k–ε 模型

玻尔百科

核心要点

k–ε 模型通过引入一个由湍动能 (k) 和湍流耗散率 (ε) 计算出的“涡粘度”来简化湍流。
这是一个双方程模型，通过求解输运方程来确定整个流场中 k 和 ε 的值，从而形成一个用于预测湍流效应的封闭系统。
尽管该标准模型是工程领域的主力，但它在近壁区、强曲率流动和流动分离区域存在已知的弱点，需要特殊处理或使用高级版本。
该模型的原理被应用于各种不同领域，包括空气动力学、热管理、土木工程，甚至在生物技术中用于优化生物反应器的性能。

引言

对湍流这种混乱、多尺度的本质进行建模，是经典物理学和工程学中最持久的挑战之一。虽然 Navier-Stokes 方程为流体运动提供了完整的描述，但对于绝大多数实际的湍流流动，直接求解这些方程在计算上是不可能的。这一鸿沟催生了对湍流模型的需求——这些实用的数学框架能够在不解析每一个混沌涡旋的情况下，捕捉湍流的平均效应。在这些模型中，影响最深远、应用最广泛的之一是 k–ε 模型，这是一个几十年来一直是计算流体力学 (CFD) 基石的稳健工具。

本文旨在为工程和应用科学领域的学生和专业人士提供 k–ε 模型的全面概述。它弥合了抽象理论与实际应用之间的差距，阐明了这个强大模型的工作原理、其优势所在，以及同样重要的，其局限性所在。旅程始于第一章原理与机制，该章节解构了模型的理论基础。我们将探讨优雅的 Boussinesq 假设，定义湍动能 (k) 及其耗散率 (ε) 的关键作用，并检视控制它们行为的输运方程。第二章应用与跨学科联系则进入实践领域，展示该模型如何用于解决热传递、空气动力学甚至生物技术领域的实际问题，从而彰显其卓越的通用性和持久的现实意义。

原理与机制

湍流常被称为经典物理学中最后一个尚未解决的重大问题。当流体流动时，它可以以平滑、有序的方式进行，我们称之为层流；也可以以混乱、旋转、不可预测的涡旋和漩涡之舞的方式进行，我们称之为湍流。虽然我们拥有流体运动的基本定律——Navier-Stokes 方程——但对于湍流来说，它们是出了名的难以求解。这种混乱并非完全随机；它是一个相互作用的尺度的大漩涡，从巨大的涡旋到微小的耗散涡，所有这些都同时发生。直接模拟需要追踪每一个涡旋，对于任何实际的工程问题，这项任务都会让最强大的超级计算机不堪重负。

因此，我们不试图捕捉每一个细节，而是“作弊”。或者更确切地说，我们采用了一个由 Osborne Reynolds 在一个多世纪前开创的、极其聪明的实用捷径。我们将流动分解为平均运动和脉动的湍流部分。平均运动的方程看起来简单得多，但它们包含一个全新的、麻烦的项：雷诺应力。这个项代表了所有湍流脉动对平均流的平均效应。它是我们平均掉的混沌的数学幽灵，也是我们必须攻克的难题。所有现代湍流模型都是为了寻找一种巧妙、物理上合理的近似雷诺应力项的方法。

涡粘度类比：天才之举

我们如何模拟无数混沌涡旋的影响？ $k$ – $\epsilon$ 模型建立在一个极其简单而强大的思想之上，即Boussinesq 假设。想象一下，你正在将奶油搅入咖啡中。勺子的混乱旋转比让奶油静置并缓慢扩散的混合效果要好得多。Boussinesq 假设提出，以类似的方式，湍流涡旋就像一种极其有效的粘度一样输送动量。我们可以假装流体具有更高的粘度，这并非由于其分子特性，而是由于流动的宏观搅动。

这种“湍流”或涡粘度，用 $\mu_t$ 表示，不是流体本身的属性，而是流动本身的属性。在湍流剧烈的地方它很大，在湍流微弱的地方它很小。这 dẫn đến一个关于运动雷诺应力 $-\overline{u_i' u_j'}$ 的极其简单的模型：

-\overline{u_i' u_j'} = 2 \nu_t S_{ij} - \frac{2}{3} k \delta_{ij}

这里， $\nu_t = \mu_t/\rho$ 是运动涡粘度， $S_{ij}$ 是平均应变率张量（用于衡量平均流被拉伸或剪切的程度）， $k$ 是湍动能。带有 $k$ 的项是一个巧妙的数学技巧，以确保当你对法向应力求和时，方程的行为是正确的。现在，巨大的挑战不再是雷诺应力本身，而是找到一种计算 $\nu_t$ 的方法。

构建涡粘度：两个尺度的故事

让我们像物理学家一样思考。运动粘度的单位是长度的平方除以时间（ $L^2/T$ ），可以看作是（速度） $\times$ （长度）。为了构建我们的涡粘度 $\nu_t$ ，我们需要一个湍流的特征速度和一个特征长度尺度。

湍流的速度是多少？最自然的衡量标准是脉动的强度。这由湍动能 $k$ 捕捉，定义为单位质量速度场脉动部分的平均动能：

k \equiv \frac{1}{2}\overline{u_i' u_i'} = \frac{1}{2}(\overline{u'^2} + \overline{v'^2} + \overline{w'^2})

因此，大的、含能涡的特征速度与 $\sqrt{k}$ 成正比。

那长度尺度 $L_t$ 呢？这是那些大的、搅动能量的涡的大小。如果我们知道 $L_t$ ，我们可以提出 $\nu_t \propto \sqrt{k} L_t$ 。但这只是用两个未知数换了一个未知数。我们需要另一块拼图。

Epsilon (ε)：引擎的轰鸣与最终的低语

与其考虑长度尺度，不如考虑时间尺度 $\tau_t$ ——一个大涡旋典型的“翻转时间”。那么长度尺度就是速度乘以时间， $L_t \sim \sqrt{k} \tau_t$ 。我们的涡粘度模型就变成了 $\nu_t \propto \sqrt{k} (\sqrt{k} \tau_t) = k \tau_t$ 。我们仍然需要找到 $\tau_t$ 。

为此，我们转向湍流的能量收支，这一概念被称为能量级串。由平均流能量供给的大涡是不稳定的。它们分解成更小的涡，后者又分解成更小的涡，依此类推，将能量从大尺度级联到小尺度。当涡变得非常微小，以至于分子粘度最终能抓住它们并将其动能耗散为热量时，这个级串就结束了。

这种耗散发生的速度是一个关键量。我们称之为湍流耗散率，或epsilon ( $\epsilon$ )。它的正式定义是：

\epsilon \equiv \nu \overline{\frac{\partial u_i'}{\partial x_j} \frac{\partial u_i'}{\partial x_j}}

其中 $\nu$ 是分子运动粘度。至关重要的是， $\epsilon$ 代表了能量从湍流中被排出的速率。它的量纲是单位质量单位时间的能量，或 $k / \tau_t$ 。就是它了！大涡的翻转时间必须与其能量被耗散的速率有关。我们可以将我们的时间尺度建模为 $\tau_t \sim k / \epsilon$ 。

将此代入我们的涡粘度表达式中，我们得到了 $k$ – $\epsilon$ 模型的核心关系：

\nu_t = C_\mu \frac{k^2}{\epsilon}

这里， $C_\mu$ 是一个比例常数，通过与实验的校准发现其值约为 $0.09$ 。这个优雅的公式将模糊的、不可观测的涡粘度与两个真实的物理量联系起来：湍流中包含的能量 ( $k$ ) 和该能量被耗散的速率 ( $\epsilon$ )。

输运方程：k 与 ε 的生命历程

我们已经为 $\nu_t$ 建立了一个模型，但它依赖于 $k$ 和 $\epsilon$ 。要使用它，我们需要知道流场中每一点的 $k$ 和 $\epsilon$ 的值。这就是模型名称中“双方程”部分的由来。我们引入两个输运方程来描述 $k$ 和 $\epsilon$ 如何在流体中被对流、扩散、产生和破坏。

想象一个小的流体体积。其中的湍动能 $k$ 可能因四个原因而改变：

对流：平均流带着湍流一起运动。
扩散：湍流倾向于从高强度区域向低强度区域扩散。
产生 ( $P_k$ )：在平均流被剪切的地方，它会“搅动”流体，将其自身的能量转移到湍流涡旋中。这是湍流能量的来源。
耗散 ( $\epsilon$ )：能量级串从 $k$ 中排出能量并将其转化为热量。这是最终的汇。

$k$ 的输运方程是这个收支的精确数学陈述：

\underbrace{\frac{\partial (\rho k)}{\partial t} + \frac{\partial (\rho U_j k)}{\partial x_j}}_{\text{变化率 + 对流}} = \underbrace{\frac{\partial}{\partial x_j}\left[\left(\mu + \frac{\mu_t}{\sigma_k}\right)\frac{\partial k}{\partial x_j}\right]}_{\text{扩散}} + \underbrace{P_k}_{\text{产生}} - \underbrace{\rho \epsilon}_{\text{耗散}}

$\epsilon$ 的方程以类似的精神构建，尽管它更具经验性。它将 $\epsilon$ 的变化率建模为对流、扩散及其自身的产生和破坏项之间的平衡，这些项依赖于湍流时间尺度 $k/\epsilon$ 。这两个方程，加上代数联系 $\nu_t = C_\mu \frac{k^2}{\epsilon}$ ，共同构成了一个封闭系统。我们可以在计算机上求解它们，以预测流体的湍流行为。

细则：当类比失效时

$k$ – $\epsilon$ 模型是物理直觉和工程实用主义的胜利。几十年来，它一直是计算流体力学 (CFD) 的主力。但它美丽的简洁性也是它的阿喀琉斯之踵。它是一个类比，而所有类比都有其局限性。理解这些局限性与理解模型本身同样重要。

高雷诺数假设与壁面

标准 $k$ – $\epsilon$ 模型是一个“高雷诺数”模型。这意味着它是为那些稳健、完全发展的湍流而设计的。我们可以定义一个湍流雷诺数， $Re_t = \frac{k^2}{\nu \epsilon}$ ，它比较了涡粘度与分子粘度。该模型隐含地假设 $Re_t \gg 1$ 。

这个假设在固体壁面附近会彻底失效。在紧邻表面的薄“粘性子层”中，流体速度降至零，湍流脉动被分子粘度所抑制。在这里， $\nu_t$ 与 $\nu$ 相比变得微不足道。标准的 $k$ – $\epsilon$ 方程不是为这种环境设计的，并且会变得奇异。

经典的工程解决方案是根本不解析这个区域。我们使用壁面函数。我们将第一个计算网格点放置在粘性主导区域之外，即“对数层”中，那里的湍流已经发展。然后，我们使用一个理论桥梁——著名的壁面律——将该点的解与壁面处的条件联系起来。这是一个巧妙的补丁，允许高雷诺数模型在壁面束缚流中发挥作用。

各向同性涡假设：曲率问题

Boussinesq 假设的核心是假定湍流涡旋在平均意义上是各向同性的——即它们没有优先方向。这迫使建模的雷诺应力的主轴与平均应变率 $S_{ij}$ 的主轴对齐。

这对于简单的流动效果相当好。但在具有强流线曲率或系统旋转的流动中，湍流变得高度各向异性。涡旋被流动的旋转拉伸和定向。标准的 $k$ – $\epsilon$ 模型完全无视这种效应，因为其雷诺应力公式仅取决于应变率 $S_{ij}$ 而忽略了旋转率 $W_{ij}$ 。这可能导致重大误差，例如，在预测旋风分离器内部或弯曲机翼上的流动时。

平衡假设：迟缓的响应

模型的常数（ $C_\mu, C_{\epsilon 1}, C_{\epsilon 2}$ ）是使用来自简单的“平衡”湍流流动的数据进行调整的，在这些流动中，湍流的产生和耗散处于微妙的平衡状态。然而，许多现实世界中的流动远非平衡。

考虑一个面临强逆压梯度的流动，它会 melawan 流动方向并可能导致流动从表面分离（就像在失速的飞机机翼上）。在这种迅速减速的流动中，湍流结构发生巨大变化。标准 $k$ – $\epsilon$ 模型的响应过于迟缓。它倾向于高估湍动能并低估耗散率。这导致涡粘度 $\mu_t$ 过大，产生过度的湍流混合，从而人为地将流动“粘”在表面上，并延迟了分离的预测。

可实现性问题：一个数学缺陷

因为湍动能 $k$ 及其分量（如 $\overline{u'^2}$ 这样的法向应力）是速度脉动的方差，所以它们永远不能为负。这是一个我们称之为可实现性的基本物理要求。令人震惊的是，标准的 $k$ – $\epsilon$ 模型可以违反这一点。在非常强的应变条件下，简单的 Boussinesq 公式可以预测出物理上不可能的负法向应力。这不仅仅是一个小误差；这是模型数学结构中的一个深层缺陷。

思想的演进：更智能、更优的模型

这些局限性并非对模型的控诉，而是科学过程的见证。它们促使研究人员开发出更复杂的版本来弥补这些弱点。

Realizable $k$ – $\epsilon$ 模型直接解决了可实现性问题。它使“常数” $C_\mu$ 成为平均流应变和旋转的可变函数。这个函数被巧妙地设计，以保证建模的应力总是物理上可能的。
RNG $k$ – $\epsilon$ 模型源自一个名为重整化群理论的强大理论框架，它系统地在 $\epsilon$ 方程中增加了一个新项。这个项使模型对快速应变和旋转更加敏感，从而改善了其在标准模型失效的复杂流动中的性能。

这些先进模型，以及来自 $k$ – $\omega$ 族（使用不同的变量 $\omega \sim \epsilon/k$ ，具有更好的近壁行为，但可能对自由流条件敏感）的竞争者，代表了在实用的工程框架内捕捉湍流美丽而复杂物理的持续追求。 $k$ – $\epsilon$ 模型的旅程，从一个简单、 brilliant 的类比到一个复杂的工具家族，是一个完美的科学进步故事：通过构建、测试、打破和重建思想。

应用与跨学科联系

在深入探讨了 $k$ – $\epsilon$ 模型的原理与机制之后，我们可能会倾向于将其视为一套巧妙但抽象的数学工具。但这样做就完全错失了重点。像这样的模型的真正美妙之处不在于其方程的优雅，而在于其与世界联系、解释看似无法解释的现象、并指导工程师和科学家工作的非凡力量。它是连接湍流理论的理论世界与旋转的机器、流动的热量乃至活细胞的现实世界的一座桥梁。现在，让我们走过这座桥，探索其广阔的应用领域。

基石：驾驭湍流边界层

无论流体流过何种固体表面——无论是吹过大地的风、沿着船体的水流，还是管道中的石油——都会形成一个称为湍流边界层的薄薄的混沌区域。这是摩擦、阻力和热交换的领域。我们对任何湍流模型的第一个考验必须是：它能正确描述这种基本的相互作用吗？

$k$ – $\epsilon$ 模型以一种极富洞察力的方式给出了响亮的“是”的回答。事实证明，模型中的经验常数，如 $C_\mu$ 、 $C_{\epsilon 1}$ 和 $C_{\epsilon 2}$ ，并非凭空捏造的任意数字。它们经过精心调整，使得模型在近壁区域的预测与流体力学中最神圣的经验定律之一——“壁面律”相一致。该定律描述了在任何壁面附近都存在的普适速度剖面，无论具体几何形状如何。通过在该区域的假设下求解 $k$ – $\epsilon$ 方程，我们可以推导出模型常数与著名的 von Kármán 常数 $\kappa$ 之间的关系， $\kappa$ 控制着这个普适剖面的斜率。这不仅仅是一个数学上的奇趣；它是一个深刻的一致性检验，将模型锚定在物理现实中。

此外，这种一致性产生了优美而简单的预测。例如，在同一个近壁区域，模型告诉我们，当湍动能 $k$ 通过摩擦速度 $u_\tau$ （衡量壁面剪切应力的指标）的平方进行无量纲化时，它只是一个与 $C_\mu$ 相关的常数： $k/u_\tau^2 = 1/\sqrt{C_\mu}$ 。它提供了模型核心参数与源自壁面的湍流脉动强度之间的直接联系。正是这种基础性的成功，给了我们使用该模型预测飞机摩擦阻力或长管道压力降等实际量的信心。

构建我们的热世界：从管道到电子设备散热

一旦我们能够预测流动，下一个合乎逻辑的步骤就是预测热量的输运。湍流是一种极其高效的混合器，这种“湍流混合”显著增强了热传递。 $k$ – $\epsilon$ 模型通过一个极其简单的类比捕捉了这一点。正如湍流涡旋产生了一个比分子粘度更有效地输运动量的“涡粘度” $\nu_t$ 一样，它们也产生了一个输运热量的“涡热扩散率” $\alpha_t$ 。这两者之比，即湍流普朗特数 $Pr_t = \nu_t / \alpha_t$ ，被发现在广泛的流动范围内大致恒定。

通过求解 $k$ 和 $\epsilon$ 方程求得 $\nu_t$ ，我们可以立即确定 $\alpha_t$ 并求解能量方程得到温度场。这个过程是热能工程的主力。它使我们能够计算从工业热交换器和化学反应堆到发电厂复杂冷却系统等各种设备中的温度分布和传热率。

同样的原理也适用于外部流动，例如空气流过热表面。想象一下试图冷却一个强大的计算机芯片。 $k$ – $\epsilon$ 模型可以预测沿表面的局部传热系数，告诉设计师“热点”将出现在哪里。在计算流体力学 (CFD) 的世界里，将方程一直求解到壁面可能会 computationally expensive。在这里，我们看到了另一层工程实用主义。我们不解析最精细的细节，而是采用“壁面函数”，这些基于壁面律的巧妙公式弥合了壁面与第一个计算单元之间的差距。这使我们能够使用 $k$ – $\epsilon$ 模型在不付出过高计算成本的情况下，获得复杂几何形状的准确传热预测，从而使设计高效的电子设备和车辆冷却系统成为可能。

墙外世界：尾流、线缆与风

湍流的影响并不仅限于壁面附近。考虑一下圆柱体、球体或移动汽车后面拖曳的湍流尾流。这些“自由剪切流”受相同的湍流混合原理支配。在下游很远的地方，尾流倾向于“忘记”产生它的物体的具体形状，并以自相似的方式演变。

$k$ – $\epsilon$ 模型在捕捉这种行为方面表现出色。通过将自相似原理应用于模型的方程，我们可以推导出描述尾流如何扩展以及湍动能如何随离物体距离衰减的幂律关系。这具有巨大的实际意义。它帮助空气动力学家理解和最小化车辆的阻力。它使土木工程师能够预测桥梁和高层建筑上的非定常风力。在蓬勃发展的可再生能源领域，这对于设计风力发电场至关重要，因为一个涡轮机的尾流会显著降低其后涡轮机的功率输出并增加其结构疲劳。

有局限的工具：了解地图何时出错

一个优秀的科学家，就像一个优秀的探险家，知道他们地图的局限性。标准的 $k$ – $\epsilon$ 模型，尽管功能强大，但也有其“此处有龙”的区域。其中最著名的一个是在从表面分离然后又重新附着的流动中，例如流过后台阶或在燃烧室内。

在分离流重新撞击壁面的区域（再附着点），该模型存在一个已知的缺陷。它极大地高估了湍动能的产生，创造了一场物理上并不存在的虚幻湍流风暴。这种“驻点异常”导致模型预测出过高的涡粘度，进而抹平了温度梯度。结果呢？模型低估了在再附着点发生的峰值传热，并且常常弄错峰值的位置。理解这一局限性至关重要。一个盲目相信模型的工程师在这种情况下可能会设计出一个会危险过热的燃烧室。这教给我们一个至关重要的教训：有效使用任何模型不仅需要知道如何使用它，还需要知道何时不使用它。

一个不断演进的思想：调整模型以适应更复杂的世界

科学的故事是不断完善的故事， $k$ – $\epsilon$ 模型也不例外。它的局限性推动了更高级版本的开发，以处理更复杂的物理现象。考虑一个具有强旋流的流动，例如燃气涡轮发动机、旋风分离器或涡流管内的流动。流线的强曲率对湍流有深远的影响，既可以稳定它，也可以使其不稳定。

标准的 $k$ – $\epsilon$ 模型对这种效应是“盲目”的。然而，像重整化群 (RNG) $k$ – $\epsilon$ 模型这样的变体在 $\epsilon$ 方程中包含了额外的项，使其对旋转和曲率敏感。通过激活这些修正，模型可以捕捉到由旋流引起的相当大部分的热传递增强或抑制。模型的这种持续演进，增加新的物理内容并提高其保真度，使其在应对尖端工程挑战时保持 relevance。

意外的联系：从流体动力学到生命本身

也许最鼓舞人心的应用是那些跨越学科界限的应用，揭示了物理定律深刻的统一性。让我们从发动机和管道的世界走向生物技术的世界，考虑一个生物反应器——一个用于培养微生物以生产药物、生物燃料或其他有价值产品的大型容器。

为了茁壮成长，这些细胞需要营养物质，这些物质必须通过机械搅拌器在整个容器中混合。但这些细胞也很脆弱，可能会被过度的机械应力损坏。在这里， $k$ – $\epsilon$ 模型提供了一个惊人直接且有用的框架。湍动能 $k$ 是搅拌器输入系统的混合能量的直接度量。耗散率 $\epsilon$ 与最小尺度上的速度梯度有关——正是微小微生物所经历的剪切应力的尺度。

利用 $k$ – $\epsilon$ 模型，生物过程工程师可以模拟反应器内部的流动。模型预测涡粘度，这决定了“营养输运效率”——营养物质分配给所有细胞的速度。同时，它预测了 $\epsilon$ 的场，使工程师能够识别剪切应力可能高到足以损坏细胞的区域。该模型成为优化的工具：设计一种搅拌器和操作条件，以实现快速混合（高 $k$ ）同时将破坏性剪切应力（与 $\epsilon$ 相关）保持在可接受的范围内。从大气湍流的宏大尺度到单个细胞的微观世界，由 $k$ – $\epsilon$ 模型捕捉到的湍流能量级串的简单思想，提供了一条强大而统一的线索。