温度边界层

当加热（或冷却）的壁面上方有流体流动时，壁面附近会形成一个温度急剧变化的薄层。这就是温度边界层。与速度边界层类似，随着距离壁面增加，温度会逐渐接近主流温度。两者厚度的比值由Prandtl数 $Pr$ 决定。

在常温下，空气的 $Pr \approx 0.71$，所以温度边界层比速度边界层稍厚。水的 $Pr \approx 7$，所以温度边界层约为速度边界层厚度的一半。对于发动机油，$Pr$ 可以超过 1000，温度边界层极其薄。

对于等温平板上的层流边界层，Blasius解（速度场）和Pohlhausen解（温度场）是经典的理论解。局部Nu数为

对于湍流边界层，$Nu_x = 0.0296 Re_x^{4/5} Pr^{1/3}$ 是经验相关式。在湍流中，速度和温度的传输由涡扩散（turbulent diffusivity）主导，所以温度边界层和速度边界层厚度的比由湍流Prandtl数 $Pr_t \approx 0.85$~$0.9$ 决定。

壁面垂直方向的网格设计与湍流模型的壁面处理密切相关。低Reynolds数方法（直接解析）要求壁面第一层网格设置为 $y^+ \approx 1$，粘性底层至少需要5层，过渡层需要5~10层。

对于 $Pr > 1$ 的流体，温度边界层比速度边界层更薄，所以要准确预测热传递，有时需要比速度场更细的网格。具体来说，应满足 $y^+_{T} = y u_\tau / \alpha < 1$，这等价于 $y^+ \cdot Pr < 1$。对于 $Pr = 7$（水），$y^+ < 0.14$ 是理想的。

在实践中，$y^+ \approx 0.5$~$1$ 通常能获得足够的精度。对于水，只要满足 $y^+ < 1$，Nu数误差就能控制在5%以内。关键是壁面法线方向的增长比（growth ratio）应在1.1~1.2倍以内。

在Fluent中，可通过 Results > Surfaces > Wall y+ 可视化壁面的 $y^+$ 分布。STAR-CCM+可显示Wall Y+ 场函数。OpenFOAM可用后处理的yPlus工具或yPlus函数计算输出 $y^+$。

减小Inflation layer（棱柱层）的第一层厚度或增加层数。但如果流速分布不均（如入口附近与下游流速不同），很难让整个壁面都满足 $y^+ < 1$。Fluent的Enhanced Wall Treatment和STAR-CCM+的All y+ Wall Treatment能根据 $y^+$ 值自动切换壁面处理方式，从实用角度更安全。

标准壁面函数在Pr数较大时精度严重下降。Fluent的Enhanced Thermal Wall Treatment包含高Pr数补正，应启用此功能。OpenFOAM的alphatJayatillekeWallFunction包含Jayatilleke(1969)的补正。在网格方面，应尽可能减小 $y^+$ 值。

过渡点处Nu数急剧增加。这是因为湍流涡的混合作用使温度边界层变薄，壁面温度梯度变陡峭。在飞机翼前缘或风力涡轮机叶片上，过渡位置决定了外表面温度分布，因此精确预测至关重要。

Transition SST（$\gamma$-$Re_\theta$）模型是标准选择。入口自由流乱流强度 $Tu$ 对过渡位置影响很大，必须精确设置以匹配实验条件。在涡轮叶片CFD中，通常对 $Tu = 1$~$10$% 范围进行敏感性分析。

分离点直后方，壁面附近流速下降，Nu数也下降。在再附着点，流动结构类似喷流碰撞，Nu数出现峰值。再附着点下游，边界层重新发展，Nu数逐渐接近完全发展值。

标准k-ε模型倾向于低估再附着长度，这直接导致Nu数分布偏差。SST k-ω模型在再附着长度预测上表现更好，热传递分布也更准确。

再附着点附近温度梯度特别陡峭，所以必须在该区域增加壁面平行方向的网格密度。相对于台阶高度 $h$，建议流向分辨率 $\Delta x / h \approx 0.05$~$0.1$。壁面法线方向当然要满足 $y^+ < 1$。

当然会。对于高热导率壁面（铜、铝），壁面内部的热传导使表面温度均匀化。反之，对于低热导率壁面（陶瓷、塑料），表面温度不均匀性较大。要准确预测这些情况，需要进行CHT（共轭热传递）分析，它应与温度边界层的精确建模配套进行。

壁面附近温度分布的处理模型差异如下。

从实用角度，确实如此。即使壁面上 $y^+$ 分布不均匀，它也能自动切换到合适的处理方式，鲁棒性很高。不过，有意识地设计网格使 $y^+ < 1$ 仍然是最佳实践，没有改变。

在等温平板层流边界层（Blasius-Pohlhausen问题）上进行验证，确认：(1) 壁面摩擦系数 $C_f = 0.664 Re_x^{-1/2}$ 的一致性；(2) 局部Nu数 $Nu_x = 0.332 Re_x^{1/2} Pr^{1/3}$ 的一致性；(3) 速度和温度分布与Blasius解的对比。这三项都应与理论值在2%以内一致。

与平板湍流边界层的壁面摩擦系数Schultz-Grunow式对比，或与管内流的Dittus-Boelter式对比。进一步，与DNS数据（如Kasagi等的加热槽道流DNS）比较速度和温度分布，能评估湍流模型的性能。

Johns Hopkins Turbulence Databases (JHTDB)和东京大学笠木研究室的网站提供了槽道流DNS数据。可同时获得壁面附近的 $u^+$-$y^+$ 分布和 $T^+$-$y^+$ 分布，非常适合温度边界层模型验证。

DNS直接得到湍流边界层内的温度波动统计量（温度方差、湍流热流、温度耗散率）。这些数据对RANS模型的闭合至关重要，许多研究工作就是基于DNS数据来优化RANS模型常数。

特别是，DNS表明湍流Prandtl数 $Pr_t$ 随离壁面距离和流动条件变化，不是常数。而RANS中常假设 $Pr_t = 0.85$ 为定值，这是个简化。特别在高Pr数流体或有浮力效应时，这个假设精度很低。

Kays & Crawford（1993）的可变 $Pr_t$ 模型很知名。Fluent中可用UDF实现，使壁面附近 $Pr_t$ 较大，核心区域较小。OpenFOAM中也能用自定义alphat边界条件实现类似功能。

可以。WMLES中壁面附近用模型（壁面函数或RANS）处理，外层用LES求解，大大降低壁面网格要求。对温度场也应用了墙面建模方法，壁面附近用模型近似温度分布。

Fluent的SBES（应力混合涡模拟）和STAR-CCM+的IDDES是实用的WMLES方法。温度场预测精度不如完整LES，但比RANS好得多，计算成本仅为完整LES的1/10~1/100。

研究很活跃。有直接用神经网络从DNS数据预测湍流热流 $\overline{u'T'}$ 的方法，也有学习 $Pr_t$ 映射的方法。基于张量的神经网络（TBNN）也被扩展到温度场。还在研究阶段，但对特定问题类别已能大幅改善RANS精度。

先确认基本设置。(1) 流动真的是层流吗？检查Re数是否满足 $Re_x < 5 \times 10^5$。(2) 壁面温度条件是等温还是等热流？Pohlhausen解用于等温壁，等热流应用 $Nu_x = 0.453 Re_x^{1/2} Pr^{1/3}$。(3) 入口是一致的自由流还是有紊流脉动？自由流乱流会提前过渡，增加Nu数。

检查离散格式的精度。一阶迎风格式有大的数值扩散，会使温度边界层厚度偏大（Nu数偏低）。改用二阶迎风。还要检查流向网格是否足够细，特别是前缘附近的陡峭Nu数变化是否能被捕捉到。

壁面第一层网格的 $y^+$ 随网格尺寸变化而改变，壁面函数的切换发生了。即使用Enhanced Wall Treatment也可能在混合域产生细微不连续。解决办法是均匀化壁面附近的网格。关键是保持Inflation layer沿壁面的增长率一致。

高Pr数时温度边界层极其薄，壁面第一层网格可能已超出温度边界层。目标是满足 $y^+ \cdot Pr < 5$。对于 $Pr = 500$，理想的是 $y^+ < 0.01$，现实中很难达到。

先把 $y^+ < 1$，再用包含高Pr补正的壁面处理。Fluent的Enhanced Wall Treatment + Thermal Effects组合最可靠。OpenFOAM必须用alphatJayatillekeWallFunction。如果与Gnielinski式偏差仍大，检查物性值温度依存性，特别是粘度，是否正确输入。