圧縮性乱流モデリング — 先端技術と研究動向

大きく3つの方向性があるよ。DNS（直接数値シミュレーション）による物理解明、機械学習を活用した乱流モデル改良、そして壁モデルLES（WMLES）の高精度化だ。

近年のスパコンの発展で、圧縮性乱流チャネル流れの $Re_\tau \sim 1000$、$M_{bulk} \sim 4$ のDNSが可能になった。これにより、Morkovinの仮説（密度変動が乱流構造に直接影響しないという近似）の適用限界が明らかになりつつある。

DNSの結果、$M > 3$ 程度でこの仮説が破綻し始めることが分かっている。つまり高マッハ数壁乱流では、従来の圧縮性変換（Van Driest変換）だけでは不十分なんだ。

そのとおり。最近提案されたTrettel-Larsson変換は、温度変動と密度変動を考慮した改良版で、$M \sim 5$ まで有効とされている。

Physics-Informed Neural Network（PINN）やNeural ODE を使って、RANSモデルの圧縮性補正項を学習させる研究が活発だ。DNSデータから直接Reynolds応力テンソルの異方性を学習させるアプローチ（Tensor Basis Neural Network, TBNN）もある。

ただし課題もある。学習データの範囲外への汎化性能や、物理的な実現可能性条件（Schumann三角形の制約）を満たすかどうかの保証が難しい。現時点では「モデル係数のチューニング支援」レベルが最も実用的だね。

高レイノルズ数の圧縮性壁乱流を解く場合、LESの格子コストは $Re^{13/7}$ にスケールする。これは工学的な $Re \sim 10^7$ では現実的ではない。そこでWMLESが重要になる。

そう。壁面近傍（$y^+ < 50$ 程度）を代数的壁モデルやODE壁モデルで置き換えて、外層のみLESで解く。圧縮性WMLESでは壁面摩擦の温度依存性と圧力勾配効果の両方を考慮する必要がある。最近のiWMLES（integrated WMLES）では、壁面応力を壁法則からではなくRANS方程式の薄層近似から求めるアプローチが有望とされている。

GPUコンピューティングの発展とモデルの改良で、2030年頃にはWMLESが設計ツールとして実用的になると期待されているよ。NASAの「CFD Vision 2030」でもWMLESの実用化が重要目標に掲げられているんだ。