衝撃波-境界層干渉 — 非定常現象と先端研究

本当だよ。SBLIの非定常性は二つの周波数帯に分けられる。高周波成分は上流境界層内の乱流構造に起因するもので、$St = fL/U_{\infty} \sim O(1)$ 程度。低周波成分は衝撃波全体が前後に動く現象で、$St \sim O(0.01-0.05)$ と非常にゆっくりした振動だ。

これは長年の議論の的で、二つの仮説がある。一つ目は上流メカニズム説で、上流境界層内の大規模構造（superstructures）が衝撃波位置を変動させるという考え。二つ目は下流メカニズム説で、剥離バブル内の循環流が不安定性を持ち、それが衝撃波にフィードバックするという考えだ。

最近のDNS研究（Priebe & Martin, 2012; Pasquariello et al., 2017）では、両方のメカニズムが関与しているという見方が主流になってきている。低周波振動の振幅は壁面圧力変動の20-30%に達することもあるから、構造の疲労設計には大きなインパクトがある。

現時点ではまだ低Reynolds数（$Re_{\delta} \sim O(10^4)$）に限られるけど、メカニズムの理解には極めて有用だ。代表的な成果を紹介しよう。

2D翼型の遷音速SBLIなら、スパン方向周期境界で50-100Mセル程度。3D形状の場合は数億セルになるから、HPCクラスタが必須だ。計算時間は数万〜数十万コア時間のオーダーだよ。

活発に研究されているよ。主な応用は以下の三つだ。

1. RANS乱流モデルの補正: RANSの剥離予測精度をDNS/LESデータで学習した補正項で改善する。Ling et al. (2016)のランダムフォレストによる渦粘性補正が先駆的だ

2. 壁面圧力予測のサロゲートモデル: 設計パラメータ（マッハ数、衝撃波角度、Reynolds数）から壁面圧力分布を即座に予測するニューラルネットワーク

3. 非定常荷重の統計予測: LESの大量データからPOD（固有直交分解）で基底を抽出し、低次元モデルで非定常荷重を推算

Fluent 2024R1以降ではUDF（User Defined Function）を通じて機械学習モデルをソルバーに組み込むフレームワークが整備されてきている。ただし、学習データの範囲外への外挿には慎重でなければいけないよ。