玻尔百科湍流，即流体混沌且不可预测的运动，是塑造从全球天气模式到喷气发动机效率等一切事物的基本自然力量。虽然流体运动的物理学由纳维-斯托克斯方程优雅地描述，但湍流的极端复杂性使得几乎所有实际情景都无法直接求解这些方程。这在科学和工程领域的理论理解与实际预测之间造成了巨大鸿沟。本文通过探索湍流参数化这一重要领域来弥合这一鸿沟——这是一系列巧妙的模型和方法，旨在表征湍流的影响而无需模拟每一个混沌的涡旋。我们将探讨实现这一目标的核心概念，从支撑现代建模的基础思想开始。首先，在“原理与机制”一章中，我们将揭示统计方法如何引出湍流封闭问题，并探索为解决该问题而发展的模型层级。随后，“应用与跨学科联系”一章将展示这些理论工具如何付诸实践，推动从气候科学到汽车工程等关键领域的进步。
流体动力学的世界由一套看似优雅的规则所支配：纳维-斯托克斯方程。原则上，这些方程包含了预测咖啡中奶油的优美涡旋、飓风的猛烈咆哮或深海的静谧洋流所需的一切。但这里有一个深刻的难题。对于我们在自然界和技术中遇到的大多数流动，这些方程都无法直接求解。原因在于一个美丽而复杂的现象：湍流。
湍流是各种尺寸和速度的涡旋在一系列广阔尺度上混沌的舞蹈。要捕捉这场舞蹈的每一个微小细节，需要一台内存比宇宙中原子数量还多的计算机。这并非我们某天可能克服的技术限制，而是一个根本性的障碍。那么，作为物理学家和工程师，我们能做什么呢？我们“作弊”。
这种“作弊”是一个非常务实的想法，一个多世纪前由 Osborne Reynolds 首次将其形式化。如果我们无法追踪流体微团的每一次不规则摆动，那就不去尝试。相反，我们关注其平均的、可预测的行为。我们可以将任何量，如速度 ，分解为一个稳态的平均分量 和一个脉动的湍流部分 。这被称为雷诺分解。
当我们将这个平均过程应用于纳维-斯托克斯方程时，奇妙而又恼人的事情发生了。平均流的方程看起来简单得多，也平滑得多。我们似乎驯服了这头野兽。但在对描述流体自身运动的非线性项————进行平均的过程中，一个新项诞生了。这个项，即雷诺应力张量，通常写作 ，代表了湍流脉动对平均流的净效应。这是我们选择忽略的所有混沌涡旋所产生的平均推拉作用。
问题的症结就在这里：我们没有针对这个新项的方程。我们把原来完整但不可解的方程组，转换成了一个原则上可解但却不完整的新方程组。我们拥有的未知数（平均速度、平均压力，以及现在雷诺应力张量的六个独立分量）比方程要多。这就是著名的湍流封闭问题。为了取得任何进展，我们必须通过创造一个模型——一种参数化——来“封闭”这个缺口，这个模型将未知的雷诺应力与我们正在求解的已知平均流物理量联系起来。
我们如何模拟一团混沌涡旋的影响？Joseph Boussinesq 的直觉得到了突破。他想象湍流涡旋在旋转和翻滚中混合流体，就像分子一样，但尺度要大得多。正如分子碰撞产生粘度——一种对剪切的阻力——或许湍流涡旋的“碰撞”会产生一种大得多的有效粘度。
这就是涡粘性假设。它提出，雷诺应力与平均流的应变率成正比，就像粘性应力在层流中一样。这是一个巨大的简化。我们不再需要对六个独立、复杂的雷诺应力分量进行建模，而只需对一个标量进行建模：湍流粘度，或称涡粘度，记为 。我们的宏大挑战被简化为找到一种合理的方法来计算 。
这就是湍流参数化的核心。我们同意只关注平均流，这样做就产生了一个未知量，即雷诺应力。然后，我们通过用一个单一参数——涡粘度——来对其建模，从而驯服了这个未知量。接下来的故事就是我们为确定这个关键参数而设计的日益巧妙的方法。
寻找 的探索催生了一个优美的模型层级，阶梯上的每一步都增加了一层物理真实性，但代价是更大的复杂性。
在最底层的是零方程模型。这些模型纯粹是代数的，根据局地的平均流特性和域的几何形状（如与壁面的距离）来确定 。一个著名的例子是混合长度模型，该模型假设 取决于局地剪切和一个“混合长度”尺度 ，我们必须根据经验知识来指定 。这些模型计算成本低、速度快，但它们没有“记忆”。湍流被假设在流动的每一点上瞬时生成和消亡，这是一个相当粗糙的近似。
为了做得更好，我们必须赋予湍流自己的生命。这就引出了单方程模型。在这里，我们为湍流本身的一个属性求解一个额外的输运方程。最自然的选择是湍动能 ()，它代表了脉动运动中包含的能量。我们的涡粘度现在可以是这个具有物理意义、不断演化的量的函数，例如 。我们现在正在追踪湍流的能量，但我们仍在猜测它的大小，即 。
下一个重大飞跃是双方程模型。这些是现代计算流体动力学的支柱。其思想是为湍流的两个独立属性求解两个输运方程，这两个属性共同使我们能够动态地确定一个速度尺度和一个长度尺度。最著名的模型是 k-epsilon () 模型 和 k-omega () 模型。
有了这些模型，湍流参数化就不再是一个简单的代数猜测；它是一个动态系统，允许湍流以物理上一致的方式产生、被平均流输运和耗散。
值得注意的是，这一整个模型族，被称为雷诺平均纳维-斯托克斯 (RANS) 模型，是建立在时间平均的基础上的。对于大尺度非定常性本身很重要的问题——比如圆柱体后方涡旋的周期性脱落——我们可以使用非定常 RANS (URANS)。一种完全不同的哲学是大涡模拟 (LES)，它解析大的、含能的涡旋，只对最小的、亚网格尺度的涡旋进行建模。LES 提供了关于湍流流动的更详细的图像，但计算成本要高得多，这说明了在湍流模拟中保真度与成本之间永恒的权衡。
湍流不仅混合动量；它还是自然界的伟大搅拌器，在整个大气和海洋中混合热量、水分、盐分和污染物。为了对此进行建模，我们为标量输运引入了一个类似的概念：湍流扩散系数， 用于热量，它将湍流热通量与平均温度梯度联系起来：。
现在我们有两个输运系数：动量的涡粘度 （通常只写作 ）和热量的涡扩散系数 。它们的比值，即湍流普朗特数 ()，是否等于1？换句话说，湍流混合热量和动量的效率是否相同？
在简单的剪切驱动流中，答案是“几乎相同”。其机制相似， 通常被发现约为 。但在大气和海洋中，还有另一个主要因素：浮力。热流体想要上升，冷流体想要下沉。这完全改变了混合的物理过程。
这种对稳定性的依赖性对于天气和气候模型至关重要。参数化必须考虑到这一点，通常通过使 和 成为一个稳定性参数（如梯度理查森数，）的函数来实现，该参数衡量稳定浮力与不稳定剪切的比率。
涡粘性/扩散系数的概念建立在一个直观的“顺梯度”假设之上：动量、热量和其他物理量从高浓度区域流向低浓度区域，起到平滑梯度的作用。球会滚下山。热量从热处流向冷处。
但自然界充满了惊喜。在某些情况下，特别是在对流边界层中，我们观察到完全相反的现象：湍流通量“逆着”平均梯度流动。例如，热量可以从较冷的区域流向较暖的区域。这就是逆梯度输运。它似乎违反了我们最基本的物理直觉。
这个谜题的解答在于非局地输运的概念。顺梯度模型是一个局地模型；它假设一个点的通量仅取决于该点的梯度。但如果进行输运的涡旋非常大呢？想象一个巨大而强大的热羽流从炎热的地面升起。当它穿过边界层中部并进入上方更冷、稳定分层的空气中时，它携带着自己是热的“记忆”。它可能比其周围环境更暖，但仍是大规模向上运动的一部分，该运动正在将热量向上输运到一个平均而言甚至更暖的区域。这种大规模、相干的运动不是由局地梯度驱动的；它是一种非局地效应。简单的顺梯度模型在这里失效了，揭示了其局限性，并推动了能够捕捉这种迷人物理现象的更复杂、更高阶的闭合方案的发展。
当我们的计算机变得如此强大，以至于我们数值模型的网格间距 变得与我们试图参数化的含能大涡一样小时，会发生什么？这就是所谓的湍流的“灰色地带”。
一个为粗糙网格设计的传统湍流参数化方案（在这种网格中所有湍流都是亚网格的）将无法分辨其中的差异。即使模型的解析动力学开始明确地执行混合，它仍会继续施加其全部的混合效应。这导致了“双重计算”和过度的扩散，扼杀了高分辨率模型试图捕捉的细节。
现代参数化的前沿是发展尺度感知方案。一个尺度感知方案是“智能”的。它知道模型的网格间距 ，并能估算出湍动能中被解析的部分与仍为亚网格的部分的比例。随着网格分辨率的提高（ 减小），该方案会自动而平稳地减少自身的贡献，将输运工作交给明确解析的运动。这确保了从完全参数化状态到完全解析状态的平滑过渡，这对于开始在这一具有挑战性的灰色地带运行的下一代全球天气和气候模型来说，是一个至关重要的特性。
从雷诺平均这个简单、务实的“作弊”手段，到尺度感知方案的复杂、智能设计，湍流参数化的故事证明了我们有能力找到极其有效的方法来描述自然界的一部分，而其完整、错综复杂的现实仍然略微超出了我们的掌握范围。
在理解了湍流的原理以及我们为驾驭它而发明的那些巧妙但不完美的方案之后，你可能会倾向于将这一切视为一种多少有些抽象的数学游戏。但事实远非如此。湍流参数化的艺术不仅仅是一项学术活动；它是驱动我们这个时代一些最关键的科学技术进步的无形引擎。正是在这里，“封闭问题”的抽象必要性与设计更安全的汽车、预报致命的飓风，甚至理解我们自己动脉中疾病的细微迹象等具体需求相遇。
让我们穿越其中几个世界，看看湍流模型的选择如何塑造我们的现实。
想象一下，你正在为一款新型电动汽车的电池组设计冷却系统。目标很简单：防止电池过热。然而，其几何结构是一个由狭窄通道、急转弯和散热片组成的迷宫。风扇驱动的空气穿过这个迷宫以带走热量。你如何预测哪个电池单元会变得最热？
你立即面临一个选择，一个在完美与实用性之间的经典工程妥协。在一个完美的世界里，你可以进行直接数值模拟 (DNS)，追踪每一个空气分子的旋转运动。这将给你“上帝视角”，即各处的精确温度。但计算成本惊人，与雷诺数 的关系大致为 。对于你电池组中的湍流，单次模拟可能需要在超级计算机上运行十年。这是纯科学的工具，而非设计的工具。
所以，你妥协了。你可以使用雷诺平均纳维-斯托克斯 (RANS) 模型。在这里，你放弃了观察每一个涡旋的追求，转而求解平均流场。所有湍流搅动的效应都被打包成一个简单的“湍流粘度”项。它的计算成本很低——快到足以在自动化循环中测试数千种设计——并且能提供关于平均温度和流路的相当不错的图像。对于许多工业问题来说，这是主力工具，是唯一可行的选择。
但如果某个特定设计产生了一股巨大的、摆动的气流，周期性地发生失速，导致电池组的一个角落无法得到冷却呢？RANS 模型，由于其将一切平均化的本性，可能会完全错过这种非定常的、危险的行为。
这就是大涡模拟 (LES) 发挥作用的地方。LES 是一个美丽的折中方案，一种计算上的点画法。你用计算能力来解析大的、携带能量的涡旋——那些由几何形状决定并引起最显著波动的涡旋——同时参数化那些尺度太小而无法看见的、普遍存在的小涡旋的效应。对于担心一阵风中 SUV 非定常空气动力学的汽车工程师来说，这一点至关重要。RANS 模型可能会给你平均阻力，但它无法捕捉到可能使车辆不稳定或产生噪音的剧烈、时变的侧向力以及车窗上的压力脉动。通过解析从后视镜和支柱脱落的大型相干涡旋，LES 能够以惊人的保真度预测这些峰值载荷。它的代价高于 RANS，但它为你换来了一幅关于非定常性的图像，而这可能就是安全设计与失败设计之间的区别。
这个层级——DNS 用于追求终极真理，LES 用于高保真度的非定常性分析，RANS 用于快速设计——是现代流体动力学家的基本工具箱。其艺术在于知道为特定工作使用哪种工具。
在模拟地球气候和天气的尝试中，湍流参数化的影响无处能比。大气和海洋是巨大的湍流流体，我们永远无法希望能解析从一极到另一极的每一个涡旋。参数化不仅仅是一个选项；它是我们唯一的选项。
想想广阔、黑暗的海洋。太阳温暖了表层，但这些热量是如何向下混合的？深海中休眠的重要营养物质是如何被搅动到阳光普照的“透光区”，以喂养构成海洋食物网基础的浮游生物的？答案是湍流混合。在我们的全球气候模型中，网格单元宽达数十公里，这种垂直输运完全是亚网格尺度的。它必须被参数化。
像 Mellor-Yamada 闭合方案族这样的较简单模型，将这种混合视为一个局地的、扩散性的过程，类似于热量沿着金属棒传播。任何深度的湍流通量仅取决于该深度的温度和盐度梯度。但有时，这还不够。当海洋表层在夜间冷却时，巨大的、冷的、稠密的水羽流可以向下猛冲数百米，以一种完全不是“局地”的方式携带物质。为了捕捉这一点，开发了更复杂的方案，如 K-剖面参数化 (KPP)。KPP 是一个混合模型：它使用一个局地模型，但在对流条件下，它增加了一个明确的“非局地”项。该项就像一个垂直传送带，代表了那些大型深层羽流的输运，从而能够更真实地模拟海洋如何呼吸和混合。这里的参数化选择直接影响我们对海面温度、碳吸收，甚至依赖于湍流营养供给的海洋生态系统健康的预测 [@problem__id:4071897]。
同样的故事，即“解析与参数化”的权衡，也在大气中上演。几十年来，全球天气模型都过于粗糙，无法看到单个的雷暴。这些风暴的集体效应——它们强大的垂直热量和水分输运——必须由对流参数化方案来表示。这些方案通常属于“质量通量”类型，将亚网格风暴视为一个上升气流和下沉气流的集合，其总强度由一个闭合假设决定，例如，风暴的作用是在一定时间尺度内消耗大气中的不稳定性（对流可用位能，或 CAPE）。
但随着我们的计算机变得像歌利亚一样强大，我们现在可以运行网格间距仅几公里的区域模型。在这些“对流许可”模型中，我们终于可以开始明确解析飓风的生命线：其眼墙中高耸、旋转的雷暴。当我们实现这一飞跃时，旧的深对流参数化必须关闭，以避免“双重计算”其效应。然而，对参数化的需求并没有消失！它只是转移了。我们仍然无法看到云内更小尺度的三维湍流，也无法看到水滴变成冰的微观舞蹈。这些关键过程——亚网格湍流和云微物理——即使在我们最先进的天气模型中，仍然依赖于它们自己的参数化。
参数化的挑战延伸到科学和工程最极端和最复杂的角落。
想一想血液在你体内最大动脉——主动脉中脉动的情形。当心脏在收缩高峰期射出血液时，血流是快速而动态的。它是湍流吗？工程师可以通过计算两个著名的无量纲数来回答。雷诺数 比较惯性力与粘性力。Womersley数 比较流动的脉动性与粘性效应。对于一个典型的人来说，主动脉中的峰值雷诺数可以轻易超过 ——对于稳定管流来说，这已进入湍流区——而 Womersley 数很高，表明流动以惯性为主，速度剖面平钝，容易失稳。使用先进的 MRI 技术进行的测量证实了显著湍动能的存在。因此，一个试图建立主动脉忠实计算机模型的生物医学工程师，比如为了研究动脉瘤或人工心脏瓣膜上的力，不能简单地使用一个平滑的层流模型。他们必须包含一个湍流参数化，以正确预测动脉壁上的应力和流动中的压力损失。
现在，让我们把温度调高。在喷气发动机内部或在易燃气体已经点燃的工业管道中，缓慢燃烧的火焰（爆燃）可以加速，产生冲击波和强烈的湍流，可能转变为毁灭性的爆炸（爆轰）。对此建模需要一次复杂性的飞跃。在这里，湍流不仅仅是在移动流体；它正在被燃烧本身的物理过程主动地创造和摧毁。剧烈的热量释放导致气体猛烈膨胀，这种现象称为膨胀 ()。这是不可压缩模型完全忽略的。这种膨胀与压力脉动耦合，在湍动能方程中产生了一个新项，称为压力-膨胀项，它可以作为湍流的源或汇。此外，冲击波中的剧烈压缩和膨胀导致了一种新的粘性耗散形式，膨胀耗散。为了模拟这些流动，我们不能直接使用标准的 - 模型；我们必须使用先进的、可压缩的公式，其中包括针对这些新的、独特的可压缩项的额外模型。
最后，考虑一个充满沸腾液体的化学反应器，或者沸水核反应堆的核心。在这里，我们有多相流。这又增加了一层复杂性。湍流不仅仅存在于液体中；它正被气泡本身主动地产生。随着气泡上升，它们留下旋转的尾流，向液体的湍流场注入能量。这被称为气泡诱导湍流。为了对此进行建模，我们不仅需要一个用于单相内湍流的参数化，还需要一个模型来描述相间如何交换动量并在其界面处产生湍流。先进的模型为每个相求解单独的湍流输运方程，其源项明确地考虑了气泡和液体之间的阻力所做的功，将平均流能量转化为湍流脉动。
从浩瀚的宇宙到我们身体的细微之处，湍流无处不在。我们理解和预测其行为的探索，是一个关于巧妙妥协的故事。参数化就是这种妥协的语言。它是一门动态演变的艺术，是在我们能解析的与我们必须建模的之间持续的舞蹈。随着我们计算能力的增长，这场舞蹈不会结束——音乐只是变得更快，舞步也变得更加复杂。