雷诺平均纳维-斯托克斯 (RANS) 方程

玻尔百科

关键点

RANS 方程对纳维-斯托克斯方程进行平均，将平均流动与混沌脉动分离开来，使湍流在计算上变得易于处理。
这种平均过程引入了未知的雷诺应力张量，从而产生了必须通过模型来解决的“湍流封闭问题”。
涡粘性模型，如 $k$ - $\varepsilon$ 和 $k$ - $\omega$ 模型，通过一个模拟出的湍流粘度将雷诺应力与平均流动关联起来，从而解决封闭问题。
尽管 RANS 对于关注平均量的工程应用至关重要，但它无法解析瞬态湍流结构，这类问题需要使用大涡模拟 (LES) 等方法。

引言

流体运动的研究由一个根本性挑战主导：湍流。虽然其完整的物理过程由纳维-斯托克斯方程描述，但对于几乎所有现实世界的工程和科学问题而言，直接求解这些方程以描述湍流的混沌、多尺度特性，在计算上是令人望而却步的。这在纯理论与实际应用之间造成了巨大的知识鸿沟。我们如何能在不模拟每一个细小涡旋的情况下，预测湍流的行为——从飞机机翼上的空气流动到管道中的水流？答案在于一种强大的建模哲学：雷诺平均纳维-斯托克斯 (RANS) 方程。本文旨在探讨 RANS 框架，它是现代计算流体动力学 (CFD) 的基石。本文首先阐明该方法背后的核心数学原理，然后通过在工程领域的实际应用和与天体物理学的惊人联系，来展示其广泛的用途和关键的局限性。我们的探索始于使这种强大方法成为可能的基本原理和数学机制。

原理与机制

流体运动的世界分为两大领域：宁静、可预测的层流之舞和狂野、混沌的湍流之狂。前者优雅地服从我们的方程，而后者则顽固地守护着它的秘密。对于设计飞机机翼的工程师或预测风暴的气象学家来说，每一个涡旋的精确轨迹既是不可知的，幸运的是，也是不必要的。他们真正寻求的是宏大、总体的行为——平均升力、平均风速、稳定的流动模式。进入现代流体动力学核心的旅程始于一个绝妙的折衷，一种通过寻求其平均真理来驯服混沌的方法。这就是雷诺平均纳维-斯托克斯 (RANS) 方程的故事。

雷诺分解：在噪声中寻找旋律

想象一条湍急的河流。它的表面是涡流、翻滚和漩涡的狂乱交织，时时刻刻都在变化，展现出美丽却又令人困惑的复杂性。然而，在这片混乱之下，整条河流却稳定地向下游流动。在 19 世纪末，物理学家 Osborne Reynolds 提出了一个强大的想法：为什么不用数学方法将这种稳定的平均行为与脉动的、混沌的部分分离开来呢？

这就是雷诺分解的精髓。我们取任意一个瞬时量，比如流体在某一点的速度 $u_i$ ，并将其写成一个时间平均分量 $\bar{u}_i$ 和一个脉动分量 $u'_i$ 的和：

u_i(\mathbf{x}, t) = \bar{u}_i(\mathbf{x}) + u'_i(\mathbf{x}, t)

在这里， $\bar{u}_i$ 代表流动的稳定“旋律”，是我们对时间上的噪声脉动进行平均后剩下的部分。而项 $u'_i$ 则是“噪声”本身——偏离该平均值的瞬时、翻腾的偏差。根据定义，脉动量的平均值为零（ $\overline{u'} = 0$ ）。这个简单的分解行为是我们使湍流在数学上变得易于处理的主要工具。

机器中的幽灵：雷诺应力的诞生

有了这个工具，我们就可以重新审视控制流体运动的基本定律：纳维-斯托克斯方程。这些方程是流体动力学的基石，完美地描述了流体中速度和压力的演变。我们的目标是应用雷诺分解，然后对整套方程进行时间平均，希望得到一套只控制平均量（ $\bar{u}_i$ 和 $\bar{p}$ ）的新方程。

对于纳维-斯托克斯方程中的大多数项，这个过程是直接的。时间导数项变成了平均值的时间导数。压力项和粘性项也类似地转化为包含平均压力和平均速度梯度的项。但在非线性平流项 $u_j \frac{\partial u_i}{\partial x_j}$ 中，一个意外等待着我们。该项描述了流动如何输运自身的动量，其非线性——速度出现两次——正是湍流复杂性的根源。

当我们将 $u_i = \bar{u}_i + u'_i$ 代入该项并取平均时，我们得到的不是一部分，而是两部分。第一部分是我们所期望的：平均流动输运平均动量，即 $\bar{u}_j \frac{\partial \bar{u}_i}{\partial x_j}$ 。但第二个意想不到的项在平均过程中存活了下来： $\overline{u'_j \frac{\partial u'_i}{\partial x_j}}$ 。通过一些数学处理，该项可以被重写为一个新量的散度，即 $\frac{\partial}{\partial x_j}(\overline{u'_i u'_j})$ 。

最终的时间平均动量方程如下所示：

\rho \left( \frac{\partial \bar{u}_i}{\partial t} + \bar{u}_j \frac{\partial \bar{u}_i}{\partial x_j} \right) = - \frac{\partial \bar{p}}{\partial x_i} + \frac{\partial}{\partial x_j} \left[ \mu \left( \frac{\partial \bar{u}_i}{\partial x_j} + \frac{\partial \bar{u}_j}{\partial x_i} \right) - \rho \overline{u'_i u'_j} \right]

突然之间，我们关于平均流动的方程中出现了一个幽灵：项 $-\rho \overline{u'_i u'_j}$ 。这就是著名的雷诺应力张量。它代表了被平均掉的脉动对我们试图求解的平均流动的反作用。

从物理上看，这个项是什么？它不是像粘性摩擦那样的分子意义上的真实应力。相反，它是由湍流涡旋输运动量而产生的表观应力。想象两排以不同速度行驶的平行车流。如果汽车随机地在车道间并线，那么进入慢车道的快车会“推动”慢车道前进，而进入快车道的慢车则会“拖慢”快车道。这种由于混沌并线引起的动量交换在车道之间产生了一种有效的“摩擦”。雷诺应力正是如此：湍流涡旋将高动量流体带入低动量区域，反之亦然，所产生的净效应。它是湍流混合的物理表现。

封闭问题：未知数多于方程数

雷诺应力张量的出现既是一个深刻的洞见，也是一个棘手的问题。我们最初的目标是通过只求解平均流动来简化问题。结果，我们却得到了一个未知数多于方程数的系统。

在三维空间中，我们有四个基本方程（RANS 动量方程的三个分量和质量守恒的连续性方程）。我们想要求解的未知数是平均速度的三个分量（ $\bar{u}_1, \bar{u}_2, \bar{u}_3$ ）和平均压力（ $\bar{p}$ ）——共四个未知数。然而，对称的雷诺应力张量 $\overline{u'_i u'_j}$ 引入了六个新的、独立的未知分量。我们最终得到了四个方程求解十个未知数。

这个僵局就是著名的湍流封闭问题。时间平均过程通过隐藏脉动，创造了依赖于这些脉动统计特性的新项。这些方程不是自洽的；它们是“不封闭的”。为了继续下去，我们必须找到一种方法来模拟雷诺应力，用我们已在求解的平均流变量来表示它们。这就是湍流建模的艺术与科学。

驯服幽灵：涡粘性假设

封闭 RANS 方程最常见、最直观的方法是 Boussinesq 假设，由 Boussinesq 在 1877 年提出。他观察到，湍流雷诺应力的主要效应——输运动量和抵抗平均流的变形——与分子粘度的效应非常相似。

他假设雷诺应力张量可以与平均应变率张量 $S_{ij} = \frac{1}{2} (\frac{\partial \bar{u}_i}{\partial x_j} + \frac{\partial \bar{u}_j}{\partial x_i})$ 线性相关。这与简单牛顿流体中粘性应力与应变率的关系完全平行。新的比例常数不是分子粘度 $\mu$ ，而是一个称为湍流粘度或涡粘度的新量 $\mu_t$ 。

-\rho \overline{u'_i u'_j} \approx \mu_t \left( \frac{\partial \bar{u}_i}{\partial x_j} + \frac{\partial \bar{u}_j}{\partial x_i} \right) - \frac{2}{3} \rho k \delta_{ij}

（最后一项涉及湍动能 $k$ ，其加入是为了确保该关系对张量的迹也成立）。

这就是为什么许多湍流模型被称为涡粘性模型 (EVMs)。它们用一个未知的标量场 $\mu_t$ 取代了雷诺应力张量的六个未知分量。这是一个绝妙的简化。然而，至关重要的是要记住，涡粘度不是流体本身的属性；它是流动的属性。在湍流剧烈的地方它很大，在流动平稳的地方它很小。我们的问题现在从寻找雷诺应力转移到了寻找涡粘度。

模型层次结构：构建更好的涡粘度

我们如何确定 $\mu_t$ ？这个问题催生了一系列层次化的模型，每一层都增加了物理上的复杂性。

零方程模型： 最简单的模型使用纯代数公式，根据局部平均流属性（如速度梯度和到最近壁面的距离）来计算 $\mu_t$ 。它们的计算成本低，但缺乏普适性，因为它们无法解释湍流的历史或输运。
单方程模型： 这些模型通过认识到湍流具有能量而迈出了重要一步。它们多求解一个输运方程，通常是关于湍动能（ $k = \frac{1}{2}\overline{u'_i u'_i}$ ）的方程，该能量代表了脉动运动中所包含的动能。然后，涡粘度由 $k$ 和一个代数定义的长度尺度计算得出。这使得模型能够解释湍动能是如何被流动携带或“平流”的。
双方程模型： 这些是工业 CFD 的主力。它们认识到，要表征湍流，不仅需要一个能量（或速度）尺度，还需要一个长度尺度（代表含能涡的大小）。像著名的  $k$ - $\varepsilon$  和  $k$ - $\omega$  模型就多求解两个输运方程。一个方程是关于湍动能 $k$ 的。第二个方程是关于一个决定湍流长度尺度的变量，例如湍动能耗散率 $\epsilon$ 或比耗散率 $\omega$ 。

$k$ 的输运方程本身就为我们一窥湍流的生命周期提供了美妙的视角。它描述了一种收支平衡：湍动能的变化率是产生与耗散之间的平衡。产生是指能量从平均流中被抽取出来以生成湍流，而耗散则是指涡旋的能量最终通过粘性摩擦转化为热量。通过在整个流场中求解 $k$ 和 $\epsilon$ （或 $\omega$ ），模型可以动态地计算局部的涡粘度（例如， $\mu_t = C_\mu \rho k^2/\epsilon$ ），从而适应复杂的流动现象。

RANS 的折衷：得与失

RANS 方法，无论以何种形式，都是物理学和工程学上的一项巨大成就。它使我们能够对极为复杂的系统进行定量预测，从而能够设计出更安全的飞机、更高效的发动机和更准确的天气模型。

然而，我们绝不能忘记我们在一开始就订下的契约。通过选择对纳维-斯托克斯方程进行时间平均，我们有意地滤掉了所有关于流动瞬时、混沌结构的信息。一个 RANS 模拟会给你一个关于圆柱绕流的平滑、时间平均的图像；它永远不会向你展示有节奏地脱落到尾流中的单个涡旋。这种平均是一条单行道。

对于那些瞬态结构本身就是研究对象的应用，就需要其他方法。大涡模拟 (LES) 是一种混合方法，它解析大的、携带能量的涡，只对更小的、更具普适性的涡进行建模。直接数值模拟 (DNS) 是最终的暴力方法，它解析所有尺度的运动，不使用任何模型。这些方法提供了惊人的细节，但其计算成本可能比 RANS 高出数千甚至数百万倍。

因此，RANS 是一种务实而强大的折衷。它通过巧妙地模拟我们选择忽略的混沌的集体效应，回答了我们最常需要询问的关于湍流的问题，以我们能承受的成本提供了宝贵的洞见。它证明了在噪声中寻找简单、潜在旋律的力量。

应用与跨学科联系

在深入探讨了雷诺平均纳维-斯托克斯 (RANS) 方程的数学核心之后，我们可能会倾向于认为它只是一种巧妙但纯粹的学术练习。事实远非如此。从完整、桀骜不驯的纳维-斯托克斯方程到其平均形式的飞跃，并非出于抽象的便利；它是一座出于必要而搭建的桥梁，连接了纯理论世界与实际、有形的现实世界。正是在其应用中——它的成功、失败以及它惊人地延伸到其他领域——RANS 方法的真正特性和效用才得以揭示。在这里，这些方程才真正活了起来。

工程师不可或缺的折衷

想象一下，你是一位负责城市供水系统的工程师。你需要了解一个巨大的地下管道中的水流情况，该管道直径可能有半米，水流速度高达每秒几米。你的任务是预测压力降，以确保水能到达每家每户。你会怎么做？

原则上，人们可以使用超级计算机直接求解完整的纳维-斯托克斯方程，这种方法被称为直接数值模拟 (DNS)。这意味着要追踪每一个涡流和涡旋的运动，从最大的涡旋到最小的、耗散能量的微小漩涡。但让我们停下来思考一下这项任务的规模。对于一个典型的市政供水总管，其流动是剧烈湍动的。快速计算表明，要捕捉所有尺度的运动，你的计算网格将需要大约十万亿（ $10^{13}$ ）个单元。即使使用世界上最强大的超级计算机，这样的计算不仅不切实际，而且对于常规的工程设计来说，是遥不可及的。

这时，RANS 就来救场了。通过放弃解析每一个混沌脉动的目标，转而关注平均流动行为，RANS 提供了一个计算上易于处理的替代方案。它提出了一个更温和，但通常更有用的问题：平均速度是多少，平均压力是多少，管壁上的平均应力是多少？对于设计管道、飞机机翼或汽车车身的工程师来说，这些平均量往往正是他们需要知道的。RANS 之所以成为计算流体动力学 (CFD) 的主力，并非因为它完美，而是因为它对于海量的工作来说是正确的工具。它代表了物理保真度与计算现实之间的一次精湛的妥协。

模型工具箱

说我们正在使用“RANS”，有点像说我们正在使用“扳手”。它不是唯一的；而是一整套工具箱，不同的模型适用于不同的任务。封闭问题——即平均过程引入了未知的雷诺应力这一事实——迫使我们做出假设，而这些假设有不同的复杂程度。

考虑设计一个翼型（飞机机翼的横截面）的挑战。在大攻角下，翼型上表面的平滑流动可能会分离，形成一个复杂的、包含回流湍流的区域。一个非常简单的 RANS 模型，比如代数的“混合长度”模型，在这里可能会遇到困难。这类模型仅根据平均流的局部特性来计算湍流粘度，假设湍流在同一地点产生和消亡。

然而，在分离流中，上游产生的湍流会被携带（平流）到回流区。流动的历史很重要。为了捕捉这一点，我们可以转向更复杂的“双方程”模型，比如著名的 $k$ - $\omega$ 模型。这些模型引入了两个额外的输运方程——一个用于湍动能 ( $k$ )，另一个用于与湍流长度尺度相关的变量（如 $\omega$ ）。通过求解这些输运方程，模型可以解释湍流特性从流场的一个部分到另一部分的平流和扩散。这种“记忆”能力正是为了更好地预测流动分离以及由此产生的升力和阻力变化所需要的。这种从简单快速到复杂更精确的模型层次结构的存在，使得工程师可以为他们的特定问题选择合适的复杂程度，平衡计算成本与所需的物理细节。

当然，使用一个复杂的模型只是成功的一半。为了在计算机上求解这些方程，我们必须首先将物体周围的空间离散化为一个由微小单元组成的网格。这个数值网格的质量至关重要。在固体表面附近，流动梯度极大，物理特性在薄薄的边界层内急剧变化。为了用一个能解析到壁面的 RANS 模型来捕捉这一点，从业者必须使用一种特殊的技术，创建高度拉伸的“膨胀层”单元，这些单元在垂直于壁面的方向上非常薄。第一个单元的高度至关重要，并以无量纲的“壁面单位”来衡量，目标是 $y^{+} \le 1$ 作为黄金标准。这些特殊层的总厚度必须足以包含湍流最重要的近壁区域，通常延伸到总边界层厚度的约 20%。这是一个绝佳的例子，说明了湍流的抽象物理学如何直接指导构建计算网格这一非常具体、实际的艺术。

当模型的失效成为一种洞见

有时，最深刻的教训并非来自模型的成功，而是来自其失败。考虑一个流经直管的湍流。如果管道是圆形的，流动就只是直直地沿着管道向下流。但如果管道是方形的，奇怪而奇妙的事情就发生了。在角落里，出现了微小而稳定的涡流，形成了一种二次流，轻柔地使流体在横截面上旋转。

我们最简单的 RANS 模型，假设湍流是各向同性的（在所有方向上都相同），预测这种二次流不应该存在！模型的失败指出了其自身有缺陷的假设。事实上，这种二次流是由雷诺应力的各向异性驱动的——即垂直于壁面的湍流脉动比平行于壁面的脉动受到更强的抑制。速度脉动强度的这种细微差异在雷诺应力中产生了梯度，这些梯度充当了平均流向涡度的来源，从而驱动了二次运动。在这里，简单模型与现实之间的差异不是一个麻烦，而是一个线索，指引我们走向一个更深层、更美妙的物理机制。

认识局限：涡的舞蹈

RANS 方法，根据其定义，是对时间进行平均。这使得它天生不适用于那些以大尺度湍流结构的时间依赖性为主要情节的问题。

想象一辆被阵风吹袭的 SUV。这种钝体周围的流动是大规模分离的，从A柱和车顶线脱落出巨大的、相干的涡旋。正是这些大涡旋产生了巨大的、随时间变化的空气动力，这些力会影响车辆的稳定性，而它们的压力脉动则是打开车窗时产生那种烦人的“风噪”的原因。RANS 模拟会给出平均力，但它会抹掉导致峰值载荷和噪声的非定常涡旋脱落现象。

为了捕捉这一点，必须转向一种不同的哲学：大涡模拟 (LES)。LES 是另一种形式的折衷。它直接解析大的、含能的涡（那些做大部分功的涡），而只对小的、普适的、耗散性的涡的影响进行建模。因为 LES 解析了大尺度的非定常性，它可以提供 SUV 上力和压力的时间历程，从而给出一个更丰富、物理上更忠实的画面。同样的原理也适用于预测喷气发动机的噪声。响亮的、低频的“呼啸声”是由喷流剪切层中大涡环的配对和相互作用产生的。LES 模拟可以解析这个配对过程，而 RANS 模型由于平均化，只能看到统计上的结果。

于是，一幅新的图景浮现出来：RANS 用于稳态空气动力学和平均量足够的问题，而 LES 用于由大尺度非定常性主导的问题。但如果你两者都需要呢？对于一个在一个区域附着且稳定，但在另一个区域大规模分离且非定常的流动，比如高攻角下的飞机机翼，该怎么办？这催生了巧妙的混合 RANS-LES 方法的开发，例如分离涡模拟 (DES)。这些模型被设计成在靠近壁面的边界层深处像 RANS 模型一样工作，但在远离壁面的分离区域巧妙地切换到 LES 模式，因为那里需要解析大涡。这种持续的创新表明，该领域正在不断寻求结合不同方法的优点，推动我们模拟能力的边界。

现代前沿：不确定性与数据

尽管我们的模型很强大，但我们必须以谦逊的态度对待它们。它们终究是模型——不是现实的完美复制品。现代研究越来越关注于理解和量化它们的不完美之处。这些不完美分为两大类。首先是*参数不确定性：我们模型中的常数（如 $k-\varepsilon$ 模型中臭名昭著的 $C_{\mu}$ ）是通过实验校准的，并非真正的普适常数。其次，更深层次的是结构不确定性*：我们模型方程的数学形式本身就是一种近似。例如，假设湍流热通量与平均温度梯度成正比，这在许多复杂流动中是一种会失效的简化。认识到这些不确定性是构建更稳健、更可靠模拟的第一步。

令人兴奋的消息是，我们现在正在开发强大的新方法来改进这些模型，借鉴了数据科学和机器学习领域的工具。想象一下，你有一个来自高保真度 DNS 模拟的特定流动的“完美”数据集。你可以使用这些数据来“训练”你的 RANS 模型。通过比较 DNS 数据中的雷诺应力与 RANS 模型的预测，你可以系统地修正模型的假设。例如，与其使用一个恒定的 $C_{\mu}$ 系数值，你可以开发一个函数，让 $C_{\mu}$ 在整个流场中智能地变化，使模型在最需要的地方变得更精确。这种基于物理的建模与数据驱动技术的融合代表了湍流研究的前沿，预示着一个更智能、更精确的模拟的未来。

宇宙联系：天体中的湍流

支撑 RANS 的思想是如此基本，以至于它们超越了工程学，回响在宇宙最遥远的角落。想一想模拟一个星系的形成。天体物理学家面临的尺度问题，即使是最复杂的工程挑战也相形见绌。追踪每一颗恒星、每一团气体云和每一粒尘埃的运动是不可能的。他们也必须进行平均。

在宇宙学模拟中，可压缩、自引力流体的方程被过滤或平均，其精神与 LES 或 RANS 相同。这个过程不可避免地会产生“亚格子”项，代表了未解析物理过程的影响：星际介质内的湍流、恒星形成过程、超新星的爆炸性反馈，或来自中心超大质量黑洞（活动星系核，AGN）的巨大能量注入。这些未解析的物理过程必须被封装在亚格子模型中——这些参数化方案将小尺度的影响反馈到已解析的、星系尺度上的方程中。

于是，我们回到了原点。为理解管道或机翼上流动而发展的相同思想框架，现在成为理解我们自身宇宙起源的关键工具。这是对物理学统一性的惊人证明。不可解析的挑战，平均的问题，以及对未知进行建模的艺术——这些是科学中的普遍主题。雷诺平均纳维-斯托克斯的遗产不仅仅是一套方程，而是一种强大的思维方式，它让我们能够理解一个复杂的、多尺度的世界，从电脑风扇的嗡鸣到星系静默而雄伟的舞蹈。