Three-dimensional variational data assimilation of separated flows using time-averaged experimental data

本文提出了一种新型三维变分数据同化框架，该框架将平面PIV实验数据与Spalart-Allmaras RANS模型相结合，以有效地将测量误差与湍流模型缺陷分离，从而与传统的二维方法相比，显著提高了NACA0012翼型分离流的流动预测效果。

要点

想象一下，你正在尝试烤出一个完美的蛋糕，但你的食谱（计算机模型）做出来的成品总是有点不对劲。同时，你还有一张真实蛋糕的照片（实验数据）想要去匹配它。问题在于，这张照片有点模糊，缺少了一些配料，而且拍摄角度也很奇怪。

这篇论文介绍了一种新的方法，旨在即使在照片不完美的情况下，也能修正食谱，使其更好地匹配真实的蛋糕。

问题所在： “扁平”的照片 vs. “圆润”的现实

科学家使用计算机模型来预测空气如何在飞机机翼上流动。这些模型就像是食谱。有时，食谱会出一点偏差，尤其是在机翼处于“深失速”（即机翼停止有效工作的状态，比如飞机在空中失速）的情况下。

为了修正食谱，科学家使用了一种名为**数据同化（Data Assimilation）**的技术。他们获取现实世界的测量值（比如一张空气流动的照片），并强制计算机模型与之匹配。

然而，这里有一个陷阱。现实世界的测量值来自于一种叫做 PIV（粒子图像测速法）的技术，它拍摄的是空气的一个 2D “切片”或一张扁平的照片。但围绕机翼运动的空气实际上是 3D 的（它会向上、下、左、右移动，还会向照片的“里”和“外”移动）。

论文指出，以往的方法试图让这个扁平的 2D 照片去适配 3D 的现实，方法是假装空气只在两个方向上运动。这就像是试图把一个圆形的橙子塞进一个正方形的洞里；你必须通过挤压和扭曲它才能让它契合进去。

旧方法：“被挤压的橙子”（2D 同化）

在旧方法（称为 2DVar）中，科学家拿着那张扁平的照片，强迫计算机模型遵守 2D 世界的规则。

• 类比： 想象计算机模型是一个正在解数学题的学生。老师（真实数据）给了他们一个模糊且略有错误的答案。学生试图改变自己的答案来匹配老师。
• 错误之处： 因为老师的答案是从 3D 世界的 2D 平面照片中提取的，所以它存在“误差”（它无法达到完美的平衡）。学生试图去匹配这个答案，结果开始以奇怪的方式修改自己的数学逻辑。他们把老师那张模糊的照片带来的问题，归咎于自己的数学计算出了错。
• 结果： 学生所做的“修正”是巨大且混乱的。这种修正既试图修复数学错误，又试图修复照片本身是扁平的事实。你无法分辨出哪些修正是在修复模型，哪些仅仅是在试图弥补那张糟糕的照片。

新方法：“3D 眼镜”（3D 同化）

论文作者发明了一种新方法（称为 3DVar）。他们不再强迫空气保持扁平，而是让计算机模型在第三个维度（深度）上自由呼吸，即便照片只展示了一个平面切片。

• 类比： 现在，学生戴上了 3D 眼镜。他们知道老师的照片只是一个 3D 物体的切片。当照片看起来“不平衡”（发散）时，学生意识到：“啊，空气一定是向着照片的‘里’或‘外’运动了，才能让这一切达到平衡！”
• 修正方案： 计算机模型允许空气在那个第三个方向上运动。这自然地解决了照片中“不平衡”的部分，而无需强行破坏数学逻辑。
• 结果： 学生所做的“修正”现在变得更小且更清晰。它只修复了食谱中的实际错误（湍流模型），而不是在试图修复照片本身的缺陷。

他们的发现

他们针对 NACA0012 翼型（一种特定的机翼形状）在高速飞行（空气发生分离并产生混沌旋流）的情况下进行了测试。

1. 旧方法 (2D)： 计算机不得不对物理方程进行大规模且混乱的修改，以匹配那张扁平的照片。它无法区分自己是在修复模型，还是在补偿缺失的 3D 数据。
2. 新方法 (3D)： 计算机做出了更小、更明智的调整。它让空气在 3D 空间内自然流动，以使方程达到平衡。
3. 最终结果： 新方法更准确地预测了升力（机翼向上推的力量）和机翼上的压力。它还提供了一个更好的“湍流”（旋转的混沌状态）图像，因为模型不再被迫去做一些为了匹配扁平照片而显得不可能完成的任务。

核心结论

你可以这样理解：如果你试图仅用一个 2D 的影子来描述一个 3D 的雕塑，你会感到困惑。如果你强迫一个 2D 的绘画看起来像那个影子，你不得不扭曲这幅画，直到它看起来完全不像真实的雕塑。

这篇论文表明，即使你只有一个 2D 的影子可以参考，只要你让你的绘画具备深度（3D），你就能更准确地重建出真实的雕塑。计算机模型不再与数据作斗争，而是开始真正理解流动的物理本质。

技术摘要

技术摘要：利用时间平均实验数据进行分离流的三维变分数据同化

问题陈述
本文探讨了将变分数据同化（DA）应用于使用平面粒子图像测速（PIV）数据的复杂分离流时所面临的局限性。虽然 PIV 提供了有价值的两分量、时间平均速度场，但其本质上缺乏面外速度分量。在分离流（如机翼深失速）中，流动本质上是三维（3D）的。传统的 DA 方法通常对这些二维（2D）数据施加二维连续性约束。作者认为，这种混淆会导致对动量方程中校正强迫项（corrective forcing term）的误解。具体而言，当将 2D 约束应用于非无散（non-divergence-free）的实验数据时，校正强迫项不仅要补偿雷诺平均纳维-斯托克斯（RANS）湍流模型的缺陷，还要补偿缺失的三维速度分量以及实验噪声。这使得区分物理建模误差与测量不一致性变得困难，并阻碍了对二阶统计量（如雷诺剪应力）的准确重建。

方法论
本研究采用了一种基于离散伴随法（discrete adjoint method）的变分数据同化框架，该方法通过 DAFoam 求解器实现。该方法的核心在于优化一个添加到动量方程中的校正强迫项 ($f_{ci}$)，以最小化 RANS 模拟（使用 Spalart–Allmaras 湍流模型）与参考数据之间的差异。

论文对比了两种不同的设置：

1. 2DVar（二维同化）： 控制方程和连续性约束严格在二维（流向和法向）内执行。展向域被视为单个单元层（$N_z=1$），从而有效地强制流动为二维。
2. 3DVar（三维同化）： 作者提出了一种新颖的方法，其控制方程和约束纳入了所有三个空间维度。计算域在展向方向进行了扩展，具有足够的解析度（$N_z > 1$），以允许面外速度分量的发展。至关重要的是，参考数据仍保持为 2D2C（两分量、两维度），并投影到 3D 网格上。

目标函数最小化了模拟与参考数据（包括合成数据和实验数据）之间速度差异的 $L_1$ 范数。优化过程使用序列二次规划（SQP）进行，其梯度通过离散伴随法计算。

主要贡献

• 新颖的 3D 同化框架： 本文引入了一种 3D 变分 DA 方法，该方法在同化 2D2C 实验数据的同时，执行 3D 连续性约束。
• 误差解耦： 研究表明，3D 约束允许校正强迫项主要解决实验设置误差（例如，由于缺失 3D 数据或噪声导致的散度问题），而湍流模型则能够更准确地捕捉底层流动物理特性。
• 未测量量的重建： 该方法被证明能成功重建未直接测量的物理量，如压力场和升力，以及建模量如雷诺剪应力和涡粘度。

结果
该方法在 NACA0012 机翼处于深失速状态（$\alpha = 15^\circ$, $Re_c \approx 7.5 \times 10^4$）的情况下进行了测试，使用了合成数据（满足 2D 连续性）和实验 PIV 数据（违反 2D 连续性）。

• 合成数据： 在使用满足无散特性的合成数据时，2DVar 的校正强迫项较小，表明基准模型只需微调即可捕捉物理特性。
• 实验数据 (2DVar)： 当应用于实验数据时，2DVar 方法需要较大的校正强迫项。该强迫项的量级与雷诺强迫项相当，这表明它是在补偿流动的三维特性和散度误差，而非仅仅补偿湍流建模的缺陷。这导致了对流动物理特性的错误表示。
• 实验数据 (3DVar)： 3DVar 方法成功发展出了展向速度分量以满足 3D 连续性。因此，校正强迫项的量级显著降低，变得更接近于雷诺强迫项。这表明 3D 约束使湍流模型能够正常发挥作用，由强迫项处理实验伪影。
• 重建量： 3DVar 方法在重建变量方面表现出更优越的结果。压力系数（$C_p$）分布和升力系数（$C_L$）与实验测量值相比显示出更好的吻合度。此外，3DVar 重建的雷诺剪应力和涡粘度场与实验观察结果更为一致，显示出增强的动量传输和湍流效应。

意义与主张
论文声称，在数据同化过程中对本质上为 3D 的分离流强制执行 2D 连续性会扭曲动量方程的平衡，迫使校正项吸收本应归因于流动 3D 特性的误差。通过实施 3D 约束，作者证明了当数据同化框架具有物理一致性时，基准 RANS 模型（Spalart–Allmaras）能够比此前认为的更准确地捕捉复杂的分离流物理特性。

研究得出结论，对于分离流的平面 PIV 数据，3DVar 优于 2DVar。它解决了解释校正强迫项时的歧义，允许研究人员区分湍流模型缺陷与实验不一致性。这种方法提高了直接同化的平均速度以及重建量（如升力和雷诺应力）的准确性，且无需修改湍流模型的函数形式。作者指出，尽管其实现使用的是 2D2C 数据，但该框架旨在处理实际的高雷诺数分离流的复杂性。