通道流DNS
通道流DNS的理论基础
概要
老师，通道流的DNS在CFD世界中有特殊的地位吗？
湍流研究最基本的基准。Kim, Moin & Moser (1987) 进行的 $Re_\tau = 180$ 的DNS具有划时代意义，从那以后成为了湍流模型验证的黄金标准。
$Re_\tau$ 是什么？
是摩擦雷诺数，由壁面摩擦速度 $u_\tau$ 和通道半宽 $\delta$ 定义。
这里 $\tau_w$ 是壁面剪应力。$Re_\tau$ 表示壁湍流的内层尺度和外层尺度的比。
壁法则
壁法则也有关系吗？
湍流通道流最重要的理论成果就是壁法则。用内层变量对壁面距离进行无量纲化。
在粘性底层（$y^+ < 5$）有线性关系：
在对数层（$y^+ > 30$）有对数律：
这里 $\kappa \approx 0.41$（von Karman常数），$B \approx 5.2$。
DNS数据用于验证这个法则。
Moser, Kim & Mansour (1999) 的 $Re_\tau = 590$ DNS（通称MKM数据）是高精度确认壁法则普遍性的重要数据集。现在已经达到 $Re_\tau = 5200$（Lee & Moser, 2015）。
主要DNS数据库
| 研究者 | $Re_\tau$ | 网格点数 | 年份 |
|---|---|---|---|
| Kim, Moin & Moser | 180 | $192 \times 129 \times 160$ | 1987 |
| Moser, Kim & Mansour | 180, 395, 590 | 最大 $384 \times 257 \times 384$ | 1999 |
| Hoyas & Jimenez | 2003 | $6144 \times 633 \times 4608$ | 2006 |
| Lee & Moser | 5200 | $10240 \times 1536 \times 7680$ | 2015 |
$Re_\tau = 5200$ 时有100亿网格点。计算规模太庞大了。
1987年，世界首次湍流DNS花费"数周"的故事
Kim、Moin、Moser在1987年发表通道流DNS（直接数值计算）时，使用当时最高性能的超级计算机进行计算耗时数周。雷诺数仅为180（基于摩擦速度），网格点数约400万。如今用研究室的工作站几天就能完成同样计算。这篇论文之所以具有划时代意义，是因为它"首次数值可视化了湍流内部结构"，壁面附近的条纹结构和纵向涡如理论预测那样出现，当时全球流体力学研究者为之兴奋。该论文至今仍被引用数千次每年。
通道流DNS的数值计算方法
DNS方法
DNS用什么算法求解？
DNS（Direct Numerical Simulation）解析湍流的全尺度。不使用模型，直接求解Navier-Stokes方程。通道流DNS采用拟谱法。
拟谱法
流向（$x$）和展向（$z$）采用周期边界条件，用傅里叶级数展开；壁面法向（$y$）用切比雪夫多项式展开。
非线性项（对流项）在物理空间计算，用FFT变换到波数空间。这就是"拟"谱法名称的由来。
非线性项不是在波数空间直接计算？
在波数空间计算对流项会产生卷积（convolution），计算量为 $O(N^2)$。在物理空间计算然后用FFT变换只需 $O(N \log N)$。但会产生混叠误差，需要应用3/2规则（de-aliasing）。
网格分辨率要求
DNS需要网格分辨率达到Kolmogorov尺度 $\eta$ 以下。通道流中用内层变量表示。
| 方向 | 推荐分辨率 | 备注 |
|---|---|---|
| 流向 $\Delta x^+$ | 5〜10 | 解析条纹结构 |
| 展向 $\Delta z^+$ | 3〜5 | 条纹宽度 $\lambda_z^+ \approx 100$ |
| 壁法向 $\Delta y^+_{wall}$ | < 1 | 解析粘性底层 |
| 壁法向 $\Delta y^+_{center}$ | 5〜10 | 通道中心 |
时间积分
时间积分怎么做？
粘性项用隐式方法（Crank-Nicolson），非线性项用显式方法（3阶Adams-Bashforth或3段Runge-Kutta）的混合方法是标准做法。CFL条件由显式部分决定，典型值为 $\Delta t^+ \approx 0.1$〜$0.5$。
获取统计量需要积分多久？
达到统计稳定状态需要助走时间（wash-out time）为 $T u_\tau / \delta > 10$ 左右，之后采样需要 $T u_\tau / \delta > 20$〜$50$。统计量收敛速度随高阶矩而减慢。
为什么谱法成为"通道DNS的标准"
通道流DNS广泛采用谱法（傅里叶展开+切比雪夫多项式），是因为与有限差分法相比"用同样精度以较低成本实现"。解析湍流全尺度需要极高精度，有限差分法需要极端增加网格点数才能跟上。而谱法能"数学上最高效地"解析光滑的周期流。但谱法也有缺点，对复杂形状不易处理。因此DNS的基准计算集中在通道、管等单一形状，这反而导致了数据库的充实。
通道流DNS的实务应用
通道流DNS的实务应用
怎样用DNS数据验证RANS模型？
自己进行DNS计算规模太大，但利用公开数据来验证RANS和LES的精度在实务中很重要。
公开DNS数据库的利用
JHTDB可以用API获取DNS数据啊。很方便。
RANS模型验证步骤
1. 用与DNS相同的 $Re_\tau$ 进行RANS计算
2. 与DNS比较以下量：
- 平均速度轮廓 $U^+(y^+)$
- 雷诺应力 $\overline{u'v'}^+$
- 湍流动能 $k^+ = \frac{1}{2}(\overline{u'^2} + \overline{v'^2} + \overline{w'^2})/u_\tau^2$
- 壁面摩擦系数 $C_f = 2(u_\tau/U_b)^2$
RANS模型性能比较
| 模型 | $C_f$ 误差（$Re_\tau=395$） | 对数律再现性 |
|---|---|---|
| $k$-$\varepsilon$ 标准 | -5% | 稍差（对数层过大） |
| $k$-$\omega$ SST | -2% | 良好 |
| Spalart-Allmaras | -3% | 良好 |
| $v^2$-$f$ | -1% | 非常良好 |
通道流虽然简单，但模型差异清晰可见。
这正是它作为基准的优点。平行平板间的完全发展流，边界条件无不确定性，可以纯粹评价模型本身的精度。
网格设计（RANS用）
不使用壁函数时，壁面第一个网格单元设为 $y^+ < 1$。通道半宽方向配置60〜80个网格，增长比1.05〜1.1的等比级联是典型做法。
RANS可以用2D吗？
通道流RANS验证可简化为一维问题（仅 $y$ 方向变化），本质上可以用1D求解。OpenFOAM中用一个网格厚的2D情形就足够了。
DNS数据如何成为"湍流模型的教师"
通道流DNS实践价值之一是充当"湍流模型系数调优数据"的角色。k-ε模型和k-ω模型的系数（如Cμ=0.09）是结合实验数据和DNS数据制定的。也就是说"进行RANS实务计算的人"也间接受益于DNS。最近还出现了将DNS数据作为机器学习模型训练数据，自动生成新湍流闭包的方法。如果只把DNS看作"昂贵研究计算"就太遗憾了，重新理解为"RANS可信赖的证据"就能看出实际应用方向。
通道流DNS的软件比较
工具别实现
DNS必须用专用代码？商用软件也能做？
高Re DNS用专用拟谱代码效率最高，但低Re（$Re_\tau \leq 180$）时商用和开源的有限体积法求解器也可行。
专用DNS代码
| 代码 | 方法 | 特点 |
|---|---|---|
| ChannelFlow (Gibson) | 拟谱法 | C++、开源、教学用 |
| Nek5000 | 谱元法 | Fortran、大规模HPC适配 |
| SIMSON (KTH) | 拟谱法 | Fortran、转移和湍流研究用 |
| AFiD | 有限差分二阶 | Fortran、GPU适配 |
OpenFOAM中的低Re DNS
pimpleFoam（非定常、非压缩）blockMesh 配置域 $L_x = 4\pi\delta$, $L_z = 2\pi\delta$。在流向和展向设置周期边界条件fvOptions 的 meanVelocityForce 施加常数体积力OpenFOAM用meanVelocityForce维持恒定流量。
物理上由压力梯度驱动，但周期边界条件无法设置压力差，所以给体积力作为等价常数压力梯度。
Ansys Fluent 中的设置
Fluent的Periodic条件可以用质量流量驱动。
是的。不用手动设置体积力，很方便。但用Fluent做DNS成本效率差，最好只用于教学目的或LES验证。
GPU如何使DNS"触手可及"
2010年代以后，基于GPU的DNS代码出现，使通道流DNS成本大幅下降。以前需要申请超级计算机，现在Re_τ=1000级计算可在8个GPU集群上数天完成。NVIDIA A100级GPU的FP64运算能力与过去最高性能超级计算机相当。开源DNS代码（Channelflow等）也完善了，"学生在研究室GPU服务器上自己生成DNS数据"的时代到来。工具选择不如"怎样用"重要，这是典型例子。
通道流DNS的先端研究
先端话题
通道流DNS最新研究向哪些方向发展？
主要有三个方向。
向高雷诺数的挑战
Lee & Moser (2015) 的 $Re_\tau = 5200$ 之后，更高Re的研究继续推进。高Re时Kolmogorov尺度与大尺度结构的尺度比扩大，网格点数按 $Re_\tau^{9/4}$ 增长。
$Re_\tau$ 翻倍，网格点数约4.8倍。
是的。$Re_\tau = 10,000$ 的DNS需约500亿网格点，随着百亿亿次级计算机到来，逐渐成为现实。
与机器学习的融合
以DNS数据为教师数据，用ML/DL改进湍流模型。
- TBNN (Tensor Basis Neural Network): 用NN学习雷诺应力张量的非线性构成式（Ling, Kurzawski & Templeton, 2016）
- PINN: 物理信息神经网络，拟合DNS数据构建模型
- 超分辨率 (Super-Resolution): 从粗LES数据重构DNS相当的场
DNS数据成了AI学习素材。
壁湍流的大尺度结构
高Re DNS揭示的重要现象是VLSM (Very Large-Scale Motions)。流向长度达 $10\delta$〜$20\delta$ 的超大尺度涡结构，对壁面摩擦波动有重大贡献。
计算域流向长度不足会导致VLSM无法正确再现。$Re_\tau \geq 1000$ 时推荐 $L_x \geq 8\pi\delta$。
域长也如分辨率一样重要。
完全同意。DNS的"正确性"由域尺寸、分辨率、采样时间三者组合决定。缺任何一个都会降低可信度。
从Re=180到Re=5200花了30年
Kim、Moin、Moser 1987年论文的雷诺数（基于摩擦速度）为Re_τ=180。之后随着计算机性能提升，Re数不断增长，Lee & Moser（2015年）达到Re_τ=5200耗时约30年。网格点数约1000亿。Re翻倍，网格点数约需8倍（三维各方向翻倍），所以耗时是必然。实际飞机和船舶的Re数为10⁷〜10⁹量级，全DNS仍是梦想。"DNS最终能解决一切"是错觉，RANS和LES将继续扮演主角，DNS道出了存在原因。
通道流DNS的故障排除
通道流DNS的故障排除
通道流DNS（或LES验证）常见问题有哪些？
看典型故障。
统计量与DNS参考值不符
原因1: 分辨率不足
- $\Delta x^+$, $\Delta z^+$ 过大，无法解析条纹结构
- 检查：计算能量谱，高波数侧是否有混叠能量堆积
原因2: 采样时间不足
- 湍流统计量（特别是 $\overline{v'^2}$, $\overline{u'v'}$）收敛不足
- 对策：延长统计采样时间至 $Tu_\tau/\delta > 30$
原因3: 域尺寸不足
- 流向、展向太短，最大涡结构被切割
- 检查：二点关联函数是否在域尺寸一半内衰减为零
可用二点关联确认域充分性。
$Re_\tau$ 与设计值不同
用常数体积力驱动时，$Re_\tau$ 是输入参数，但恒定流量驱动时，实际 $Re_\tau$ 无法预知。
- 对策: 前期计算中监测 $\tau_w$，稳定后确认 $Re_\tau$。需要时调整流量
LES中壁面附近的精度
LES计算通道流，壁面附近速度分布偏差。
SGS模型在壁面给出过度耗散。对策：
- WALE 或 Dynamic Smagorinsky: 用自动降低壁面附近SGS粘度的模型
- 网格分辨率: 确保 $\Delta y^+_{wall} < 2$
- van Driest衰减: 静态Smagorinsky加van Driest衰减函数
检查清单
| 检查项 | 标准 |
|---|---|
| 壁面第一格 $\Delta y^+$ | < 1 (DNS), < 2 (wall-resolved LES) |
| 流向分辨率 $\Delta x^+$ | < 10 (DNS), < 40 (LES) |
| 展向分辨率 $\Delta z^+$ | < 5 (DNS), < 20 (LES) |
| 域尺寸 $L_x/\delta$ | > $4\pi$ (低Re), > $8\pi$ (高Re) |
| 域尺寸 $L_z/\delta$ | > $2\pi$ |
| 采样时间 $Tu_\tau/\delta$ | > 20 |
数值基准明确，易于自查。
通道流边界条件简单，分辨率和域尺寸问题得以纯粹浮现。掌握这里的基础，复杂形状的LES也能应用。
"湍流消失变层流"——统计未收敛的陷阱
通道DNS常见故障是"计算途中湍流结构消失变层流"。多因为"初始扰动不足"或"计算域太小，湍流维持所需涡尺度无法容纳"。湍流通过"自持循环"（Hamilton理论）维持，周期长度太短就无法成立。一般需要流向 8π×壁间距长度，缩短会出现"看似收敛实为层流假解"。若以"速度场不变化"判断收敛会被误导，应以湍流统计量（如u'v'相关）的时序确认。
相关话题
了
更详细
错误