通用数据驱动湍流模型：⼀个模型适配多种流动机制，无需人工干预 | NSR

湍流几乎无处不在——从飞机机翼、燃气轮机叶片到河流、大气与海洋。准确预测湍流，对降低气候预测不确定性、设计更安全高效的航空与能源装备都至关重要。但完全解析湍流的所有尺度代价极高，因此雷诺平均（RANS）方法长期是工业计算流体力学的主力：它只求解平均流场，把湍流脉动的“平均效应”交给湍流模型描述，模型优劣几乎直接决定仿真精度。

难点在于，现有湍流模型大多只针对某一类流动调校，一旦离开适用范围便迅速失准。对于飞机、汽车或燃气轮机等实际工业构型，多种流动机制往往同时存在，并且对模型提出相互冲突的要求：改善一类，常常损害另一类。数据驱动方法曾被寄予厚望，但过去的研究大多仍局限于特定流动或特定任务。正如2022年NASA Langley湍流建模研讨会所总结的，学界历经十余年努力，仍未拿出一个在预测能力、通用性与稳健性上全面超越现有模型的统一数据驱动湍流模型。

在近期发表于《国家科学评论》（National Science Review, NSR）的文章中，研究人员提出了一种基于多目标学习的通用数据驱动湍流模型，让单一模型在无需人工分区、切换或调参的情况下，统一处理附着边界层、分离流、二次流、自由剪切流等多种流动机制。该研究主要由德国斯图加特大学博士生刘卓燃、王皓辰和赵卓琳完成，其中刘卓燃为第一作者，肖恒教授担任通讯作者。（原文标题：Toward a unified data-driven turbulence model through multi-objective learning）

该文核心思想是把湍流建模视为一个多目标优化问题：框架先用物理一致、具有不变性的神经网络表示湍流模型，再从涵盖36个经典到复杂流动的算例库中自动筛选出9个最具代表性的流动用于训练，最后在多个相互冲突的目标之间寻找帕累托最优的折中，把来自不同流动、不同关注量的冲突调和在同一个模型里。

仅用9个流动训练后，该通用基础模型在27个未见算例上经过广泛测试，在绝大多数情形下优于基准模型、其余与之相当，覆盖平板边界层、射流、方管二次流和分离流等多种流动机制；在典型汽车外形、三维扩压器、典型飞机外形等复杂工业构型上也总体改善了预测。当需要针对特定应用进一步提升精度时，框架还能通过“增量微调”把通用基础模型快速转化为定制化模型，在三维扩压器等复杂算例上显著改善流动分离预测。

通用基础湍流模型的训练与评估

这项工作表明，多目标学习配合物理一致的模型表达，能在单一框架内统一多种流动机制，为发展可部署、可泛化的湍流模型提供了新路径。研究人员指出，该方法可扩展到更多目标，有望最终实现对整台燃气轮机或整架飞机这类多部件、多机制系统的通用建模。