基于渗透分析的Couette-Poiseuille槽道流低速流向条纹识别研究

《Fluids》：A New Wall-Dependent Identification Method for Coherent Streamwise Streaks in Turbulent Channel Flows Sergio Gandía-Barberá, Sergio Hoyas and María J. Pérez-Quiles

　　

研究人员针对传统低速流向条纹识别方法采用恒定阈值、难以同时捕捉近壁与外区动力学特性的局限，提出了一种结合壁面法向变化的自适应识别准则。该研究以Couette-Poiseuille混合槽道流为对象，首先通过直接数值模拟（DNS）获取高精度瞬时速度场数据，其中低雷诺数工况摩擦雷诺数Reτ≈250，高雷诺数工况Reτ=1000。研究人员采用Bae和Lee提出的初始判据，即同时满足u(x,y,z)<0及√(u2+w2)>αuτ，发现恒定阈值α无法兼顾近壁与外区的结构识别。为此，研究引入Nagaosa和Handler提出的壁面依赖阈值准则，将判定条件改进为χ(x,y,z)>αχ'(y)，其中χ=√(u2+w2)为壁面平行速度模量，χ'(y)为其均方根值。通过对不同壁面距离下的概率密度函数进行验证，研究人员确认该准则在y?≥50的区域具有良好的标度律 collapsing 特性。随后，研究人员通过渗透分析计算了最大单条纹体积占比Vmax/Vtot与条纹数量比N/Nmax，确定了最优渗透指数α。结果表明，该壁面依赖识别方法能够更准确地量化不同雷诺数下低速条纹的空间分布与拓扑特征，为揭示壁面湍流的多尺度相互作用提供了新的分析工具。

研究背景与意义

壁面湍流中的低速流向条纹是维持近壁自维持过程的核心相干结构，其准确识别对理解湍流能量级串与动量输运机制至关重要。传统识别方法多采用基于摩擦速度的恒定阈值，然而由于近壁区与外区的湍流强度存在显著差异，单一阈值难以同时有效捕捉不同壁面距离的结构特征。此外，现有研究对高雷诺数下的条纹渗透行为及阈值演化规律仍缺乏系统性认知。为此，研究人员以Couette-Poiseuille混合槽道流为研究对象，旨在通过发展壁面依赖的自适应识别方法，解决传统恒定阈值的局限性，并探究不同雷诺数下的条纹统计特性。

关键技术方法

研究人员采用直接数值模拟（DNS）技术，构建了包含低雷诺数（Re_τ≈250）与高雷诺数（Re_τ=1000）的样本队列，计算域尺寸分别为16πh×2h×3πh。在结构识别方面，研究对比了Bae和Lee的恒定阈值法与Nagaosa和Handler的壁面依赖阈值法，后者通过引入χ=√(u2+w2)及其均方根χ'(y)定义了新的判定准则。渗透分析通过计算最大条纹体积占比V_max/V_tot与条纹数量比N/N_max，确定了最优渗透指数α。所有统计结果均基于至少25个涡脱落时间（ETT）的平均数据，以确保统计收敛性。

研究结果

2.1 数值模拟设置

研究人员设置了两组DNS算例，低雷诺数工况网格分辨率Δx?≈12.68、Δy?_min≈0.37、Δz?≈6.35，高雷诺数工况计算成本约为低雷诺数的100倍。模拟结果表明，网格分辨率与统计时长均满足槽道流DNS的标准要求。

2.2 低速流向条纹识别

研究首先复现了Bae和Lee的恒定阈值判据（式3-4），发现当α取固定值时，近壁区因湍流强度高导致大量虚假识别，而外区则因信号微弱导致漏检。随后，研究人员验证了Nagaosa和Handler提出的两条准则：χ'(y)沿壁面法向存在显著变化；归一化量χ/χ'(y)在不同壁面距离的概率密度函数能够标度律 collapsing。结果显示，在y?≥50区域，归一化曲线高度重合，但在近壁区（y?<50）存在偏差，这与前人研究一致。

2.3 渗透分析与聚类

研究人员通过渗透分析扫描α的取值范围，计算了V_max/V_tot与N/N_max。结果表明，随着α增大，单个条纹的最大体积先增后减，而条纹总数持续减少。通过寻找两个比值的交点，确定了最优渗透指数α≈1.2。将该阈值应用于改进后的识别准则（式5-6），研究人员成功实现了对不同壁面距离低速条纹的精准提取。

讨论与结论

研究表明，传统的恒定阈值识别方法存在物理基础缺陷，而壁面依赖阈值通过引入局部均方根统计量，能够有效适应湍流强度的壁面法向梯度。渗透分析为确定最优阈值提供了客观标准，避免了经验取值的主观性。该方法的建立不仅提升了低速条纹识别的准确性，也为其他壁面湍流相干结构（如涡包、团状结构）的识别提供了范式参考。研究证实，在Re_τ≈250至1000的范围内，该识别框架均表现出良好的鲁棒性，为后续开展高雷诺数壁面湍流的实验测量与工业应用奠定了方法论基础。