混合層 — 先端技術と研究動向

K-H渦のロールアップ後、以下のプロセスを経て乱流に遷移する。

1. ロールアップ: K-H 不安定性により渦が巻き上がる。2D的な大スケール渦構造の形成

2. ペアリング: 隣接する渦が合体。混合層の厚さが倍増。$\delta_\omega$ の階段的な成長

3. 二次不安定性: 2D渦の上に3D的な不安定性が発生。rib vortex（肋骨渦）や braid region の不安定性

4. 乱流化: 細かいスケールの乱流が発達。最終的に自己相似な乱流混合層に

Brown & Roshko (1974) のシャドウグラフ写真が有名だ。大きなコヒーレント構造（渦）が混合層に沿って成長していく様子が美しく可視化されている。このコヒーレント構造の発見は乱流研究のパラダイムシフトだった。

超音速混合層では対流マッハ数 $M_c$ が鍵になる。

ここで $a_1, a_2$ は各側の音速だ。$M_c > 0.6$ 程度で混合層の成長率が著しく減少する。これは圧縮性による安定化効果だ。

Papamoschou & Roshko (1988) の実験で、$M_c$ の増大に伴い拡がり率が非圧縮の値の $20\%$ 程度まで低下することが示された。スクラムジェットの燃料・空気混合はこの問題に直結する。

Brown & Roshko (1974) は密度比 $s = \rho_2 / \rho_1 = 1/7$ から $7$ までの混合層を実験した。主な知見は、

• 拡がり率は密度比の影響を受ける
• 高密度側に混合層が偏向する
• 密度比の効果を含む拡がり率の相関式: $\delta_\omega / x \propto C_\delta (1 - r)(1 + s^{1/2}) / (2(1 + r s^{1/2}))$

混合層はDNSデータが豊富なので、データ駆動型の乱流モデリングの検証に使われている。

• Gene Expression Programming: Reynolds応力テンソルの代数的な陰的表現をDNSデータから学習
• Neural Network SGSモデル: LESのSGS応力をニューラルネットワークで予測。Gamahara & Hattori (2017)
• PINN: 限られた計測点から流れ場全体を再構成

a priori テスト（DNSデータを使ってSGS応力の予測精度を確認）では有望な結果が出ているが、a posteriori テスト（実際のLES計算に組み込んで安定に走るか）ではまだ課題が多い。数値安定性とGalileo不変性の保証が重要だ。