数据驱动湍流闭包

雷诺平均（RANS）把湍流脉动打包进 Reynolds 应力后留下一个未封闭的系统；数据驱动闭包（data-driven turbulence closure）用高保真数据与机器学习反推、修正这个应力项。Duraisamy-Iaccarino-Xiao 的奠基综述（约 1550 次引用）系统化了"场反演 + 机器学习"范式Duraisamy et al. 2019 (ARFM)；它同时为量子机器学习方法提供了必须超越的经典基线。

闭包问题：RANS 的未完成方程

对 NS 做雷诺分解 $\mathbf{u}=\bar{\mathbf{u}}+{\mathbf{u}}^{\prime }$（$\overline{{\mathbf{u}}^{\prime }}=0$）并取平均，非线性项产生新未知量：

$${\partial }_t{\bar{u}}_i+{\bar{u}}_j{\partial }_j{\bar{u}}_i=-\frac{1}{\rho }{\partial }_i\bar{p}+\nu {\nabla }^2{\bar{u}}_i-\underset{\text{Reynolds 应力梯度}}{\underbrace{{\partial }_j\left(\overline{u_i^{\prime }{u}_j^{\prime }}\right)}}.$$

对称张量 $-\rho \overline{u_i^{\prime }{u}_j^{\prime }}$ 有 6 个独立分量——4 个方程、10 个未知量，未封闭。经典路线是 Boussinesq 涡粘假设：

$$-\overline{u_i^{\prime }{u}_j^{\prime }}=2{\nu }_t{\bar{S}}_{ij}-\frac{2}{3}k{\delta }_{ij},k=\frac{1}{2}\overline{u_i^{\prime }{u}_i^{\prime }},$$

把应力对齐到平均应变率（就像分子粘性那样），再用 $k$-$\epsilon$、Spalart-Allmaras、$k$-$\omega$-SST 等模型闭 ${\nu }_t$。缺陷是结构性的：真实湍流应力与应变率可以不对齐（回流、分离、曲率、旋转），涡粘假设天生失明——模型误差由此而来，其量化与传播是独立的一门学问（见Xiao & Cinnella 2019 (Prog. Aerosp. Sci.)的不确定性综述）。

图:Reynolds 应力各向异性的 Barycentric 三角形表示——三分量型(one/two/three-component)顶点与可实现区域,为 ML 修正提供几何约束(来源:QC077)

场反演 + 机器学习修正

Duraisamy 等人的核心方法论是两段式Duraisamy et al. 2019 (ARFM)：

1. 场反演（field inversion）：在涡粘模型里插入逐点修正乘子 $\beta (\mathbf{x})$（如 $-\overline{u_i^{\prime }{u}_j^{\prime }}=2\beta {\nu }_t{\bar{S}}_{ij}-\frac{2}{3}k{\delta }_{ij}$），用高保真数据（DNS/LES/实验）反问题求出使 RANS 重现数据的 $\beta$ 场——把”模型亏缺”变成可学习的数据；
2. 机器学习回归：用随机森林、神经网络等学 $\beta =f(\text{当地特征})$（速度梯度、压力梯度、距离壁面等不变量），得到可外推到新工况的闭包。

可实现性（realizability）约束保证修正后的应力张量在物理允许集合内（正半定、满足 Cauchy-Schwarz 不等式），Barycentric 三角形给出各向异性的几何坐标（上图）；随机矩阵采样等手段在特征空间内做扰动而非无约束回归。Ling 等的 Galilean 不变网络把不变量输入结构化进网络架构（下图），使闭包自动满足对称性Brunton et al. 2020 (ARFM)。

图:标准 NN vs Galilean 不变 Reynolds 应力网络(Ling et al. 2016)——后者按不变量基组织,自动满足伽利略协变性(来源:QC078)

与更宽的 ML×流体版图

Brunton-Noack-Koumoutsakos 的全景综述把闭包放进更大的地图：降阶建模（POD/自编码器）、稀疏识别（SINDy）、物理知情网络（PINN）、强化学习流动控制、超分辨率——监督/无监督/半监督范式各有位置Brunton et al. 2020 (ARFM)。

量子 ML 的经典对照

这一领域是量子机器学习 CFD 提案的”对照组”：量子核方法回归 Reynolds 应力修正、量子物理信息神经网络（QPINN）解湍流模型方程等提案（见 quantum-kernel-methods、quantum-pinn）都必须回答同一个问题——相对随机森林与经典网络，量子模型在数据获取昂贵、外推性要求高的闭包问题上有什么本质增益。版图与批判性评估见 qml-cfd-landscape；数据驱动方法的量子启发对偶见 tensor-network-fluids。

延伸阅读

• turbulence-simulation
• quantum-pinn
• quantum-kernel-methods
• qml-cfd-landscape
• tensor-network-fluids