LESの基礎理論 -- 先端技術と研究動向

陰的LES（ILES, Implicit LES）のことだね。数値スキームの持つ数値散逸をSGSモデルの代わりとして利用する手法だ。MONOTONE（単調性保存）スキームやFlux-Corrected Transport（FCT）の散逸がSGSモデルの役割を果たすという考え方で、Borisらが提唱した。

数値散逸の大きさがスキームとメッシュに依存するため、解の品質保証が難しいことが最大の課題だ。どの程度の散逸がSGSとして適切かを制御できない。とはいえ、高解像度計算では実質的にILESに近い状態になることも多く、実用上は有用な場面もある。

圧縮性LESではFavre平均（密度重み付きフィルタリング）を使う。Favre filtered量を $\tilde{\phi} = \overline{\rho \phi}/\bar{\rho}$ と定義して、圧縮性のフィルタ済みNavier-Stokes方程式を導出するんだ。SGSエネルギー方程式やSGS熱流束のモデルも必要になるから、非圧縮の場合よりも定式化が複雑になる。

航空宇宙分野ではジェット騒音予測が代表的だね。NASAやJAXAでは圧縮性LESによるジェット騒音の予測研究が盛んに行われている。また、燃焼分野ではガスタービン燃焼器のLES（反応性LES）が実用レベルに達しつつある。

最近の研究ではより厳密な品質評価手法が提案されている。

• Pope基準: 分解された乱流エネルギーが全体の80%以上（$M > 0.8$）であること
• Celikの LES_IQ: $LES\_IQ = \frac{1}{1 + 0.05(\nu_{eff}/\nu)^{0.53}}$ で計算する指標
• Richardson外挿による格子収束評価: 系統的な格子細分化による不確かさ定量化
• 構造関数によるスケール解析: 2次構造関数 $D_{LL}(r) = \langle (u(x+r) - u(x))^2 \rangle$ の解析

大きく影響している。特に注目されているのはニューラルネットワークによるSGSモデリングだ。DNSデータを教師データとして、従来のSGSモデルよりも高精度なクロージャーモデルを学習させる研究が活発に行われている。他にも、

• Physics-Informed Neural Networks (PINN): 支配方程式を損失関数に組み込んだ学習
• 超解像（Super-Resolution）: 粗いLES結果からDNS相当の詳細を復元
• 壁面モデルへのML適用: 壁面応力の予測にニューラルネットワークを使用

などの研究が進んでいるよ。ただし、学習データの範囲外への汎化性能（generalizability）が最大の課題として残っているんだ。

うん。ただし、物理的な理解なしにブラックボックスで使うと痛い目を見る可能性がある。基礎理論をしっかり理解した上で、新しいツールとして活用していくことが大切だよ。