k-ε 模型

玻尔百科

核心要点

k-ε 模型使用两个标量来表征湍流：代表其强度的湍动能 (k)，以及代表能量耗散尺度的耗散率 (ε)。
它通过 Boussinesq 假设将湍流与平均流联系起来，该假设将湍流涡旋的效果模拟为与 k²/ε 成正比的、增加的“涡粘性”。
该模型使用两个输运方程来追踪流体中 k 和 ε 的演化，考虑了它们的产生、对流、扩散和破坏。
虽然 k-ε 模型是工业流动 CFD 的基石，但标准模型在壁面附近和复杂流动中存在局限性，这催生了诸如壁面函数等实用解决方案，以及如 Realizable 和 RNG 模型等高级变体的发展。

引言

湍流是包围着我们的流体的混沌、不可预测的运动，从流过飞机机翼的空气到河水中翻腾的水流。直接模拟这种混沌在计算上是不可行的，这在理论与工程实践之间造成了巨大的鸿沟。k-ε 模型的出现，成为跨越这一鸿沟的强大而实用的桥梁。它将令人困惑的湍流复杂性简化为一个可管理的数学框架，使其成为计算流体动力学 (CFD) 中使用最广泛的模型之一。本文对这一开创性模型进行了全面概述，揭示其核心概念并展示其巨大影响。第一章原理与机制将深入探讨该模型的基础，解释它如何仅使用两个变量——湍动能 (k) 及其耗散率 (ε)——来表征湍流状态。我们将探讨连接这些变量与平均流的 Boussinesq 假设，并研究控制它们行为的输运方程。随后，应用与跨学科联系一章将展示该模型的实际效用，从在数字风洞中设计汽车、分析传热，到它在流变学和量子电子学等不同领域中发挥的惊人作用。

原理与机制

为了理解天气，你不会去追踪每一个空气分子的路径。那太疯狂了。相反，你处理的是更宏观的概念：温度、压力和风速。这些是能够讲述一个连贯故事的平均属性。 $k-\epsilon$ 模型对令人困惑的湍流混沌应用了类似的哲学。它不试图捕捉每一个涡旋和涡流。相反，它提出我们可以用任意点上的两个数字来描述流体中湍流的基本特征。

两大支柱：能量与耗散

想象一下搅拌一杯咖啡。你制造出的狂野、混沌的运动就是湍流。 $k-\epsilon$ 模型会问：关于这种混沌，我们能说的最重要的两件事是什么？

第一是其强度。搅拌有多剧烈？这由湍动能捕捉，用字母  $k$  表示。它代表运动中脉动、湍流部分的单位质量平均动能。平缓流动的河流的 $k$ 值非常低；瀑布底部翻腾的水的 $k$ 值则非常大。这是湍流的“能量”。

第二个关键属性是涡旋的尺度。它们是大的、缓慢的涡旋，还是小的、急速的涡旋？这关系到湍流能量消亡的速度。停止搅拌咖啡后，大涡旋会分解成小涡旋，而最小的涡旋则被流体糖浆般的粘性所抚平，将其能量转化为微量的热。这个过程称为耗散，其速率用希腊字母  $\epsilon$  (epsilon) 表示。高 $\epsilon$ 意味着能量耗散得非常快，这对应于非常小的高频涡旋。低 $\epsilon$ 则意味着主导涡旋较大，其能量耗散缓慢。因此， $\epsilon$ 告诉我们关于湍流的时间尺度和长度尺度。

仅凭这两个量， $k$ （能量多少？）和 $\epsilon$ （能量消失多快？），我们就能对局部湍流状态进行极其有力的描述。

Boussinesq 桥梁：涡粘性

我们有了这两个湍流数字， $k$ 和 $\epsilon$ 。但它们如何影响我们作为工程师或物理学家通常关心的主流动、平均流呢？空气中的湍流如何影响飞机机翼的升力？我们需要一座桥梁，连接湍流统计的世界（ $k$ 和 $\epsilon$ ）与平均速度和压力的世界。

这座桥梁是一个绝妙而大胆的简化，被称为 Boussinesq 假设。它提出，从平均流的角度来看，所有这些混沌涡旋的净效应是像粘性一样输运动量，只是效率要高得多。湍流就像一种额外的、强大的“粘性”。我们称之为涡粘性， $\nu_t$ 。

与流体的固定属性分子粘性 $\nu$ 不同，涡粘性 $\nu_t$ 是流动的一种属性——它随位置变化而变化。它取决于什么呢？你猜对了： $k$ 和 $\epsilon$ 。量纲分析给出了一个独特的组合。粘性的单位是长度的平方除以时间。湍流速度尺度与 $\sqrt{k}$ 成正比，湍流时间尺度与 $k/\epsilon$ 成正比。为了得到 (长度) $^2$ /时间的量纲，我们可以构造：

\nu_t \propto (\text{velocity scale})^2 \times (\text{timescale}) \propto (\sqrt{k})^2 \times (k/\epsilon) = k^2/\epsilon

这给了我们 $k-\epsilon$ 模型的基石：

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

其中， $C_{\mu}$ 是一个无量纲常数。这个方程的逻辑很优美：湍流产生的有效粘性在湍动能 ( $k$ ) 高时更强，但如果能量耗散得非常快（高 $\epsilon$ ），则会减弱。这个公式是允许湍流属性影响平均流方程的关键环节。

精密的账本：输运方程

如果 $k$ 和 $\epsilon$ 随点变化，我们需要一套规则——一个记账系统——来追踪它们在流体流动过程中是如何产生、移动和销毁的。这些规则以输运方程的形式出现，一个用于 $k$ ，一个用于 $\epsilon$ 。从概念上讲，任何这样的方程都表示：

（某物）的变化率 = 进入该区域的（某物）的净输运量 + （某物）的产生率 - （某物）的破坏率

对于湍动能 $k$ ，其输运方程如下：

\frac{\partial (\rho k)}{\partial t} + \frac{\partial (\rho U_j k)}{\partial x_j} = \frac{\partial}{\partial x_j}\left[\left(\mu + \frac{\mu_t}{\sigma_k}\right)\frac{\partial k}{\partial x_j}\right] + P_k - \rho \epsilon

我们不必被这些符号吓到。左边的项代表 $k$ 随时间的变化率及其通过平均流的输运（对流）。在右边，我们有：

扩散：第一项描述了湍动能如何从高搅动区域扩散到低搅动区域，这既受分子粘性 $\mu$ 驱动，更重要的是受涡粘性 $\mu_t$ 驱动。
产生项 ( $P_k$ )：这是新湍动能的来源。当不同流体层以不同速度相互滑过时（这个过程称为剪切），就会产生湍动能。这种剪切‘搅动’了流动，将平均运动的能量转化为湍流运动的能量。
耗散项 ( $\rho\epsilon$ )：这是所有湍动能的最终归宿。我们用来定义涡粘性的量 $\epsilon$ 本身，在这里作为汇项（即消耗项）再次出现，它将 $k$ 从系统中移除。

对于耗散率 $\epsilon$ 本身，也存在一个类似的方程，尽管这个方程更多是基于经验构建的：

\frac{\partial (\rho \epsilon)}{\partial t} + \frac{\partial (\rho U_j \epsilon)}{\partial x_j} = \frac{\partial}{\partial x_j}\left[\left(\mu + \frac{\mu_t}{\sigma_\epsilon}\right)\frac{\partial \epsilon}{\partial x_j}\right] + C_{\epsilon 1}\frac{\epsilon}{k}P_k - C_{\epsilon 2}\rho\frac{\epsilon^2}{k}

其结构是类似的。它包含对流项和扩散项。但产生项和破坏项是不同的。它们本质上是‘模化’的项，通过量纲分析构建，以确保具有正确的单位，并代表涡旋分解的复杂物理过程。这是一个关键点： $\epsilon$ 方程与其说是从第一性原理直接推导出来的，不如说是一个物理上合理的模型，其形式必须经过验证，其常数必须根据现实进行调整。

“神奇”数字及其来源

这些方程充满了常数： $C_{\mu}$ 、 $C_{\epsilon 1}$ 、 $C_{\epsilon 2}$ 、 $\sigma_k$ 、 $\sigma_{\epsilon}$ 。这些仅仅是任意的凑数因子吗？完全不是！这正是建模艺术与科学真正闪耀的地方。这些常数是通过要求模型能够再现基本的、已被充分理解的湍流流动来确定的。它们是根据真实世界进行校准的结果。

例如， $C_{\mu} = 0.09$ 是从哪里来的？在简单的“平衡”剪切流（如宽阔河流远离岸边的流动）中的实验显示出一种非常一致的关系：湍流剪应力的大小约为湍动能的 30%。通过强制我们的模型及其 Boussinesq 桥梁必须遵守这一实验事实，我们可以直接推导出 $C_{\mu}$ 的值。结果表明， $C_{\mu}$ 必须近似为 $(0.3)^2 = 0.09$ 。这不是魔法；这是与观测的联系。

这些常数也并非相互独立。它们必须形成一个自洽的集合。例如，流体动力学中最著名的结果之一是对数壁面律，它描述了靠近表面的速度剖面。通过要求完整的 $k-\epsilon$ 模型在边界层中正确再现该定律，我们可以推导出一个精确的数学关系，将所有模型常数—— $C_{\epsilon1}$ 、 $C_{\epsilon2}$ 、 $C_{\mu}$ 和 $\sigma_{\epsilon}$ ——与著名的 von Kármán 常数 $\kappa$ 联系起来。

同样，如果我们考虑一个简单的情况，即在没有平均剪切的封闭盒子中任其衰减的湍流，它遵循一个特定的幂律衰减。 $k-\epsilon$ 模型可以预测这种行为，并且衰减定律的指数被发现是常数 $C_{\epsilon 2}$ 的函数。通过在实验中测量衰减率，我们可以确定 $C_{\epsilon 2}$ 的值。

大厦的裂缝：了解局限性

没有模型是完美的，只有当其局限性也得到认识时，才能真正理解其威力。标准的 $k-\epsilon$ 模型是一个“高雷诺数”模型，这揭示了其主要弱点。

壁面问题

该模型是为充分发展的湍流设计的。但是，在非常靠近固体壁面的薄薄的、粘稠的“粘性子层”中会发生什么呢？在这里，湍流受到抑制，粘性效应占主导地位。这里的物理机制完全不同。如果盲目地在该区域应用标准的 $k-\epsilon$ 模型，我们就会遇到灾难。当我们接近壁面（即距离 $y \to 0$ ）时，我们从理论上知道 $k \propto y^2$ ，而 $\epsilon$ 趋于一个有限的常数。如果你将这些代入 $\epsilon$ 方程的破坏项 $-C_{\epsilon 2}\rho\frac{\epsilon^2}{k}$ ，你会发现它与 $y^{-2}$ 成比例。在壁面处，它会趋于无穷大！模型在这里完全失效。

解决方案是一种称为壁面函数的巧妙工程实用主义方法。我们不试图一直解析到壁面的流动，而是在我们知道 $k-\epsilon$ 模型有效的区域（“对数律层”）放置第一个计算点。然后我们使用已知的壁面定律作为“桥梁”或边界条件，将该点与壁面处的物理现象联系起来，为壁面剪切、 $k$ 和 $\epsilon$ 指定一致的值。

旋转问题

Boussinesq 桥梁 $\nu_t = C_{\mu} k^2/\epsilon$ 有一个隐藏而深刻的假设：它为涡粘性使用一个单一的标量值。这意味着湍流在所有方向上混合动量的效率相同——即它是各向同性的。对于许多简单流动，这是一个合理的近似。但对于一个模拟旋转离心式压缩机内流动的航空航天工程师来说，这个假设是灾难性的。在具有强流线曲率或旋转的流动中，涡旋被拉伸和挤压，湍流变得高度各向异性。标准的 $k-\epsilon$ 模型由于对这种各向异性视而不见，无法预测对压缩机性能至关重要的复杂二次流。

现实问题

在某些极端流动中，例如被快速拉伸的流动，标准模型甚至可能产生物理上不可能的结果，比如预测法向雷诺应力 $\overline{u'u'}$ 为负值，而这是一个必须恒为正的类能量。一个违反了这样一个基本的“可实现性”约束的模型，其公式本身存在缺陷。

这些局限性不是失败的标志，而是进步的驱动力。它们刺激了更先进模型的开发。

Realizable $k-\epsilon$ 模型通过使 $C_{\mu}$ 成为一个依赖于平均流变形的变量，修正了非物理的负应力问题，确保模型尊重物理学的基本约束。
RNG $k-\epsilon$ 模型使用一种复杂的数学技术（重整化群理论）重新推导方程，得到了新的项和解析推导的常数，使其能够更好地响应标准模型难以处理的高应变和旋转流动。

$k-\epsilon$ 模型的历程——从其简单直观的核心，到其校准的常数，再到其局限性的发现以及随后的改进——是科学工作方式的完美缩影。这是一个为复杂的现实构建优美简洁的图景，然后以同等的严谨性，发现这些图景的不足之处，并努力描绘出更好的图景的故事。

应用与跨学科联系

既然我们已经钻研了 $k-\epsilon$ 模型的数学机制，你可能会倾向于认为它是一项枯燥、抽象的练习。事实远非如此！这两个方程不仅仅是纸上的符号；它们是一个强大的透镜，一个计算引擎，它彻底改变了我们观察、预测和改造湍流世界的能力。要欣赏该模型的真正范围，我们必须超越其推导，去观察它在实践中的应用，应对现实世界的问题，并冒险进入令人惊讶的遥远科学前沿。正是在应用中，该模型固有的美感和统一性才真正得以展现。

数字风洞：塑造流动

也许 $k-\epsilon$ 模型最广泛的用途是作为计算流体动力学 (CFD) 的跳动心脏。在 CFD 出现之前，如果一位工程师想知道空气如何流过一款新车设计，他们必须建造一个物理模型并将其放入风洞中——这是一个成本高昂且耗时的过程。今天，我们可以在计算机内部建造一个“数字风洞”，而 $k-\epsilon$ 模型通常是使其运行的关键。

想象一下模拟一辆汽车上方的气流。流动是复杂的，它从车身分离并产生湍流尾迹。对每一个小涡旋进行完整模拟在计算上是不可能的。 $k-\epsilon$ 模型通过提供*涡粘性* $\mu_t$ 为我们提供了一条出路，它有效地告诉主导动量方程，湍流混合和传递动量的剧烈程度。这使我们能够求解工程师通常关心的时均流场。

这个过程充满了植根于物理学的巧妙技巧。例如，如果一辆汽车是对称的并且直线行驶，其流场也将是对称的。我们不需要模拟整辆车；我们可以模拟一半，并在中间应用对称边界条件。这对我们的湍流模型意味着什么？在这个假想的对称平面上，湍流没有理由积聚或消失。穿过这个平面的湍动能流量必须为零。这转化为一个简单而优雅的数学陈述： $k$ 和 $\epsilon$ 在垂直于该平面的方向上的梯度为零。这种物理洞察力将我们的计算量减少了一半！

该模型对于内部流动同样至关重要。考虑流过后台阶，即通道中的突然扩张。这是一个经典且极其重要的问题，因为它模仿了在燃烧室、热交换器，甚至流经狭窄动脉的血液中发现的复杂、旋转和再附着的流动。当 $k-\epsilon$ 模型被集成到像 SIMPLE 方法这样的大型求解算法中时，它提供了关键的湍流粘性，使得模拟能够捕捉台阶后形成的再循环泡的大小和形状。

但这些模型面临一个巨大的挑战：壁面。紧邻固体表面，湍流被剧烈地挤压和拉伸。涡旋的特性完全改变。要精确捕捉这个“近壁”区域，需要极其精细的计算网格，这通常是令人望而却步的。在这里，一个优美的物理理论以壁面函数的形式前来救场。我们不解析这个复杂层，而是可以使用一个“备忘单”——一个从理论和实验中推导出的称为“壁面定律”的解析解——来弥合壁面与 $k-\epsilon$ 模型最适用的完全湍流区域之间的差距。当然，这是一个建模选择。如果我们需要更高的精度，就不能使用这个捷径。我们必须设计一个更精细的网格，能够“看到”壁面附近的最小运动尺度，这是一项由物理标度律指导整个网格生成过程的任务。物理模型、数值方法和实际限制之间的这种相互作用是计算工程师的家常便饭。

超越速度：热的流动

湍流涡旋是卓越的信使。它们不仅输运动量；它们输运混合在流体中的任何东西——包括热量。这使得 $k-\epsilon$ 模型成为计算传热学的基石。当存在湍流时，混沌混合极大地增强了热量输运，远远超出了仅靠分子传导所能达到的水平。

逻辑非常简单。 $k-\epsilon$ 模型为我们提供了湍流粘性 $\nu_t$ 。这告诉我们湍流混合动量的效率。为了了解它如何混合热量，我们引入一个新量，即湍流热扩散率 $\alpha_t$ 。两者通过一个简单的无量纲数，即湍流普朗特数 $Pr_t = \nu_t / \alpha_t$ 相关联。对于许多流动， $Pr_t$ 惊人地接近一个常数（对于空气约为 0.85）。

有了这种联系，我们就可以解决大量的热学问题。考虑一个简单的例子：热水流过冷管。通过首先求解 $k-\epsilon$ 方程找到 $k(r)$ 和 $\epsilon(r)$ 的场，我们可以计算出湍流粘性 $\nu_t(r)$ 的分布。我们由此得到湍流热扩散率 $\alpha_t(r)$ ，然后将其代入能量守恒方程，求解平均温度分布 $\overline{T}(r)$ 。整个过程是一条逻辑链，将湍流力学与热力学结果直接联系起来。这对于设计从工业热交换器到喷气发动机中的冷却通道等一切都至关重要。同样的逻辑也使我们能够预测冷却系统的性能，例如我们可能对局部斯坦顿数感兴趣，它衡量了从热表面到流经其上的湍流的热传递效率。

科学家的工具：探究极限与发现美

$k-\epsilon$ 模型不仅仅是一个工程工具；它还是一个理论实验室。通过分析方程本身的结构，我们可以获得对湍流本质的深刻见解。

最优雅的例子之一是对自相似尾流的研究，即球体等物体后留下的湍流轨迹。在下游很远的地方，尾流“忘记”了产生它的物体的具体形状，并稳定成一种通用的、不断扩展的形式。通过将 $k-\epsilon$ 方程与量纲分析和自相似性原理相结合，无需进行完整的计算机模拟，就可以推导出描述尾流宽度如何增长、其速度亏损和湍动能如何随距离衰减的幂律指数。这是一个绝佳的例子，说明模型如何能揭示隐藏在混沌之下的内在秩序。

然而，这也是我们必须成为优秀科学家并认识到模型局限性的地方。它毕竟是一个模型。其最著名的失败之一是“驻点异常”。当一股流体射流正面撞击平板（冲击射流）时，流动在驻点处迅速减速。标准的 $k-\epsilon$ 模型将这种强减速误解为湍流的来源，导致对该点湍动能以及随之而来的热传递的严重高估。

这次失败不是终点，而是起点。它激励研究人员开发更好的模型。例如，Realizable $k-\epsilon$ 模型在方程中融入了更复杂的物理学，以防止这种非物理行为。其他模型，如 $k-\omega$ 模型，使用一个不同的变量（比耗散率 $\omega$ ），它在壁面附近表现得更优雅。理解这些差异是成为专家用户的关键。我们甚至可以设计一个“计算实验”来推断黑盒求解器使用的是 $k-\epsilon$ 模型还是 $k-\omega$ 模型，通过测试其对自由流湍流的敏感性及其在非常靠近壁面处的行为——在这两个方面，两种模型具有根本不同的特性。

扩展宇宙：跨学科前沿

一个伟大科学思想的真正力量，取决于它能传播多远。由 $k-\epsilon$ 模型开创的湍流输运建模框架，已经进入了乍一看与空气动力学毫无关系的领域。

多相流：想象一个装满液体、有气泡从中升起的化学反应器。这是一种两相流。气泡在移动时会脱落湍流尾迹，剧烈地搅动液体。这种“气泡诱导的湍流”是一种主导效应。我们如何模拟它？我们可以采用液体的标准 $k-\epsilon$ 方程，并添加一个新的源项，该源项表示气泡对液体做功并产生湍动能的速率。该模型的框架足够灵活，可以吸收这种新的物理机制，使我们能够模拟和设计核反应堆、曝气池和生物反应器。
流变学与非牛顿流体：当流体本身很复杂时会发生什么？想想聚合物熔体、油漆或血液。这些是“剪切稀化”流体；它们的粘度不是恒定的，而是根据剪切速率而变化。为了模拟这种流体的湍流流动，我们可以调整标准方法。此时，壁面摩擦力取决于一个本身是壁面剪切率函数的粘度。对于非牛顿流体，整个壁面函数的形式体系必须重新评估，但将湍流模型与平均流方程耦合的基本结构保持不变。这将湍流世界与复杂的流变科学联系起来。
化学与量子电子学：这可能是最令人惊讶的联系。在大功率化学激光器中，两种反应气体在超音速下混合。化学反应将原子泵浦到激发态，产生激光发射所需的反转粒子数。激光器的功率关键取决于该反应的速率，而反应速率又取决于气体的混合速度。这种混合由湍流控制。湍流扩散系数，一个 $k-\epsilon$ 模型旨在预测的量，成为一个反应-扩散方程组中的关键参数，该方程组决定了激光能级的粒子数分布，并最终决定激光器的光学增益。在这里我们看到：流体动力学中的宏观旋转涡旋正在直接影响原子的微观量子力学。

这段旅程向我们展示了 $k-\epsilon$ 模型远不止是一个技术工具。它证明了物理学原理的统一力量——同样的基本湍流输运思想可以帮助我们设计更安静的汽车、更高效的热交换器、更安全的核反应堆和更强大的激光器。它是一个模型，一个对深刻而困难的真理的精彩描绘，它的故事是我们不断探索和理解周围湍流世界的精彩篇章。