Numerically Consistent Non-Boussinesq Subgrid-scale Stress Model with Enhanced Convergence

本文提出了一种用于大涡模拟的数值一致性非布辛涅斯克（non-Boussinesq）亚网格尺度应力模型，该模型利用数据同化和多任务学习，与动态 Smagorinsky 模型相比，实现了增强的收敛性以及对逆压梯度下湍流边界层更优的预测。

要点

想象一下，你正试图预测河流绕过岩石弯道时的流向。如果你试图计算每一个水分子的运动，超级计算机可能需要几个世纪才能完成这项工作。这就是科学家们所说的“直接数值模拟”（Direct Numerical Simulation, DNS）。它非常完美，但对于现实世界的工程应用来说太慢了。

因此，工程师们使用了一种名为“大涡模拟”（Large-Eddy Simulation, LES）的捷径。这就像是从直升机上观察河流：你可以清晰地看到巨大的漩涡和主流，但微小的涟漪和涡流则太小了，无法被看见。为了让这种模拟能够运行，你需要一个“亚网格尺度（SGS）模型”。这个模型就像是一个“猜测守护者”，它会说：“好吧，我看不见那些微小的涟漪，但我知道它们确实存在，所以我会在计算中加入一点‘摩擦力’来补偿它们。”

几十年来，这些模型一直像是在使用一种通用的、一刀切的摩擦力设置。在简单的河流中，它们表现尚可；但当水流变得湍流化、撞击斜坡或绕过复杂形状时，这些通用模型往往会失效。它们可能会预测水流减速，而实际上水流应该加速；或者当你试图让模拟变得更精细时，它们会感到困惑。

问题所在：“缩放”悖论
通常情况下，如果你让计算机模拟变得更精细（增加更多网格点，就像用相机放大镜头一样），答案理应变得更好。但使用这些旧模型时，有时让网格变得更“精细”反而会让预测结果变得更“糟糕”。这就像是试图通过增加像素来修复模糊的照片，但软件只是增加了更多的噪点。这被称为“非单调收敛性”（non-monotonic convergence），是工程师们的一个重大难题。

解决方案：一位聪明的定制教练
本文的作者 Ling 和 Lozano-Duran 开发了一种新型的 SGS 模型，它利用了机器学习。他们没有简单地去猜测摩擦力，而是通过观察一个完美的模拟（即 DNS 数据）并尝试模仿它，教会了计算机如何学习精确的“摩擦力”。

以下是他们实现这一目标的步骤，使用了三个简单的类比：

1. “推搡”教练
想象一下，你正在学习骑自行车，但你手里只有一张模糊的路径图。一种“推搡”（nudging）方法就像是有一位教练站在你身边。每当你偏离完美路径（DNS 数据）时，教练就会给你一个温柔的推力（一个“推搡”），让你回到正轨。
在本文中，计算机运行模拟并被“推搡”向完美数据。随后，计算机记录下为了保持在轨道上它必须“推多用力”。这种“推力”就成为了新模型的训练数据。该模型学会了：“当水流呈现这种形态时，我需要这样大的力进行推搡。”

2. “非 Boussinesq”工具箱
旧的模型就像一把锤子：它们只知道朝一个方向推（比如简单的摩擦力）。但真实的水流非常复杂；它会扭转、转向和旋转。
作者构建了一个更像瑞士军刀的新模型。它不仅仅有一种工具，它采用了“张量”（tensorial）方法，这意味着它有针对不同方向的不同工具。它处理水流扭转和旋转的能力比旧有的“锤子”模型要好得多。他们称之为“非 Boussinesq”公式，这只是一个高级说法，意思是我们不再假设水流行为如此简单，而是开始将其视为复杂的、扭转的流体。

3. “多任务”学生
这是本文最大的突破。通常，当你训练一个机器学习模型时，你只需要告诉它要“准确”。但作者意识到，为了让这件事情奏效，模型需要学习一个特定的教训：“随着你变得更精细，你必须变得更准确。”
他们使用了一种称为“多任务学习”（Multi-Task Learning）的策略。想象一个学生正在参加三场考试：一场简单的（粗网格）、一场中等的，以及一场困难的（细网格）。

• 旧方法： 老师对所有考试的评分权重是一样的。学生可能通过了简单的测试，却在困难的测试中失败了。
• 新方法： 老师告诉学生：“那场困难的考试比简单的考试重要 100 倍。”
  通过这样加权训练数据，模型被迫优先保证精细细节的准确性。这确保了当你放大（细化网格）时，结果会变得越来越好，而绝不会变差。

实验结果
他们将这种新模型应用于撞击斜坡的湍流（例如空气流过向上倾斜的机翼）。

• 准确性： 它对空气速度和墙面压力的预测远优于目前的行业标准——“动态 Smagorinsky 模型”。
• 收敛性： 最重要的是，当他们使网格变得更精细时，误差稳步下降。解决了“缩放悖论”。该模型表现得完全符合一个优秀的模拟应有的样子：细节越多，结果越好。

总结
作者为模拟湍流流体构建了一个更聪明、更灵活的 AI 模型。通过使用“推搡”技术进行教学，赋予它一个“瑞士军刀”式的复杂工具箱而非简单的锤子，并通过特殊的训练权重迫使其优先考虑精细细节，他们创造出了一个既准确又可靠的模型，能够随着模拟精细度的提升而变得更加精准。

技术摘要

技术摘要：具有增强收敛性的数值一致性非布辛涅斯克（Non-Boussinesq）亚格子尺度应力模型

问题陈述
壁面建模大涡模拟（WMLES）为高雷诺数工业流场提供了一种计算高效的替代方案。然而，传统的亚格子尺度（SGS）模型通常依赖于物理近似（例如线性涡粘闭合）和经验调优，这些方法在处理复杂流场（如具有逆压梯度（APG）或分离流的流场）时往往失效。当前 WMLES 实践中的一个关键局限是解在网格加密过程中的非单调收敛问题；由于 SGS 建模、数值离散化与壁面模型之间相互作用产生的误差，可能导致预测结果随网格加密反而恶化而非改善。此外，现有的基于机器学习（ML）的 SGS 模型在后验测试中往往表现不佳，因为它们通常是在过滤后的 DNS 数据上进行训练（先验训练），这与 LES 求解器中固有的数值误差不一致。虽然像构建块流（Building-Block Flow, BFM）模型这样的数据同化方法已展现出潜力，但之前的迭代版本仅限于具有单一非均匀方向的配置（如通道流），并且在处理分离流方面存在困难。

方法论
本研究扩展了 Ling 和 Lozano-Duran (2025) 的数据同化框架，开发了一种用于具有 APG 的湍流边界层（TBL）的数值一致性 ML 型 SGS 模型，该配置具有两个非均匀方向。该方法由三个主要步骤组成：

1. 参考统计量与强迫（Nudging）： 作者利用 APG TBL（具有 $5^\circ$ 坡度角且 $Re_\theta = 670$）的 DNS 来定义目标统计量。作者并未同化完整的轨迹（这对于粗粒度系统而言是不适定的），而是采用了一种统计强迫方法。通过在 WMLES 动量方程中添加一个修正项（$F_{nudging}$），驱动平均速度剖面趋向于 DNS 目标。这产生了一个“数值一致”的目标强迫项（$F_{target}$），该项考虑了特定求解器（charLES，一种基于 GPU 加速的有限体积代码）的特定离散误差。
2. 非布辛涅斯克模型构建： 为了解决线性涡粘模型在复杂流场中的局限性，作者采用了非布辛涅斯克张量形式的 SGS 模型。该模型通过两个项来预测 SGS 应力张量（$\tau^{SGS}$）：一个标准的应变率项和一个旋转张量项（$SR - RS$）。这些项的系数由多层感知器（MLP）神经网络进行参数化。网络的输入是基于应变（$S$）和旋转（$R$）张量导出的无量纲不变性，这些变量是通过信息论方法（白金汉-$\pi$ 定理）筛选出的，以实现预测能力的极大化。
3. 具有增强收敛性的多任务学习： 模型使用监督学习策略进行训练，旨在最小化组合损失函数。该损失包括一个强迫匹配项（以重现 $F_{target}$）和一个耗散匹配项（以确保模型的能量耗散与基准动态 Smagorinsky 模型（DSM）保持一致）。至关重要的是，作者实施了一种多任务学习策略，其中来自三种不同网格分辨率（粗、中、细）的训练数据被赋予不同的权重。通过为更细的网格分配更高的权重，训练过程显式地强制执行了单调收敛行为，解决了传统模型中粗网格有时比细网格误差更低的问题。

核心贡献

• 扩展至两个非均匀方向： 该框架从单方向通道流推广到了具有更丰富物理特性和二次平均运动的 APG TBL。
• 非布辛ске斯克表述： 采用带有旋转项的张量 SGS 模型超越了布辛涅斯克假设，能够更好地捕捉复杂的应力各向异性。
• 耗散匹配损失： 引入了一个特定的损失组件来约束模型的能量耗散，这是捕捉平滑物体分离现象所必需的统计要求。
• 增强收敛性的训练： 通过在损失函数中集成基于分辨率的权重分配，提出了实现单调网格收敛的机制，这一特性在标准数据驱动的 SGS 模型中往往是缺失的。

结果
针对 APG TBL 案例进行了后验测试，将训练后的模型与动态 Smagorinsky 模型（DSM）以及最优强迫模拟进行了对比。

• 准确性： 所提出的模型在预测平均速度剖面和壁面剪切应力（皮肤摩擦）方面显著优于 DSM，其结果与最优强迫模拟相当。在某些区域，该模型甚至表现出优于强迫模拟的效果，这可能是由于 SGS 与壁面模型之间的误差抵消所致。
• 收敛性： 研究表明，“等权重”训练策略导致了非单调收敛（即最粗网格误差最低）。相比之下，所提出的“不等权重”策略（优先考虑细网格）成功实现了随着网格加密而呈现出的稳定、单调的收敛趋势，尽管最细网格仍处于欠解析状态。

意义与主张
本文为一种与流求解器数值一致且能够处理复杂多向流配置的数据驱动 SGS 建模方法提供了概念验证。作者声称，通过将统计强迫与非布辛涅斯克表述以及多任务学习策略相结合，他们解决了 WMLES 中的两个持久挑战：复杂流场中线性闭合的不准确性，以及数值解的非单调收敛问题。这项工作表明，通过在训练损失权重中显式促进单调收敛，是实现更稳健、更具生产力的 ML 型 SGS 模型的可行路径。研究承认了局限性，指出目前的强迫方案是标量形式（仅针对流向），未来的工作需要将其扩展到矢量值强迫以处理完全分离流，并实现权重方案的自动化，以提高广泛适用性。