玻尔百科模拟流体的复杂运动——从星系的旋转到海洋的环流——带来了一个根本性的挑战：我们永远无法捕捉每一个细节。我们的计算模型依赖于网格，这些网格对特定区域内的属性进行平均，留下了一个广阔、看不见的“次网格世界”，其中充满了更小尺度的、未被解析的湍流。忽略这个世界会导致一个悖论，即模型变得越精确，其物理性反而越差，无法捕捉到像混合这样的基本过程。本文旨在通过探索次网格混合的科学来弥补这一关键的知识空白。第一章“原理与机制”深入探讨了为什么理想流体模型会失效、依赖数值误差进行混合的危险，以及次网格尺度（SGS）模型如何提供一种基于物理的解决方案。随后的章节“应用与跨学科联系”则展示了这些模型对我们理解从恒星形成、发动机燃烧到气候模式和空气质量等一切事物的深远影响。
想象一下，你正试图创造一个广阔而错综复杂的景观的完美复制品。你有一台强大的计算机，但其内存和速度都是有限的。你不可能存储每一粒沙、每一滴水、每一个空气分子的位置。你会怎么做？你会像任何明智的地图制作者那样：在景观上铺设一个网格。你不再追踪每一个细节，而是记录每个网格单元内的平均属性——平均海拔、平均温度、平均颜色。
这正是我们在模拟支配我们世界的复杂流体之舞时所面临的情况，从恒星内部的沸腾骚动到你咖啡中奶油的细腻漩涡。我们在现实之上铺设了一个计算网格。这个网格使我们能够捕捉宏大的运动——飓风的壮丽席卷，海洋的缓慢环流。但在每个网格单元内，一个完整的运动世界对我们而言是失落的。这就是次网格世界，一个由微小涡旋、湍流漩涡和我们粗糙网格无法看到的复杂涨落组成的领域。
你可能会想干脆忽略这个看不见的世界。毕竟，如果我们的网格足够精细，我们不是已经捕捉到了最重要的物理过程了吗？这是一个危险的想法，它会导致一个深刻的悖论。
在我们关心的许多系统中——地球大气、海洋、恒星际气体——物理摩擦力，即黏性，小得令人难以置信。它如此之小，以至于物理学家常常倾向于将这些系统建模为“无黏”或“理想”流体，用优美的欧拉方程来描述，这些方程完全忽略了摩擦和扩散。
让我们顺着这个思路想下去。如果我们用这些理想方程来模拟两种不同的流体，比如说，从超新星喷射出的富含金属的气体和星际介质中纯净的氢气，会发生什么？在我们的模拟中，那团富含金属的气体会在氢气中漂移，也许会拉伸和变形，但它永远不会混合。它们之间的边界将永远保持绝对清晰。任何最初是“金属”的粒子将永远是“金属”；任何最初是“氢气”的粒子将永远是“氢气”。它们会像幽灵一样互相穿过。
这当然是完全错误的。在真实的宇宙中，湍流就像一个宇宙打蛋器，猛烈地将各种成分混合在一起。没有这种混合，星系就不会以它们应有的方式形成，恒星就不会以正确的化学成分诞生，我们的模型也会产生物理上毫无意义的结果。理想流体有点过于理想了；其优雅的简洁性未能捕捉到混合这个 messy (混乱) 但又至关重要的过程。
“啊，”你可能会说，“但计算机是不完美的！数值计算中的微小误差肯定会把东西抹开，从而产生一些混合吧？”这是一个极好的观点，但它也引导我们陷入一个更深的陷阱。
数值方法确实会引入一种形式的人为扩散，通常称为数值扩散。这有点像一个手抖的艺术家；线条永远不会绝对清晰。在很长一段时间里，建模者都默认依赖这种伪影来提供他们理想流体方程所缺乏的混合作用。
但这是一种危险的联盟。这种数值混合并非物理现象的体现；它是一个依赖于你的代码细节，以及最重要的是，你的网格单元大小的缺陷。当你花费更多钱购买更强大的计算机来运行更精细网格的模拟时，这种人为的混合反而会减少。你的模拟收敛了，但它收敛到了错误的答案——欧拉方程那个不物理的、未混合的解！
更糟糕的是，这个数值小妖精可能具有主动的恶意。想想海洋。海洋是强分层的，轻而暖的水位于密度大、温度低的水之上。沿着密度面（等密度面）混合物质相对容易，但要垂直跨越它们进行混合则需要巨大的能量。这种垂直分层是海洋的一个基本组织原则。
现在，想象我们正在使用一个方形网格来模拟一片等密度面略有倾斜的海洋。我们告诉计算机沿着这些倾斜的线混合一种示踪剂（比如盐）。一个简单的数值方案，试图在其笛卡尔网格上执行此操作时，将不可避免地——并且是意外地——将示踪剂稍微水平混合一点，又稍微垂直混合一点。这种意外的垂直混合是一个灾难性的错误。它被称为伪跨等密面扩散，其强度可能比海洋中发生的真实物理混合强上数千倍。这就像试图制造一个保温瓶，却不小心用铜做了瓶壁。模型仅仅因为其数值表示的笨拙而违反了一个基本的物理约束。
如果我们不能忽略次网格世界，也不能相信数值意外能代表它，那么我们必须达成一个深思熟虑的契约。这就是次网格尺度（SGS）模拟的艺术与科学。
这个契约是：我们将不再为真实的、涨落的量写下方程，而是为我们每个网格单元内的平均量写下方程。这个过程称为滤波或平均。当我们这样做时，一件奇妙的事情发生了。假设我们正在看一个涉及两个场相乘的方程，比如风（）输运热量（）。这一项看起来像 。当我们对它进行平均时，我们得到：
第一项 是平均风对平均热量的输运。这是我们粗糙网格可以看到和计算的。但出现了一个新项：。它代表了风的看不见的、次网格尺度的涨落对热量的输运。这是我们平均掉的所有微小涡旋的净效应。这就是次网格通量，来自无形世界的信息。
我们最初的完美守恒定律被改变了。它们现在包含了这些新的、未知的次网格通量项。方程组不再“闭合”；我们的未知数比方程多。SGS模拟的全部目标就是提出一个“定律”或一个闭合，告诉我们如何仅使用我们确实知道的平均量来计算这些次网格通量。
我们怎么可能为一个我们看不见的东西写下定律呢？我们通过运用我们对支配那个无形世界的物理学的知识来做到这一点。
最简单也最著名的想法是涡黏性或涡扩散率假说。它提出，所有小的、混沌的次网格涡旋的集体效应类似于分子扩散，只是强度大得多。分子扩散是单个分子相互碰撞的结果，而湍流扩散是流体包裹被涡旋搅动和混合的结果。因此，我们可以为次网格通量写下一个看起来就像菲克扩散定律的法则：
这里， 是涡扩散率。但我们如何选择它的值呢？我们不能只是在一本书里查到它；它必须依赖于流动本身。运用一个称为混合长度理论的强大思想，我们可以推断出扩散率应该与进行混合的涡旋的特征速度和特征长度尺度成正比。对于次网格涡旋，这些尺度是什么呢？我们看不见的那些最大、最有能量的涡旋，正是那些大小约等于我们网格单元大小 的涡旋。而它们的速度必须由我们能看到的更大尺度流动的剪切和拉伸来驱动。
这就引出了经典的Smagorinsky模型，这是最早也是最具影响力的SGS模型之一：
其中 是已解析流的应变率张量（一种衡量剪切的量）的大小，而 是一个常数。这是一个优美的结果。它是一个尺度感知模型。如果你加密你的网格（使 变小），涡扩散率会自动变小。模型能感知到网格正在承担更多表示湍流的工作，并优雅地退后一步。
这不仅仅是一个猜测。常数 可以通过要求我们的模型从已解析尺度上移除能量的速率恰好与普适湍流理论——Kolmogorov惯性区能量级串——所预测的速率相符来推导得出。这种深刻的联系表明，次网格模拟并非随意的“凑数”，而是统计物理学有原则的应用。
将世界简单地划分为“已解析”和“次网格”这两种极端情况工作得很好：当我们的网格粗糙到所有湍流都处于次网格尺度，或者精细到我们几乎解析了所有湍流。但在这两者之间会发生什么呢？当我们的网格单元大小与流动中主要的、含能涡旋的大小差不多时会发生什么？
这片危险的区域被称为湍流灰区。在这里，我们的模型开始明确地“看到”涡旋，但它们将涡旋渲染成其真实形态的块状、扭曲的版本。我们为那个看不见的世界设计的SGS参数化方案可能会感到困惑。
航行于灰区的关键是识别你何时身处其中，并使用足够智能以适应的模型。
不要重复计算： 在不解析涡旋的粗糙海洋模型中，会使用诸如Gent-McWilliams (GM)方案等复杂的参数化方法来表示它们的大尺度效应。GM方案的作用就像一个额外的“团块”速度，使密度面变平。然而，如果你将网格加密到开始明确解析涡旋的程度，你必须关闭GM方案。如果你不这样做，你就在重复计算涡旋的效应：一次是通过已解析的速度场，另一次是通过参数化方案。这会导致对涡旋效应的严重夸大[@problem_d:3900897]。
了解你的涡旋： 灰区不是一个单一的地方。它的位置取决于湍流本身的物理特性。在大气边界层中，湍流可以由近地面的风切变驱动，产生相对较小的涡旋。或者，它也可以由炎热天气下的浮力驱动，产生大的对流羽流。一个真正的尺度感知模型必须理解物理条件（, ），并识别网格是在解析剪切驱动的涡卷还是对流单体，并相应地调整其闭合策略。例如，当对流羽流开始被解析时，模型必须从一个非局地质量通量方案（它参数化整个羽流）平滑地过渡到一个局地涡扩散方案（它处理剩余的细小卷须）。
次网格模拟是一门可能的艺术。它承认我们永远无法看到全貌，但它也大胆断言，我们可以利用物理定律对我们所错过的东西做出有原则的、定量的说明。它要求我们不仅对物理系统有深刻的理解，也对我们用来观察它的工具有深刻的理解。这是在自然的连续、无限细节的世界与计算机的离散、有限世界之间的一场持续的、动态的协商。
想象一下，你试图欣赏Monet的《睡莲》，看的却是一个将每一平方英寸都替换为其平均颜色的版本。你会看到模糊的绿色、蓝色和粉色斑块，但笔触的天才、纹理以及光影的相互作用将荡然无存。画作的灵魂在于每一平方英寸内部的细节。同样，那些驱动我们理解宇宙、地球和我们技术的宏大模拟也面临着类似的挑战。它们的“网格单元”——其模拟现实的基本方块——通常太大，无法看到内部发生的复杂物理之舞。这正是次网格混合的艺术与科学发挥作用的地方。这是我们教计算机理解它无法直接看到的细节杰作的方式，这一概念的应用从遥远星系的核心延伸到我们呼吸的空气。
让我们在宇宙中开始我们的旅程。弥漫在星系晕中的巨大气体云是恒星的摇篮。为了形成恒星，这些气体必须冷却和坍缩。它的冷却速率敏感地依赖于其温度和化学成分，特别是其“金属丰度”——即比氢和氦更重的元素的丰度。然而，我们的模拟只能追踪一个巨大网格单元内（可能横跨数千光年）的平均金属丰度 。但如果这个单元包含了一个由古老超新星喷射出的富金属气体和原始的、贫金属的初始气体组成的团块状混合物呢？
冷却过程由冷却函数 描述，它是非线性的。因此，真实的平均冷却速率，即函数在不同金属丰度上的平均值，与根据平均金属丰度计算出的冷却速率是不同的。由于冷却函数的凹性，Jensen不等式告诉我们 。一个简单地使用平均金属丰度的模拟会系统地高估冷却速率，可能导致关于星系形成恒星速度的错误结论。气体未被解析的团块结构不仅仅是一个小细节；它是宇宙故事中的一个关键因素。
同样的情节也在其他宇宙场景中上演。考虑一个冷的、致密的气体云穿过星系间炽热、稀薄的介质。其边界上的剪切不稳定性，就像风在水面掀起波浪一样，可以将云撕裂。次网格模型可以捕捉到这种破坏性混合，但它必须是智能的。混合并非恒定不变；它处于不稳定的剪切力与稳定的浮力之间的斗争中。这种平衡由理查森数 来衡量。当 很大时，浮力获胜，混合被抑制。当 很小时，剪切占主导，次网格混合模型必须开启，主动撕碎云团。云团的存亡及其为恒星形成输送燃料的能力，都取决于这场次网格尺度的拔河比赛。
现在，让我们将尺度从星系缩小到发动机内部。燃料的燃烧也是一个混合与反应的故事。例如，在燃烧氢气的高性能发动机中，我们面临另一个微妙之处。轻的氢分子（）比空气中较重的氧和氮分子扩散得快得多。这种“优先扩散”是一种次网格现象。一个假设所有化学物质都被小尺度湍流以相同速率混合在一起的简单模型，会忽略氢可以比其他组分更快地冲入反应区这一事实，从而深刻地改变火焰的速度和温度。次网格模型必须考虑与物种相关的湍流施密特数 来捕捉这种效应。
在任何反应流中，都存在一个基本的竞争：是混合更快，还是化学反应更快？这个问题由滤波尺度丹柯勒数 来量化，它是次网格混合时间尺度与化学时间尺度之比。如果 ，化学反应相对于混合来说快如闪电。总反应速率的瓶颈在于我们能多快地将反应物搅拌在一起；这是一个混合限制区域。在这里，一个好的次网格模型至关重要，因为它设定了整个过程的节奏。相反，如果 ，混合相对于缓慢的化学反应几乎是瞬时的。反应以其自身的悠闲步伐进行，次网格混合模型扮演一个次要角色；这是一个动力学限制区域。理解一个网格单元由哪个区域主导，对于构建准确高效的模拟至关重要。这一原则不仅适用于气体燃料，也适用于煤或生物质等固体颗粒的燃烧。这个过程始于颗粒释放挥发性气体，这一步的速率取决于颗粒的大小。小颗粒升温并迅速释放气体，而大颗粒则在更长的路径上缓慢进行。模拟必须追踪这种多分散群体，以了解燃料气体在何处以及何时被释放到流中，为随后与周围空气的关键性次网格混合做好准备。
支配恒星和我们发动机的相同原理，也在我们周围发挥作用，塑造着我们星球的气候和环境。考虑一下暖云中雨的形成。云不是一袋均匀的水蒸气；它是微小云滴和从周围环境中卷入的较干空气的湍流混合物。这种混合在次网格尺度上如何发生，具有巨大的影响。
在一个极端，称为均匀混合，卷入的干空气混合得如此之快，以至于一个包裹中的所有液滴都共同分担蒸发并一致地稍微收缩。在另一个极端，非均匀混合，混合较慢，云的整个细丝完全蒸发，摧毁了其中的液滴，而其他液滴则未受影响。在第一种情况下，我们剩下大量的小液滴。在第二种情况下，我们的液滴数量较少，但尺寸较大。由于雨的形成取决于液滴长大到足以掉落，云边缘的次网格混合类型可以决定一朵云是产生毛毛细雨还是倾盆大雨。
在广阔的海洋中，由中尺度涡——直径几十到几百公里的旋转水涡——引起的次网格混合是一种主要的输运机制。随着我们的海洋模型变得越来越强大，它们的网格单元也在缩小。我们进入了一个“灰区”，在这里网格单元太粗，无法完全解析涡旋，但又太细，不能将其视为纯粹的统计性次网格现象。如果我们不加小心地使用次网格参数化方案，比如著名的Gent-McWilliams (GM)方案，我们就有“重复计算”涡旋效应的风险——一次是通过部分解析的流动，另一次是通过参数化方案。解决方案是设计“尺度感知”方案，随着网格分辨率的提高，智能地减少自身的作用，认识到已解析的动力学正在承担更多的负担。
次网格混合也是空气质量预报的核心。为了预测来自烟囱的污染物的路径，我们可以使用拉格朗日模型，释放成群的虚拟粒子，并追踪它们在湍流大气中的个体旅程。在这里，一个被称为“充分混合条件”的微妙一致性条件变得至关重要。一个湍流混合模型本身不应该产生虚假的粒子浓度。如果我们从均匀分布的粒子开始，它们应该保持均匀。违反这个条件可能导致模型错误地预测污染物会在低湍流区域积聚，这纯粹是数值伪影。要满足这一条件，需要对控制粒子随机行走的随机方程进行仔细的数学表述。
当这些污染物具有化学活性时，故事变得更加错综复杂。考虑一个来自发电厂的氮氧化物（）和挥发性有机化合物（s）的羽流，它们在阳光下反应生成地面臭氧（）。在羽流的核心，的浓度如此之高，以至于它实际上通过一种称为滴定的过程破坏臭氧。然而，在羽流的边缘，湍流混合稀释了并卷入了背景空气中的氧化剂，创造了一个臭氧产生猖獗的化学“最佳点”。这导致了一种奇特的“羽流分支”结构，中心臭氧低，边缘臭氧高。一个只看到整个羽流平均浓度的简单模型会完全错过这种结构，无法预测真实的臭氧影响。
到目前为止，我们一直将次网格模型视为完成我们对系统演化进行前向预测的工具。但还有一个深刻的最后转折。在数据同化领域，目标是将一个不完美的模型与稀疏的观测数据（例如来自卫星的数据）相结合，以创建对系统状态（如海洋）的最佳估计。
传统方法，强约束4D-Var，假设模型是完美的。而现代方法，弱约束4D-Var，则勇敢地承认模型并非完美。它承认未解析的过程，比如次网格海洋混合，会给模型的方程引入误差。它不是隐藏这一事实，而是通过在每个时间步引入一个“模式误差”项 来拥抱它。挑战随之转移：这个误差的本质是什么？我们无法确切地知道它，但我们可以描述它的统计特性。
借鉴我们的物理理解，我们知道来自次网格混合的误差不是随机噪声；它在空间上是相关的和各向异性的，倾向于沿着等密度面（isopycnals）混合物质。这种物理知识可以转化为模式误差协方差矩阵 的数学结构。通过指定一个现实的 ，我们为同化系统提供了我们模型已知缺陷的统计指纹。这使得系统能够智能地权衡来自模型的信息和来自观测的信息，最终产生一个远为准确的现实图景。这是一个美丽的综合，在这里，我们对我们所不知的知识，变成了一个强大的发现工具。