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

Cet article présente et valide un schéma de discrétisation numérique pour un modèle stochastique novateur qui reconstruit des fluctuations de vitesse turbulentes inhomogènes, démontrant sa précision, son efficacité et sa capacité à capturer des propriétés physiques clés telles que l'ergodicité spatio-temporelle et les lois d'échelle de Kolmogorov grâce à des simulations exhaustives.

L'essentiel

Imaginez que vous essayez de recréer le mouvement chaotique et tourbillonnant du vent ou de l'eau (turbulence) sur un ordinateur. Dans le monde réel, cet écoulement est rarement uniforme ; il change de vitesse, de direction et de « rugosité » selon l'endroit où vous vous trouvez et le moment où vous observez. Cet article porte sur la création d'un modèle numérique meilleur et plus réaliste pour ces écoulements désordonnés et changeants.

Voici la décomposition de ce que les auteurs ont fait, en utilisant des analogies simples :

1. Le Problème : L'Écoulement « Statique » vs l'Écoulement « Vivant »

Les modèles informatiques précédents de la turbulence étaient souvent comme un mannequin rigide. Ils pouvaient montrer un écoulement, mais ils peinaient à changer de forme de manière réaliste lorsque l'écoulement passait d'une large rivière à un ruisseau étroit, ou d'un état calme à une tempête. Ils traitaient souvent les mathématiques comme un croquis « à moitié terminé », rendant difficile la preuve que le modèle était réellement précis ou simplement une chance.

Les auteurs avaient auparavant construit une nouvelle « maquette » (une formule mathématique) qui agit comme un organisme vivant. Elle peut s'étirer, se rétrécir, accélérer ou ralentir en fonction des conditions locales (comme la quantité d'énergie présente dans l'écoulement à cet endroit précis). Cependant, une maquette sur papier est inutile si vous ne pouvez pas la construire.

2. La Solution : La « Boîte à Outils Numérique »

Cet article est le manuel d'instructions pour construire cette maquette sur un ordinateur. Les auteurs ont créé une recette spécifique (un schéma numérique) pour transformer leurs mathématiques complexes en une simulation que vous pouvez réellement exécuter.

Pensez à leur méthode comme à une table de mixage haute technologie :

• Les Ingrédients : Au lieu d'utiliser un flux sonore continu et lisse (qu'un ordinateur ne peut pas gérer parfaitement), ils décomposent le son en milliers de petits « battements » ou « ondes » individuels.
• Le Hasard : Ils ne choisissent pas ces battements dans un ordre ennuyeux et prévisible. Ils utilisent un système de loterie randomisé. Imaginez lancer des milliers de fléchettes sur une cible pour décider d'où viennent les ondes sonores. Ce hasard est crucial car il empêche la simulation informatique de créer de faux motifs répétitifs (comme un disque rayé) qui n'existent pas dans la réalité.
• L'Astuce « Locale » : Les écoulements réels changent au fur et à mesure que vous vous déplacez à travers eux. La méthode des auteurs est assez intelligente pour « zoomer » sur des endroits spécifiques. Elle n'a pas besoin de simuler tout l'univers pour vous dire à quoi ressemble le vent à votre porte d'entrée. Elle peut calculer la turbulence pour un seul point, puis passer au suivant, en maintenant la « cohérence de l'histoire » au fur et à mesure.

3. Prouver que ça Marche : Le « Test du Goût »

Avant de montrer la simulation, les auteurs ont dû prouver que leur boîte à outils construit réellement ce qu'ils ont promis.

• La Vérification Mathématique : Ils ont utilisé des mathématiques rigoureuses pour montrer que, à mesure qu'ils ajoutent de plus en plus de « battements » (plus de fléchettes lancées), leur modèle numérique se rapproche de plus en plus de la maquette théorique parfaite. C'est comme montrer que si vous ajoutez suffisamment de pixels à une image basse résolution, elle finit par ressembler à une photo haute définition.
• Le Test d'« Ergodicité » : C'est un mot compliqué pour dire « la moyenne correspond-elle à la réalité ? ». Ils ont montré que si vous observez une seule simulation pendant longtemps, ou si vous regardez un instantané de tout le champ, l'énergie moyenne et la « friction » (dissipation) correspondent parfaitement aux données d'entrée. C'est comme prouver que si vous prenez un échantillon de soupe dans une seule cuillère, cela a le même goût que toute la marmite.

4. Les Résultats : Regarder le Modèle Danser

Les auteurs ont exécuté plusieurs simulations pour mettre en valeur les fonctionnalités du modèle :

• Changement de Taille : Ils ont montré que lorsque le modèle entre dans une région où l'écoulement est « plus grand » (plus d'énergie), les motifs tourbillonnants dans la simulation deviennent plus grands. Lorsque l'écoulement devient « plus petit », les tourbillons rétrécissent.
• Changement de Vitesse : Ils ont démontré que le modèle peut accélérer ou ralentir le « battement de cœur » de la turbulence en fonction des conditions locales.
• La Loi « Kolmogorov » : Dans le monde de la turbulence, il existe une règle célèbre (la loi des deux tiers de Kolmogorov) sur la façon dont l'énergie se décompose des grands tourbillons aux petits. Les auteurs ont prouvé que leur modèle suit correctement cette règle, même dans des environnements désordonnés et changeants, à condition que l'écoulement soit suffisamment turbulent.

Résumé

En bref, cet article prend une idée mathématique sophistiquée pour modéliser des vents et des eaux désordonnés et changeants, et la transforme en un programme informatique fonctionnel. Ils ont prouvé que le programme est mathématiquement solide, ont montré qu'il peut gérer les changements locaux sans avoir besoin de simuler le monde entier, et ont démontré qu'il crée des motifs tourbillonnants réalistes qui obéissent aux lois de la physique.

Ce qu'ils n'ont PAS fait :
L'article se concentre strictement sur les mathématiques et le code informatique. Ils n'ont pas testé cela sur des problèmes d'ingénierie réels (comme la conception d'une voiture ou d'un avion) ou des applications médicales. Ils ont simplement construit le moteur et prouvé qu'il tourne sans accroc ; ils ne l'ont pas encore conduit vers une destination.

Résumé technique

1. Énoncé du problème

Le papier aborde le défi de la reconstruction numérique des fluctuations de vitesse turbulentes inhomogènes à partir de grandeurs caractéristiques de l'écoulement (telles que la vitesse moyenne, l'énergie cinétique turbulente $k$, le taux de dissipation $\varepsilon$ et la viscosité cinématique $\nu$). Alors que la Partie I de ce travail a établi un modèle rigoureux de champ aléatoire entièrement continu basé sur des intégrales de type stochastique de Fourier, ce papier se concentre sur la discrétisation numérique, l'analyse de convergence et l'implémentation algorithmique de ce modèle.

Les défis clés abordés incluent :

• Inhomogénéité : Gérer les variations spatiales et temporelles des échelles de turbulence et des nombres de Reynolds.
• Advection non uniforme : Modéliser avec précision le transport des structures turbulentes par des écoulements moyens non uniformes.
• Évaluation locale : Développer un algorithme permettant un échantillonnage flexible et localisé du champ de turbulence sans nécessiter la simulation globale de l'ensemble du domaine spatio-temporel (crucial pour le suivi lagrangien de particules ou la dynamique des fibres).
• Cohérence : S'assurer que le schéma numérique discret préserve les propriétés statistiques (par exemple, les contraintes de Reynolds, les taux de dissipation, l'ergodicité) du modèle théorique continu.

2. Méthodologie

A. Le modèle sous-jacent (Rappel)

Les auteurs utilisent le modèle introduit dans la Partie I [Ant+26], qui représente la fluctuation de vitesse turbulente $u'(x,t)$ comme un champ aléatoire gaussien centré défini par des intégrales stochastiques. Le modèle emploie une approche asymptotique à deux échelles :

• Échelle macroscopique : Définie par la géométrie de l'écoulement et l'écoulement moyen $u(x,t)$.
• Échelle microscopique : Définie par les fluctuations turbulentes, mises à l'échelle par des paramètres locaux ($k, \varepsilon, \nu$).
• Représentation : Le champ est construit via une moyenne mobile dans le temps et une représentation spectrale dans l'espace, pilotée par une mesure de bruit blanc gaussien. Il intègre une linéarisation locale de l'advection par l'écoulement moyen pour gérer le transport non uniforme.

B. Schéma de discrétisation

Les auteurs proposent une méthode de quadrature aléatoire stratifiée pour approximer les intégrales stochastiques :

1. Stratification : Le domaine temporel est partitionné en intervalles $I_j = [j\Delta s, (j+1)\Delta s)$.
2. Quadrature aléatoire : La mesure de bruit blanc continue est remplacée par une somme finie de mesures de Dirac distribuées aléatoirement avec des poids aléatoires.
   • Nombres d'onde ($\kappa$) : Échantillonnés à partir d'une fonction de densité de probabilité de référence (généralement le spectre d'énergie).
   • Vecteurs d'orientation ($\theta$) : Uniformément distribués sur la sphère unité $S^2$.
   • Points temporels ($s$) : Uniformément distribués dans leurs intervalles de stratification respectifs.
   • Vecteurs de bruit ($\xi$) : Variables aléatoires gaussiennes complexes de moyenne nulle et de covariance identité.
3. Linéarisation : L'équation intégrale complexe pour la trajectoire de l'écoulement moyen $\phi(s; x, t)$ est approximée par une fonction linéaire $x - (t-s)u(x,t)$, valable pour de petits rapports d'échelle de turbulence ($\delta \ll 1$).

C. Analyse de convergence

Le papier fournit une preuve analytique rigoureuse de la convergence (Théorème 3.2) :

• Étape 1 : Prouve que le champ auxiliaire (utilisant l'écoulement moyen linéarisé) converge vers le modèle continu original lorsque le rapport d'échelle de turbulence $\delta \to 0$.
• Étape 2 : Prouve que le champ discrétisé (utilisant la quadrature aléatoire) converge faiblement vers le champ auxiliaire lorsque le nombre de points de quadrature $N \to \infty$.
• Résultat : Le schéma préserve la structure de covariance et les propriétés caractéristiques de l'écoulement (énergie cinétique, taux de dissipation, incompressibilité) à la limite.

D. Implémentation algorithmique

Une contribution clé est l'Algorithme 4.1, une procédure d'échantillonnage conçue pour une évaluation locale flexible :

• Échantillonnage dynamique : L'algorithme permet d'évaluer le champ en des points arbitraires $(x,t)$ déterminés dynamiquement au cours d'une simulation (par exemple, les positions des particules).
• Cohérence : Il garantit que si deux points d'évaluation partagent des noyaux d'intégration temporelle qui se chevauchent, ils utilisent les mêmes nombres aléatoires (intervalles de stratification et échantillons) pour maintenir la cohérence statistique.
• Gestion de la mémoire : L'algorithme suit quels intervalles de stratification ont été « utilisés » et génère de nouveaux échantillons aléatoires uniquement pour les intervalles pertinents pour les pas de temps actuels et futurs, évitant ainsi la nécessité de stocker l'ensemble du champ global.

3. Contributions clés

1. Discrétisation rigoureuse : Le premier schéma numérique entièrement spécifié pour le modèle de turbulence inhomogène continu, combinant une quadrature de Monte Carlo stratifiée avec une linéarisation locale de l'écoulement moyen.
2. Preuve de convergence : Vérification analytique que le schéma discret converge vers le modèle continu et préserve les propriétés statistiques clés (Corollaire 3.3).
3. Algorithme d'échantillonnage local efficace : Un algorithme novateur permettant une évaluation localisée et à la volée du champ de turbulence tout en maintenant la cohérence à travers les pas de temps, résolvant ainsi un goulot d'étranglement majeur pour les simulations lagrangiennes.
4. Validation de l'ergodicité : Démonstration numérique que les moyennes spatiales et temporelles locales d'une seule trajectoire d'échantillon récupèrent avec précision les paramètres d'écoulement inhomogène sous-jacents ($k$ et $\varepsilon$).
5. Vérification de la loi de Kolmogorov : Démonstration que le modèle reproduit correctement la loi des deux tiers de Kolmogorov pour les incréments de vitesse spatiaux dans la plage inertielle, dépendante du nombre de Reynolds local de turbulence.

4. Résultats de simulation

Les auteurs présentent des simulations numériques extensives pour illustrer les caractéristiques du modèle :

• Influence des paramètres (Section 5.1) :

  • Faire varier le facteur d'échelle spatiale $\sigma_x$ (lié à $k^{3/2}/\varepsilon$) modifie la taille des structures turbulentes.
  • Faire varier le facteur d'échelle de viscosité $\sigma_z$ (lié à l'inverse du nombre de Reynolds) altère la composition spectrale (rapport entre grandes et petites échelles).
  • Faire varier le facteur d'échelle de vitesse $\sigma_u$ modifie l'amplitude des fluctuations sans en altérer la forme.
  • Le modèle capture avec succès l'advection non uniforme, où les structures s'étirent et évoluent selon l'écoulement moyen tout en se décomposant temporellement.

• Ergodicité spatio-temporelle (Section 5.2) :

  • Les simulations montrent que les moyennes mobiles locales (sur des segments de ligne et des boules 3D) d'une seule trajectoire d'échantillon convergent vers les champs moyens prescrits d'énergie cinétique turbulente ($k$) et de taux de dissipation ($\varepsilon$).
  • Cela confirme la validité du modèle pour récupérer des statistiques macroscopiques à partir de réalisations microscopiques.

• Loi des deux tiers de Kolmogorov (Section 5.3) :

  • Le papier vérifie que les fonctions de structure d'ordre deux des incréments de vitesse suivent la loi d'échelle $r^{2/3}$ dans le sous-domaine inertiel.
  • Les résultats montrent que cette échelle vaut pour divers nombres de Reynolds locaux, la largeur de la plage inertielle s'élargissant à mesure que le nombre de Reynolds augmente.
  • Les constantes de proportionnalité correspondent aux prédictions théoriques ($C_l \approx 1,97$).

5. Signification

Ce papier comble le fossé entre la formulation théorique des modèles de turbulence inhomogène et leur application pratique en dynamique des fluides numérique (CFD).

• Pour RANS/LES : Il fournit une méthode robuste pour générer des champs de turbulence synthétiques à partir de données RANS qui sont statistiquement cohérents avec la physique sous-jacente (y compris l'anisotropie et l'inhomogénéité).
• Pour la dynamique des particules/fibres : L'algorithme d'échantillonnage local efficace est crucial pour simuler l'interaction de particules ou de fibres avec la turbulence, où les points d'évaluation ne sont pas connus a priori.
• Rigueur théorique : En séparant la modélisation, l'analyse et l'approximation numérique, les auteurs fournissent un cadre qui garantit que la solution numérique n'est pas seulement une approximation heuristique, mais une représentation mathématiquement convergente du modèle stochastique continu.

En résumé, ce travail livre une boîte à outils complète, validée et computationnellement efficace pour simuler la turbulence inhomogène, capable de gérer des conditions d'écoulement complexes et variables dans le temps tout en préservant les lois physiques fondamentales telles que l'échelle de Kolmogorov et l'ergodicité.