Information-Based Symbolic Regression of Local Closures for RANS Transition Modeling

在空气动力学领域，流经机翼或涡轮叶片的空气其行为并不总是保持一致。在旅程的开始，空气以平滑、有序的层流形式移动，这种状态被称为层流（laminar flow）。但随着行程的推进，这些层流可能会突然崩溃，变成一种混乱、旋涡状的状态，即湍流（turbulence）。这种转变被称为“转捩”（transition），是一个至关重要的时刻。它改变了空气对表面施加的摩擦力大小、热量传递的方式，并最终决定了物体所经历的升力或阻力。对于设计从风力涡轮机到喷气发动机等各种设备的工程师来说，精确预测这种切换发生的地点和时间，是现代物理学中最棘手的挑战之一。

为了在计算机上模拟这些流动，科学家们使用了一组通过平均化湍流中微小且快速的波动来处理的方程。然而，这些经过平均化的方程存在一个盲点：它们无法自然地观察到从平滑流向混沌流的转捩过程。为了解决这个问题，工程师们添加了额外的规则，称为“闭合项”（closures），它们的作用类似于局部传感器。这些传感器试图仅利用单点处可获得的信息来推测流动的状态，而不是观察整个流场。问题在于，现有的这些规则通常只是粗略的近似，建立在旧数据和简化假设之上。它们在某些情况下表现尚可，但当条件发生变化时可能会失效，从而导致对飞机或机械的预测出现偏差。

来自西班牙和法国的一个研究小组现在对这些局部传感器进行了全新的审视。他们没有依赖传统的试错法或复杂的、难以解释的计算机模型，而是使用了一种结合了信息论与符号回归（symbolic regression）的方法。可以将这想象为一种让数据“自我发声”的方法，去寻找描述物理现实的最简单、最准确的数学句子。通过分析大量的理想化流体流动解，他们发现了计算空气局部状态的新型、更精确的方法。随后，他们在全尺寸的平板模拟实验中测试了这些新公式。结果显示，虽然新公式在描述局部物理特性方面远比以往准确，但其在预测实际转捩时刻方面的成功程度，高度取决于流动的特定条件——这表明，改进复杂系统中的一个部分并不一定能保证整体结果的提升。

研究人员首先通过创建一个受控环境来研究转捩过程。他们使用了著名的数学解族——法尔克纳-斯坎（Falkner-Skan）剖面。这些解描述了在不同压力条件下（从空气被向前推到空气被减速）流经平坦表面的空气。在这个完美的理论世界里，研究人员准确掌握了两个关键量的数值：动量厚度（momentum thickness，衡量由于摩擦导致空气流速减慢的程度）和压力梯度参数（pressure-gradient parameter，衡量沿表面压力变化的程度）。这两个量对于预测转捩至关重要，但在真实的计算机模拟中，它们是无法直接获取的。工程师通常必须利用局部的线索，例如离壁面的距离或附近的空气速度，来对它们进行估算。

团队的第一步是确定哪些局部线索包含了最有用的信息。他们将这个问题视为一场对信息信号的搜索。利用一种基于信息论的技术，他们测试了数千种可能的局部变量组合，以观察哪些组合能最好地预测来自理论数据库的精确已知答案。他们发现，对于压力梯度参数，最有信息的线索是空气速度垂直于壁面变化的方式与离壁面距离平方的特定组合。这并不令人意外，因为它与现有的旧公式结构相吻合，证实了旧有的直觉在物理上是合理的。然而，对于动量厚度，搜索揭示了一个更好的候选变量。传统方法依赖于一个基于流体旋转的变量，但新的分析表明，一个涉及局部速度与离壁面距离之比的简单关系，在不同流动条件下表现得更加一致且可靠。

在确定了这些更优的线索后，研究人员进入了第二阶段：寻找连接局部线索与真实值的精确数学公式。他们使用了一种名为符号回归的工具，这个工具就像是一个数字炼金术士。它不会强行将数据套入预设的形状，而是生成并测试数百万个可能的数学表达式，仅保留那些既准确又简单的表达式。目标是找到一个可以轻松写入计算机代码的紧凑方程。结果是一组新的显式公式，它们重建真实物理量的精度远高于标准方法。对于压力梯度参数，新公式是一个捕捉到了旧线性公式所忽略的细微差别的复杂多项式。而对于动量厚度，表现最好的公式竟然是一个极其简单的线性关系，既高度准确又易于实现。

然而，真正的考验不在于这些公式在孤立状态下表现如何，而在于当它们被插入到一个完整的、运行中的转捩模型模拟中时表现如何。团队将这些新公式应用到了工程软件中使用的标准单方程模型中，并运行了 ERCOFTAC T3 系列的模拟，这是一套著名的实验，涉及空气在各种条件下流经平板的过程。这些实验包括高湍流强度、低湍流强度以及不同压力梯度的情形。结果非常具有启发性。在几种情况下，特别是在中高湍流强度或强压力梯度的情况下，新公式改善了对转捩发生位置的预测。模拟结果比原始模型更接近实验数据。

然而，故事并非一个简单的胜利。在两种涉及极低湍流强度的特定情况下，新公式反而使预测效果变差了。在一种情况下，转捩被预测得过早，而在另一种情况下则过晚。这一结果凸显了复杂建模中的一个关键教训：改进单个组件并不自动修复整个机器。转捩模型是由许多相互作用的部分组成的精妙平衡体。当研究人员更换局部公式时，他们改变了整个系统的平衡。在某些场景下，新的、更准确的局部数据暴露了模型其他部分的弱点，例如系统如何估计传入的湍流强度。研究人员指出，现有的估计此类湍流强度的规则可能需要进行更新，以匹配这些新的、更精确的局部公式。如果没有此类调整，新公式带来的益处可能会消失甚至产生负面影响。

该研究得出结论，虽然基于信息的符号回归是创建更清晰、更准确的局部规则的强大工具，但它并不是解决整个转捩建模问题的“万灵药”。新公式提供了对局部物理特性更忠实的表达，为未来的改进奠定了坚实基础。然而，研究人员强调，为了让这些规则在所有情况下都能完美运作，模型的其余架构可能需要重新校准。这项工作表明，数据驱动的方法可以系统地完善湍流模型的构建模块，但也提醒我们，在复杂的流体力学世界中，每一个部件都必须完美契合，才能呈现出完整的图景。研究人员计划将他们的工作扩展到更复杂的、三维的流动中，并重新审视模型的其他部分，看看是否也能以同样的方式进行改进，旨在迈向一个转捩预测能像其背后的物理学一样可靠且透明的未来。