想象一下，你试图预测搅拌时咖啡杯中的漩涡如何旋转，或者蜡烛烟雾如何卷曲。在物理学世界中，这种混乱、扭曲的运动被称为湍流。它是科学中最难解的谜题之一，因为流体以微小且不可预测的模式运动，并不断变化。

为了在计算机上模拟这一现象，科学家使用一种称为格子玻尔兹曼的方法。将这种方法想象成由微小瓷砖组成的巨大网格。计算机并非追踪流体的每一个分子，而是观察“粒子”如何从一个瓷砖跳到下一个瓷砖。

问题：“过于钝拙”的刀具

论文指出，当我们试图在计算机上模拟湍流时，无法承担将网格细化到捕捉每一个微小漩涡的程度（那将需要过多的计算能力）。因此，我们使用一种称为亚格子尺度（SGS）模型的“捷径”。

将 SGS 模型想象成一把用于切菜的厨师刀。

旧刀具（Smagorinsky 模型）： 几十年来，科学家一直使用一种标准模型（Smagorinsky），它像一把非常钝重的大砍刀。它以大致相同的方式粗略地处理一切。在靠近墙壁（如管道侧壁）的地方，这把砍刀过于激进。它切碎了本应存在的微小、精致的漩涡，导致模拟结果“过度耗散”（能量流失过快），并遗漏了诸如微小角涡等重要细节。
目标： 研究人员希望拥有一把手术刀——一种在不同情境下知道确切切割力度的工具，既能保留精细细节，又不会浪费能量。

解决方案：教计算机编写食谱

作者没有试图利用老式数学理论来猜测完美的公式，而是采用了一种“数据驱动”的方法。他们使用了一种称为**物理符号优化（Φ-SO）**的技术。

以下是类比：
想象你拥有一个巨大的高清视频库，展示了流体运动的确切方式（这些被称为DNS 数据集）。你希望计算机查看这些视频，并写下一个简单的数学“食谱”（方程）来解释这种运动。

通常，计算机使用“黑盒”人工智能（如深度神经网络）来完成这项工作。它们给出答案，但你无法看到它们是如何得出的。这就像变魔术：你看到兔子出现，却不知道戏法是如何变的。

本文采用了不同的方法：

搜索： 计算机被赋予了一个包含数学符号（加、减、乘、平方根等）的工具箱，以及一组基于物理的规则（例如“能量必须以某种方式缩放”）。
发现： 计算机尝试了这些符号的数百万种不同组合，并将它们与高清视频进行比对。它保留了效果最好的公式，并摒弃了那些过于复杂或不符合物理规律的公式。
结果： 它发现了一个特定的、可读的方程（一个“食谱”），它像一把智能手术刀。

这个新食谱有何特别之处？

计算机发现的新公式之所以“智能”，是因为它同时观察两件事：

拉伸（应变）： 流体被拉开的程度。
旋转（转动）： 流体扭曲的程度。

旧的“钝砍刀”只关注拉伸。而新的“手术刀”知道，如果流体旋转迅速但拉伸不多，其行为应有所不同。这使得它能够：

保留精细细节： 在一个带有移动盖板的方盒模拟中，新模型成功发现了角落里的微小、微弱漩涡（称为 Moffatt 涡），而旧模型则完全将其平滑并抹去。
无需手动干预即可工作： 旧模型通常需要人工添加特殊的“阻尼”规则，以防止它们在靠近墙壁时过于激进。而新模型自行解决了这一问题。

“零样本”魔术戏法

本文最令人印象深刻的部分是泛化测试。

计算机仅针对两种特定类型的流动进行了训练：开放空间中的旋转涡流和带有移动盖板的方盒。
随后，研究人员要求它模拟一个完全不同的场景：管道中的湍流（通道流），这是它从未见过的。
结果： 无需针对管道进行任何额外训练或“作弊码”，该模型的表现优于标准方法。它正确预测了流体在管道壁附近的运动，证明它学到了湍流的基本规律，而不仅仅是死记硬背训练视频。

总结

简而言之，作者利用智能计算机搜索，找到了一条用于模拟湍流流体的新、更简单且更准确的数学规则。

旧方法： 使用钝拙的工具，遗漏细节，并需要不断的人工修正。
新方法： 利用计算机发现精确、自我修正的公式，该公式理解拉伸和旋转，使其能够看到他人遗漏的湍流“细微之处”。

这项工作表明，在未来，我们或许无需猜测流体的行为；我们可以让数据驱动的工具为我们发现物理定律，从而为工程和科学创建更智能、更高效的模拟。

技术摘要：格子玻尔兹曼框架中湍流建模的数据驱动符号闭包

1. 问题陈述

格子玻尔兹曼方法（LBM）框架内的湍流建模历来依赖于传统的代数亚格子尺度（SGS）模型，其中最著名的是 Smagorinsky 模型。尽管这些模型在均匀各向同性湍流中行之有效，但在复杂流动区域却存在关键局限性：

过度耗散：它们在固体边界附近往往过度耗散，抑制了重要的流动结构。
缺乏空间选择性：它们难以区分层流剪切与湍流旋转，经常在层流区域引入非物理的涡粘性。
推导停滞：新型纯代数 SGS 模型的开发已陷入瓶颈，传统推导方法鲜有突破性理论涌现。
可解释性鸿沟：虽然数据驱动的机器学习（ML）方法（如 CNN、GAN）显示出高精度，但其“黑盒”性质限制了物理可解释性，且若无重度依赖便难以集成到标准计算流体力学（CFD）求解器中。

核心挑战在于发现一个显式、可解释且物理一致的代数闭包，用于 LBM-LES 中的有效弛豫时间（ $\tau_{eff}$ ），既要克服传统模型的缺陷，又要避免神经网络的不可解释性。

2. 方法论

作者提出了一种利用**物理符号优化（Φ-SO）**的数据驱动框架，以发现显式解析闭包。该工作流程将高保真直接数值模拟（DNS）数据与增强物理约束的符号回归算法相结合。

A. 数据生成与提取

数据集：使用开源 OpenLB 代码生成了两个典型流动的高保真 DNS 数据：
1. 泰勒 - 格林涡（TGV）：$Re = 800, 1600, 3000$ 下的均匀各向同性湍流。
2. 顶盖驱动方腔（LDC）：$Re = 3200 $和$ 10,000$ 下的非均匀壁面约束湍流。
滤波：为模拟大涡模拟（LES），对 DNS 分布函数应用了高斯空间滤波。
目标变量：从滤波后的 LBM 方程中提取有效弛豫时间（ $\tau_{eff}$ ）。湍流贡献项 $\tau_{turb} = \tau_{eff} - \tau_0$ 作为回归的目标变量。
特征工程：输入特征源自滤波后的速度梯度张量，包括应变率（ $S_{ij}$ ）和旋转率（ $\Omega_{ij}$ ）张量，以及它们的不变量（$I, II, III, IV$）。

B. Φ-SO 算法

核心发现过程采用通过强化学习循环运行的 Φ-SO 算法：

表达式生成：循环神经网络（RNN）代理逐个令牌地生成数学表达式树。
常数优化：使用基于梯度的方法优化候选表达式中的连续参数，以最小化均方误差（MSE）。
奖励函数：奖励函数平衡了准确性（MSE）与简洁性（复杂度惩罚），引导搜索趋向简约模型。

C. 物理信息约束

为确保物理一致性，作者在符号搜索中引入了特定约束：

虚拟量纲分析：为无量纲 LBM 变量分配虚拟物理量纲。算法被约束以强制执行标度律（例如， $\tau_{eff} \propto |S|$ ），从而剪枝物理不一致的表达式。
非线性张量不变量：搜索空间扩展至包含高阶非线性不变量（例如，耦合旋转与应变）以及分数幂算子（特别是 pow(1/4)），以将高阶项映射到所需的目标量纲。

3. 主要贡献

本文提出了三项主要贡献：

物理信息发现工作流：将虚拟量纲分析和非线性张量不变量集成到符号回归中。该策略直接在搜索过程中强制执行物理标度律，使得无需人工推导即可发现尊重基本物理规律的模型。
可解释且显式的模型：所得闭包是一个紧凑的代数方程。与神经网络不同，它可直接在开源求解器（如 OpenLB）中实现，无需外部 ML 库，提供完全透明度。
零样本泛化：该模型仅在 TGV 和 LDC 流动上训练，却成功泛化至壁面约束湍流通道流（ $Re_\tau = 180$ ），无需任何额外的壁面阻尼修正或临时调整。

4. 结果与验证

所发现的模型在三个区域中针对 DNS 基准和标准 Smagorinsky 模型进行了严格验证：

均匀各向同性湍流（TGV）：
- 在所有测试雷诺数下，Φ-SO 模型的动能演化和耗散率与 DNS 基准几乎完美吻合。
- 它准确预测了峰值耗散率的时机和幅度，而 Smagorinsky 模型低估了该峰值，表明其在过渡阶段存在过度阻尼。
非均匀剪切流（LDC）：
- 与 Smagorinsky 模型相比，该模型在近壁区域和高剪切边界层表现出更优越的性能。
- 关键在于，它成功捕捉了二次角涡（Moffatt 涡）。Smagorinsky 模型因过度扩散而无法维持这些精细结构，而符号模型通过在弱剪切区域动态调整粘度，保持了正确的流动拓扑。
泛化测试（湍流通道流）：
- 在训练数据中未出现的湍流通道流（ $Re_\tau = 180$ ）“盲测”中，该模型高保真地复现了壁面律的对数区（ $y^+ > 30$ ）。
- 它比倾向于高估该峰值的 Smagorinsky 模型更好地捕捉了近壁处（ $y^+ \approx 20$ ）的流向速度波动峰值。
- 该模型在没有特定壁面阻尼函数的情况下，在粘性底层保持了合理的精度。

5. 意义与主张

作者将这项工作定位为湍流建模从传统推导向数据驱动发现的范式转变。

弥合鸿沟：该研究证明了符号回归可以弥合数据驱动方法的高精度与物理定律的可解释性之间的鸿沟。
鲁棒性：该模型无需临时修正即可泛化至未见过的壁面约束流动，这表明所发现的代数结构本质上捕捉了湍流的关键各向异性机制，特别是旋转与应变之间的相互作用。
未来潜力：虽然具体的系数和分数指数目前仍是经验性的，但这项工作突显了符号回归为下一代智能计算流体力学（CFD）求解器揭示稳健物理定律的潜力。

作者承认的局限性：

将数据学习项与第一性原理湍流理论联系起来的理论推导仍然复杂，是一个开放课题。
该模型包含不变量之比（ $II_\Omega / II_S$ ），在 $II_S \to 0$ 的区域（例如纯刚体旋转）可能导致数值不稳定，需要未来的正则化处理。
在高雷诺数工程应用中的稳定性和准确性需要进一步评估。

Data-driven Symbolic Closure for Turbulence Modeling in the Lattice Boltzmann Framework