Definida por las fluctuaciones turbulentas, escaladas mediante parámetros locales ($k, \varepsilon, \nu$).
• Representación: El campo se construye mediante un promedio móvil en el tiempo y una representación espectral en el espacio, impulsado por una medida de ruido blanco gaussiano. Incorpora una linealización local de la advección del flujo medio para manejar el transporte no uniforme.

B. Esquema de Discretización

Los autores proponen un método de cuadratura aleatoria estratificada para aproximar las integrales estocásticas:

1. Estratificación: El dominio temporal se divide en intervalos $I_j = [j\Delta s, (j+1)\Delta s)$.
2. Cuadratura aleatorizada: La medida de ruido blanco continuo se reemplaza por una suma finita de medidas de Dirac distribuidas aleatoriamente con pesos aleatorios.
   • Números de onda ($\kappa$): Muestreados a partir de una función de densidad de probabilidad de referencia (típicamente el espectro de energía).
   • Vectores de orientación ($\theta$): Distribuidos uniformemente en la esfera unitaria $S^2$.
   • Puntos temporales ($s$): Distribuidos uniformemente dentro de sus respectivos intervalos de estratificación.
   • Vectores de ruido ($\xi$): Variables aleatorias gaussianas complejas con media cero y covarianza identidad.
3. Linealización: La ecuación integral compleja para la trayectoria del flujo medio $\phi(s; x, t)$ se aproxima mediante una función lineal $x - (t-s)u(x,t)$, válida para pequeñas relaciones de escala de turbulencia ($\delta \ll 1$).

C. Análisis de Convergencia

El artículo proporciona una prueba analítica rigurosa de convergencia (Teorema 3.2):

• Paso 1: Demuestra que el campo auxiliar (utilizando el flujo medio linealizado) converge al modelo continuo original a medida que la relación de escala de turbulencia $\delta \to 0$.
• Paso 2: Demuestra que el campo discretizado (utilizando la cuadratura aleatorizada) converge débilmente al campo auxiliar a medida que el número de puntos de cuadratura $N \to \infty$.
• Resultado: El esquema preserva la estructura de covarianza y las propiedades características del flujo (energía cinética, tasa de disipación, incompresibilidad) en el límite.

D. Implementación Algorítmica

Una contribución clave es el Algoritmo 4.1, un procedimiento de muestreo diseñado para evaluación local flexible:

• Muestreo dinámico: El algoritmo permite evaluar el campo en puntos arbitrarios $(x,t)$ determinados dinámicamente durante una simulación (por ejemplo, posiciones de partículas).
• Consistencia: Garantiza que, si dos puntos de evaluación comparten núcleos de integración temporal superpuestos, utilicen los mismos números aleatorios (intervalos de estratificación y muestras) para mantener la consistencia estadística.
• Gestión de memoria: El algoritmo rastrea qué intervalos de estratificación han sido "utilizados" y genera nuevas muestras aleatorias solo para los intervalos relevantes para los pasos de tiempo actuales y futuros, evitando la necesidad de almacenar todo el campo global.

3. Contribuciones Clave

1. Discretización Rigurosa: El primer esquema numérico totalmente especificado para el modelo de turbulencia inhomogénea continuo, que combina la cuadratura de Monte Carlo estratificada con la linealización local del flujo medio.
2. Prueba de Convergencia: Verificación analítica de que el esquema discreto converge al modelo continuo y preserva propiedades estadísticas clave (Corolario 3.3).
3. Algoritmo de Muestreo Local Eficiente: Un algoritmo novedoso que permite la evaluación localizada y en tiempo real del campo de turbulencia manteniendo la consistencia a través de los pasos de tiempo, resolviendo un cuello de botella importante para las simulaciones lagrangianas.
4. Validación de la Ergodicidad: Demostración numérica de que los promedios espaciales y temporales locales de una única trayectoria de muestra recuperan con precisión los parámetros del flujo inhomogéneo subyacente ($k$ y $\varepsilon$).
5. Verificación de la Ley de Kolmogorov: Demostración de que el modelo reproduce correctamente la ley de los dos tercios de Kolmogorov para los incrementos de velocidad espaciales en el rango inercial, dependiendo del número de Reynolds de turbulencia local.

4. Resultados de Simulación

Los autores presentan extensas simulaciones numéricas para ilustrar las características del modelo:

• Influencia de los Parámetros (Sección 5.1):

  • Variar el factor de escala espacial $\sigma_x$ (relacionado con $k^{3/2}/\varepsilon$) cambia el tamaño de las estructuras turbulentas.
  • Variar el factor de escala de viscosidad $\sigma_z$ (relacionado con el inverso del número de Reynolds) altera la composición espectral (relación entre escalas grandes y pequeñas).
  • Variar el factor de escala de velocidad $\sigma_u$ cambia la amplitud de las fluctuaciones sin alterar su forma.
  • El modelo captura con éxito la advección no uniforme, donde las estructuras se estiran y evolucionan según el flujo medio mientras decaen temporalmente.

• Ergodicidad Espacio-Temporal (Sección 5.2):

  • Las simulaciones muestran que los promedios móviles locales (sobre segmentos de línea y bolas 3D) de una única trayectoria de muestra convergen a los campos medios prescritos de energía cinética turbulenta ($k$) y tasa de disipación ($\varepsilon$).
  • Esto confirma la validez del modelo para recuperar estadísticas macroscópicas a partir de realizaciones microscópicas.

• Ley de los Dos Tercios de Kolmogorov (Sección 5.3):

  • El artículo verifica que las funciones de estructura de segundo orden de los incrementos de velocidad siguen la ley de escalado $r^{2/3}$ en el subrango inercial.
  • Los resultados muestran que este escalado se mantiene para varios números de Reynolds locales, con el ancho del rango inercial expandiéndose a medida que aumenta el número de Reynolds.
  • Las constantes de proporcionalidad coinciden con las predicciones teóricas ($C_l \approx 1.97$).

5. Significado

Este artículo cierra la brecha entre la formulación teórica de los modelos de turbulencia inhomogénea y su aplicación práctica en la dinámica de fluidos computacional (CFD).

• Para RANS/LES: Proporciona un método robusto para generar campos de turbulencia sintéticos a partir de datos RANS que son estadísticamente consistentes con la física subyacente (incluyendo anisotropía e inhomogeneidad).
• Para Dinámica de Partículas/Fibras: El algoritmo eficiente de muestreo local es crítico para simular la interacción de partículas o fibras con la turbulencia, donde los puntos de evaluación no son conocidos a priori.
• Rigor Teórico: Al separar el modelado, el análisis y la aproximación numérica, los autores proporcionan un marco que asegura que la solución numérica no sea solo una aproximación heurística, sino una representación matemáticamente convergente del modelo estocástico continuo.

En resumen, el trabajo ofrece un conjunto de herramientas completo, validado y computacionalmente eficiente para simular turbulencia inhomogénea, capaz de manejar condiciones de flujo complejas y variables en el tiempo, preservando al mismo tiempo leyes físicas fundamentales como el escalado de Kolmogorov y la ergodicidad.