边界层气象：脉动量预报方程展开 | 湍流脉动速度方差预报方程 | 平均湍流动能收支方程推导
写成分量形式
原始式子：
∂ u i ′ ∂ t + u ‾ j ∂ u i ′ ∂ x j + u j ′ ∂ u ‾ i ∂ x j + u j ′ ∂ u i ′ ∂ x j = − 1 ρ ‾ ⋅ ∂ p ′ ∂ x i + g θ v ′ θ ‾ v δ i 3 + f ϵ i j 3 u j ′ + v ∂ 2 u i ′ ∂ x j 2 + ∂ ( u i ′ u j ′ ‾ ) ∂ x j \begin{align*} \frac{\partial u_i'}{\partial t}+ \overline u_j\frac{\partial u_i'}{\partial x_j}+ u_j'\frac{\partial \overline u_i}{\partial x_j}+u_j'\frac{\partial u_i'}{\partial x_j}= -\frac{1}{\overline \rho}\cdot{ \frac{\partial p'}{\partial x_i}} +g\frac{\theta_v'}{\overline \theta_v}\delta_{i3} +f\epsilon_{ij3}u_j' +v\frac{\partial^2u_i'}{\partial x_j^2} +\frac{\partial (\overline {u_i'u_j'})}{\partial x_j} \end{align*} ∂t∂ui′+uj∂xj∂ui′+uj′∂xj∂ui+uj′∂xj∂ui′=−ρ1⋅∂xi∂p′+gθvθv′δi3+fϵij3uj′+v∂xj2∂2ui′+∂xj∂(ui′uj′)
x 方向：
∂ u ′ ∂ t + ( u ‾ ∂ u ′ ∂ x + v ‾ ∂ u ′ ∂ y + w ‾ ∂ u ′ ∂ z ) + ( u ′ ∂ u ‾ ∂ x + v ′ ∂ u ‾ ∂ y + w ′ ∂ u ‾ ∂ z ) + ( u ′ ∂ u ′ ∂ x + v ′ ∂ u ′ ∂ y + w ′ ∂ u ′ ∂ z ) = − 1 ρ ‾ ⋅ ∂ p ′ ∂ x + f v ′ + v ∂ 2 u ′ ∂ x 2 + v ∂ 2 u ′ ∂ y 2 + v ∂ 2 u ′ ∂ z 2 + ∂ ( u ′ u ′ ‾ ) ∂ x + ∂ ( u ′ v ′ ‾ ) ∂ y + ∂ ( u ′ w ′ ‾ ) ∂ z \begin{align*} \frac{\partial u'}{\partial t}+ (\overline u\frac{\partial u'}{\partial x}+ \overline v\frac{\partial u'}{\partial y}+ \overline w\frac{\partial u'}{\partial z})+ ( u'\frac{\partial \overline u}{\partial x}+ v'\frac{\partial \overline u}{\partial y}+ w'\frac{\partial \overline u}{\partial z} )+ ( u'\frac{\partial u'}{\partial x}+ v'\frac{\partial u'}{\partial y}+ w'\frac{\partial u'}{\partial z} )=\\ -\frac{1}{\overline \rho}\cdot{ \frac{\partial p'}{\partial x}}\\ +fv'\\ +v\frac{\partial^2u'}{\partial x^2}+ v\frac{\partial^2u'}{\partial y^2}+ v\frac{\partial^2u'}{\partial z^2}\\ +\frac{\partial (\overline {u'u'})}{\partial x}+ \frac{\partial (\overline {u'v'})}{\partial y}+ \frac{\partial (\overline {u'w'})}{\partial z} \end{align*} ∂t∂u′+(u∂x∂u′+v∂y∂u′+w∂z∂u′)+(u′∂x∂u+v′∂y∂u+w′∂z∂u)+(u′∂x∂u′+v′∂y∂u′+w′∂z∂u′)=−ρ1⋅∂x∂p′+fv′+v∂x2∂2u′+v∂y2∂2u′+v∂z2∂2u′+∂x∂(u′u′)+∂y∂(u′v′)+∂z∂(u′w′)
y 方向：
∂ v ′ ∂ t + ( u ‾ ∂ v ′ ∂ x + v ‾ ∂ v ′ ∂ y + w ‾ ∂ v ′ ∂ z ) + ( u ′ ∂ v ‾ ∂ x + v ′ ∂ v ‾ ∂ y + w ′ ∂ v ‾ ∂ z ) + ( u ′ ∂ v ′ ∂ x + v ′ ∂ v ′ ∂ y + w ′ ∂ v ′ ∂ z ) = − 1 ρ ‾ ⋅ ∂ p ′ ∂ y − f u ′ + v ∂ 2 v ′ ∂ x 2 + v ∂ 2 v ′ ∂ y 2 + v ∂ 2 v ′ ∂ z 2 + ∂ ( v ′ u ′ ‾ ) ∂ x + ∂ ( v ′ v ′ ‾ ) ∂ y + ∂ ( v ′ w ′ ‾ ) ∂ z \begin{align*} \frac{\partial v'}{\partial t}+ (\overline u\frac{\partial v'}{\partial x}+ \overline v\frac{\partial v'}{\partial y}+ \overline w\frac{\partial v'}{\partial z})+ ( u'\frac{\partial \overline v}{\partial x}+ v'\frac{\partial \overline v}{\partial y}+ w'\frac{\partial \overline v}{\partial z} )+ ( u'\frac{\partial v'}{\partial x}+ v'\frac{\partial v'}{\partial y}+ w'\frac{\partial v'}{\partial z} )=\\ -\frac{1}{\overline \rho}\cdot{ \frac{\partial p'}{\partial y}}\\ -fu'\\ +v\frac{\partial^2v'}{\partial x^2}+ v\frac{\partial^2v'}{\partial y^2}+ v\frac{\partial^2v'}{\partial z^2}\\ +\frac{\partial (\overline {v'u'})}{\partial x}+ \frac{\partial (\overline {v'v'})}{\partial y}+ \frac{\partial (\overline {v'w'})}{\partial z} \end{align*} ∂t∂v′+(u∂x∂v′+v∂y∂v′+w∂z∂v′)+(u′∂x∂v+v′∂y∂v+w′∂z∂v)+(u′∂x∂v′+v′∂y∂v′+w′∂z∂v′)=−ρ1⋅∂y∂p′−fu′+v∂x2∂2v′+v∂y2∂2v′+v∂z2∂2v′+∂x∂(v′u′)+∂y∂(v′v′)+∂z∂(v′w′)
z 方向：
∂ w ′ ∂ t + ( u ‾ ∂ w ′ ∂ x + v ‾ ∂ w ′ ∂ y + w ‾ ∂ w ′ ∂ z ) + ( u ′ ∂ w ‾ ∂ x + v ′ ∂ w ‾ ∂ y + w ′ ∂ w ‾ ∂ z ) + ( u ′ ∂ w ′ ∂ x + v ′ ∂ w ′ ∂ y + w ′ ∂ w ′ ∂ z ) = − 1 ρ ‾ ⋅ ∂ p ′ ∂ z + g θ v ′ θ ‾ v + v ∂ 2 w ′ ∂ x 2 + v ∂ 2 w ′ ∂ y 2 + v ∂ 2 w ′ ∂ z 2 + ∂ ( w ′ u ′ ‾ ) ∂ x + ∂ ( w ′ v ′ ‾ ) ∂ y + ∂ ( w ′ w ′ ‾ ) ∂ z \begin{align*} \frac{\partial w'}{\partial t}+ (\overline u\frac{\partial w'}{\partial x}+ \overline v\frac{\partial w'}{\partial y}+ \overline w\frac{\partial w'}{\partial z})+ ( u'\frac{\partial \overline w}{\partial x}+ v'\frac{\partial \overline w}{\partial y}+ w'\frac{\partial \overline w}{\partial z} )+ ( u'\frac{\partial w'}{\partial x}+ v'\frac{\partial w'}{\partial y}+ w'\frac{\partial w'}{\partial z} )=\\ -\frac{1}{\overline \rho}\cdot{ \frac{\partial p'}{\partial z}}\\ +g\frac{\theta_v'}{\overline \theta_v}\\ +v\frac{\partial^2w'}{\partial x^2}+ v\frac{\partial^2w'}{\partial y^2}+ v\frac{\partial^2w'}{\partial z^2}\\ +\frac{\partial (\overline {w'u'})}{\partial x}+ \frac{\partial (\overline {w'v'})}{\partial y}+ \frac{\partial (\overline {w'w'})}{\partial z} \end{align*} ∂t∂w′+(u∂x∂w′+v∂y∂w′+w∂z∂w′)+(u′∂x∂w+v′∂y∂w+w′∂z∂w)+(u′∂x∂w′+v′∂y∂w′+w′∂z∂w′)=−ρ1⋅∂z∂p′+gθvθv′+v∂x2∂2w′+v∂y2∂2w′+v∂z2∂2w′+∂x∂(w′u′)+∂y∂(w′v′)+∂z∂(w′w′)
湍流脉动速度方差得预报方程推导
对于原始式子
∂ u i ′ ∂ t + u ‾ j ∂ u i ′ ∂ x j + u j ′ ∂ u ‾ i ∂ x j + u j ′ ∂ u i ′ ∂ x j = − 1 ρ ‾ ⋅ ∂ p ′ ∂ x i + g θ v ′ θ ‾ v δ i 3 + f ϵ i j 3 u j ′ + v ∂ 2 u i ′ ∂ x j 2 + ∂ ( u i ′ u j ′ ‾ ) ∂ x j \begin{align*} \frac{\partial u_i'}{\partial t}+ \overline u_j\frac{\partial u_i'}{\partial x_j}+ u_j'\frac{\partial \overline u_i}{\partial x_j}+u_j'\frac{\partial u_i'}{\partial x_j}= -\frac{1}{\overline \rho}\cdot{ \frac{\partial p'}{\partial x_i}} +g\frac{\theta_v'}{\overline \theta_v}\delta_{i3} +f\epsilon_{ij3}u_j' +v\frac{\partial^2u_i'}{\partial x_j^2} +\frac{\partial (\overline {u_i'u_j'})}{\partial x_j} \end{align*} ∂t∂ui′+uj∂xj∂ui′+uj′∂xj∂ui+uj′∂xj∂ui′=−ρ1⋅∂xi∂p′+gθvθv′δi3+fϵij3uj′+v∂xj2∂2ui′+∂xj∂(ui′uj′)
在等式两边同时乘以 u i ′ u_i' ui′，根据微分的性质进行结合，类似
2 u i ′ ∂ u i ′ ∂ t = ∂ u i ′ 2 ∂ t 2u_i'\frac{\partial u_i'}{\partial t}=\frac{\partial u_i'^2}{\partial t} 2ui′∂t∂ui′=∂t∂ui′2
得到
∂ u i ′ 2 ∂ t + u ‾ j ∂ u ′ 2 ∂ x j + 2 u i ′ u j ′ ∂ u ‾ i ∂ x j + 2 u i ′ u j ′ ∂ u i ′ ∂ x j = − 2 u i ′ ρ ‾ ⋅ ∂ p ′ ∂ x i + 2 g θ v ′ θ ‾ v δ i j 3 u j ′ + 2 v u i ′ ∂ 2 u i ′ ∂ x j 2 + 2 u i ′ u i ′ u j ′ ‾ ∂ x j \begin{align*} \frac{\partial u_i'^2}{\partial t}+ \overline u_j\frac{\partial u'^2}{\partial x_j}+ 2u_i'u_j'\frac{\partial \overline u_i}{\partial x_j}+ 2u_i'u_j'\frac{\partial u_i'}{\partial x_j}=\\ -\frac{2u_i'}{\overline \rho}\cdot{ \frac{\partial p'}{\partial x_i}}\\ +2g\frac{\theta_v'}{\overline \theta_v}\delta_{ij3}u_j'\\ +2vu_i'\frac{\partial^2u_i'}{\partial x_j^2}\\ +2u_i'\frac{\overline{u_i'u_j'}}{\partial x_j} \end{align*} ∂t∂ui′2+uj∂xj∂u′2+2ui′uj′∂xj∂ui+2ui′uj′∂xj∂ui′=−ρ2ui′⋅∂xi∂p′+2gθvθv′δij3uj′+2vui′∂xj2∂2ui′+2ui′∂xjui′uj′
其中，左侧第四项可以表示为，其中右侧第二项的右半边为连续方程，其值为 0
2 u i ′ u j ′ ∂ u i ′ ∂ x j = ∂ ( u i ′ 2 u j ′ ) ∂ x j − u i ′ 2 ∂ u j ′ ∂ x j = ∂ ( u i ′ 2 u j ′ ) ∂ x j 【由连续方程 ∂ u j ′ ∂ x j = 0 】 2u_i'u_j'\frac{\partial u_i'}{\partial x_j}= \frac{\partial({{u_i'^2u_j'}})}{\partial x_j}- {u_i'}^2\frac{\partial u_j'}{\partial x_j}= \frac{\partial({{u_i'^2u_j'}})}{\partial x_j}【由连续方程\frac{\partial u_j'}{\partial x_j}=0】 2ui′uj′∂xj∂ui′=∂xj∂(ui′2uj′)−ui′2∂xj∂uj′=∂xj∂(ui′2uj′)【由连续方程∂xj∂uj′=0】
对于右侧第一项
− 2 u i ′ ρ ‾ ⋅ ∂ p ′ ∂ x i = − 2 ρ ‾ ( ∂ ( u i ′ p ′ ) ∂ x i − ∂ u i ′ ∂ x i p ′ ) , 其中右侧第二项为连续方程，为 0 -\frac{2u_i'}{\overline \rho}\cdot{ \frac{\partial p'}{\partial x_i}}=-\frac{2}{\overline \rho}(\frac{\partial (u_i'p')}{\partial x_i}-\frac{\partial u_i'}{\partial x_i}p'),其中右侧第二项为连续方程，为0 −ρ2ui′⋅∂xi∂p′=−ρ2(∂xi∂(ui′p′)−∂xi∂ui′p′),其中右侧第二项为连续方程，为0
因此有
− 2 u i ′ ρ ‾ ⋅ ∂ p ′ ∂ x i = − 2 ρ ‾ ⋅ ∂ ( u i ′ p ′ ) ∂ x i -\frac{2u_i'}{\overline \rho}\cdot{ \frac{\partial p'}{\partial x_i}}=-\frac{2}{\overline \rho}\cdot{ \frac{\partial (u_i'p')}{\partial x_i}} −ρ2ui′⋅∂xi∂p′=−ρ2⋅∂xi∂(ui′p′)
对于右侧第三项有
2 v u i ′ ∂ 2 u i ′ ∂ x j 2 = v ∂ 2 u i ′ 2 ∂ x j 2 − 2 v ( ∂ u i ′ ∂ x j ) 2 = v ∂ 2 u i ′ 2 ∂ x j 2 − 2 ϵ 2vu_i'\frac{\partial^2u_i'}{\partial x_j^2}= v\frac{\partial^2u_i'^2}{\partial x_j^2}-2v(\frac{\partial u_i'}{\partial x_j})^2=v\frac{\partial^2u_i'^2}{\partial x_j^2}-2\epsilon 2vui′∂xj2∂2ui′=v∂xj2∂2ui′2−2v(∂xj∂ui′)2=v∂xj2∂2ui′2−2ϵ
将上述式子代入后对取雷诺平均，同时忽略两个小项（ v ∂ 2 u i ′ 2 ‾ ∂ x j 2 , 2 u i ′ ∂ ( u i ′ u j ′ ) ‾ ∂ x j ‾ v\frac{\partial^2\overline{u_i^{'2}}}{\partial x_j^2},2\overline{u_i'\frac{\partial \overline{(u_i'u_j')}}{\partial x_j}} v∂xj2∂2ui′2,2ui′∂xj∂(ui′uj′)），得到
∂ u i ′ 2 ‾ ∂ t + u ‾ j ∂ u ′ 2 ‾ ∂ x j = − 2 ρ ‾ ⋅ ∂ ( u i ′ p ′ ) ‾ ∂ x i + 2 g θ ‾ v ( u i ′ θ v ′ ) ‾ δ i j 3 − 2 u i ′ u j ′ ‾ ∂ u i ‾ ∂ x j − ∂ ( u i ′ 2 u j ′ ‾ ) ∂ x j − 2 ϵ \begin{align*} \frac{\partial \overline {u_i'^2}}{\partial t}+ \overline u_j\frac{\partial \overline{u'^2}}{\partial x_j} =\\ -\frac{2}{\overline \rho}\cdot{ \frac{\partial\overline{(u_i'p')}}{\partial x_i}}\\ +2\frac{g}{\overline \theta_v}\overline{(u_i'\theta_v')}\delta_{ij3}\\ -2\overline{u_i'u_j'}\frac{\partial \overline{u_i}}{\partial x_j}\\ -\frac{\partial(\overline{{u_i'^2u_j'}})}{\partial x_j}\\ -2\epsilon \end{align*} ∂t∂ui′2+uj∂xj∂u′2=−ρ2⋅∂xi∂(ui′p′)+2θvg(ui′θv′)δij3−2ui′uj′∂xj∂ui−∂xj∂(ui′2uj′)−2ϵ
TKE 方程推导
将湍流脉动速度方差展开
写成分量形式 (将湍能耗散项放在了 x 方向，确保下方求和后只有 2 ϵ 2\epsilon 2ϵ)：
∂ u ′ 2 ‾ ∂ t + ∂ v ′ 2 ‾ ∂ t + ∂ w ′ 2 ‾ ∂ t + ( u ‾ ∂ u ′ 2 ‾ ∂ x + v ‾ ∂ u ′ 2 ‾ ∂ y + w ‾ ∂ u ′ 2 ‾ ∂ y ) + ( u ‾ ∂ v ′ 2 ‾ ∂ x + v ‾ ∂ v ′ 2 ‾ ∂ y + w ‾ ∂ v ′ 2 ‾ ∂ y ) + ( u ‾ ∂ v ′ 2 ‾ ∂ x + v ‾ ∂ v ′ 2 ‾ ∂ y + w ‾ ∂ v ′ 2 ‾ ∂ y ) = − 2 ρ ‾ ⋅ [ ∂ ( u ′ p ′ ) ‾ ∂ x + ∂ ( v ′ p ′ ) ‾ ∂ y + ∂ ( w ′ p ′ ) ‾ ∂ z ] + 2 g θ ‾ v ( w ′ θ v ′ ‾ ) − 2 ( u ′ u ′ ‾ ∂ u ‾ ∂ x + u ′ v ′ ‾ ∂ u ‾ ∂ y + u ′ w ′ ‾ ∂ u ‾ ∂ x + v ′ u ′ ‾ ∂ v ‾ ∂ z + v ′ v ′ ‾ ∂ v ‾ ∂ y + v ′ w ′ ‾ ∂ v ‾ ∂ z + w ′ u ′ ‾ ∂ w ‾ ∂ z + w ′ v ′ ‾ ∂ w ‾ ∂ y + w ′ w ′ ‾ ∂ w ‾ ∂ z ) − [ ∂ ( u ′ 2 u ′ ) ‾ ∂ x + ∂ ( u ′ 2 v ′ ‾ ) ∂ y + ∂ ( u ′ 2 w ′ ‾ ) ∂ z + ∂ ( v ′ 2 u ′ ) ‾ ∂ x + ∂ ( v ′ 2 v ′ ‾ ) ∂ y + ∂ ( v ′ 2 w ′ ‾ ) ∂ z + ∂ ( w ′ 2 u ′ ) ‾ ∂ x + ∂ ( w ′ 2 v ′ ‾ ) ∂ y + ∂ ( w ′ 2 w ′ ‾ ) ∂ z ] − 2 ϵ \begin{align*} \frac{\partial \overline{{u^{'}}^2}}{\partial t}+ \frac{\partial \overline{{v^{'}}^2}}{\partial t}+ \frac{\partial \overline{{w^{'}}^2}}{\partial t} \\ +(\overline u\frac{\partial \overline{{u^{'}}^2}}{\partial x}+ \overline v\frac{\partial \overline{{u^{'}}^2}}{\partial y}+ \overline w\frac{\partial \overline{{u^{'}}^2}}{\partial y})+(\overline u\frac{\partial \overline{{v^{'}}^2}}{\partial x}+ \overline v\frac{\partial \overline{{v^{'}}^2}}{\partial y}+ \overline w\frac{\partial \overline{{v^{'}}^2}}{\partial y})+ (\overline u\frac{\partial \overline{{v^{'}}^2}}{\partial x}+ \overline v\frac{\partial \overline{{v^{'}}^2}}{\partial y}+ \overline w\frac{\partial \overline{{v^{'}}^2}}{\partial y}) =\\ -\frac{2}{\overline \rho}\cdot{[ \frac{\partial\overline{(u'p')}}{\partial x}+ \frac{\partial\overline{(v'p')}}{\partial y}+ \frac{\partial\overline{(w'p')}}{\partial z}]}\\ +2\frac{g}{\overline \theta_v}(\overline {w'\theta_v^{'}})\\ -2(\overline{u'u'}\frac{\partial \overline u}{\partial x}+ \overline{u'v'}\frac{\partial \overline u}{\partial y}+ \overline{u'w'}\frac{\partial \overline u}{\partial x}+ \overline{v'u'}\frac{\partial \overline v}{\partial z}+ \overline{v'v'}\frac{\partial \overline v}{\partial y}+ \overline{v'w'}\frac{\partial \overline v}{\partial z}+ \overline{w'u'}\frac{\partial \overline w}{\partial z}+ \overline{w'v'}\frac{\partial \overline w}{\partial y}+ \overline{w'w'}\frac{\partial \overline w}{\partial z})\\ -[\frac{\partial (\overline{{u^{'}}^2u')}}{\partial x}+ \frac{\partial (\overline{{u^{'}}^2v'})}{\partial y}+ \frac{\partial (\overline{{u^{'}}^2w'})}{\partial z}+ \frac{\partial (\overline{{v^{'}}^2u')}}{\partial x}+ \frac{\partial (\overline{{v^{'}}^2v'})}{\partial y}+ \frac{\partial (\overline{{v^{'}}^2w'})}{\partial z}+ \frac{\partial (\overline{{w^{'}}^2u')}}{\partial x}+ \frac{\partial (\overline{{w^{'}}^2v'})}{\partial y}+ \frac{\partial (\overline{{w^{'}}^2w'})}{\partial z}] \\ -2\epsilon \end{align*} ∂t∂u′2+∂t∂v′2+∂t∂w′2+(u∂x∂u′2+v∂y∂u′2+w∂y∂u′2)+(u∂x∂v′2+v∂y∂v′2+w∂y∂v′2)+(u∂x∂v′2+v∂y∂v′2+w∂y∂v′2)=−ρ2⋅[∂x∂(u′p′)+∂y∂(v′p′)+∂z∂(w′p′)]+2θvg(w′θv′)−2(u′u′∂x∂u+u′v′∂y∂u+u′w′∂x∂u+v′u′∂z∂v+v′v′∂y∂v+v′w′∂z∂v+w′u′∂z∂w+w′v′∂y∂w+w′w′∂z∂w)−[∂x∂(u′2u′)+∂y∂(u′2v′)+∂z∂(u′2w′)+∂x∂(v′2u′)+∂y∂(v′2v′)+∂z∂(v′2w′)+∂x∂(w′2u′)+∂y∂(w′2v′)+∂z∂(w′2w′)]−2ϵ
将 (1)除以 1/2，整理后得到 (2)
1 2 [ ∂ ( u ′ 2 ‾ + v ′ 2 ‾ + w ′ 2 ‾ ) ∂ t u ‾ ∂ ( u ′ 2 ‾ + v ′ 2 ‾ + w ′ 2 ‾ ) ∂ x + v ‾ ∂ ( u ′ 2 ‾ + v ′ 2 ‾ + w ′ 2 ‾ ) ∂ y + w ‾ ∂ ( u ′ 2 ‾ + v ′ 2 ‾ + w ′ 2 ‾ ) ∂ z ] = − 1 ρ ‾ ⋅ [ ∂ ( u ′ p ′ ) ‾ ∂ x + ∂ ( v ′ p ′ ) ‾ ∂ y + ∂ ( w ′ p ′ ) ‾ ∂ z ] + g θ ‾ v ( w ′ θ v ′ ‾ ) − ( u ′ u ′ ‾ ∂ u ‾ ∂ x + u ′ v ′ ‾ ∂ u ‾ ∂ y + u ′ w ′ ‾ ∂ u ‾ ∂ x + v ′ u ′ ‾ ∂ v ‾ ∂ z + v ′ v ′ ‾ ∂ v ‾ ∂ y + v ′ w ′ ‾ ∂ v ‾ ∂ z + w ′ u ′ ‾ ∂ w ‾ ∂ z + w ′ v ′ ‾ ∂ w ‾ ∂ y + w ′ w ′ ‾ ∂ w ‾ ∂ z ) − 1 2 [ ∂ u ′ ( u ′ 2 + v ′ 2 + w ′ 2 ) ‾ ∂ x + 1 2 [ ∂ v ′ ( u ′ 2 + v ′ 2 + w ′ 2 ) ‾ ∂ y + 1 2 [ ∂ w ′ ( u ′ 2 + v ′ 2 + w ′ 2 ) ‾ ∂ z ] − ϵ \begin{align*} \frac{1}{2}[ \frac{\partial (\overline {{u'}^2}+\overline {{v'}^2}+\overline {{w'}^2})}{\partial t}\\ \overline{u}\frac{\partial (\overline {{u'}^2}+\overline {{v'}^2}+\overline {{w'}^2})}{\partial x}+ \overline{v}\frac{\partial (\overline {{u'}^2}+\overline {{v'}^2}+\overline {{w'}^2})}{\partial y}+ \overline{w}\frac{\partial (\overline {{u'}^2}+\overline {{v'}^2}+\overline {{w'}^2})}{\partial z} ]=\\ -\frac{1}{\overline \rho}\cdot{[ \frac{\partial\overline{(u'p')}}{\partial x}+ \frac{\partial\overline{(v'p')}}{\partial y}+ \frac{\partial\overline{(w'p')}}{\partial z}]}\\ +\frac{g}{\overline \theta_v}(\overline {w'\theta_v^{'}})\\ -(\overline{u'u'}\frac{\partial \overline u}{\partial x}+ \overline{u'v'}\frac{\partial \overline u}{\partial y}+ \overline{u'w'}\frac{\partial \overline u}{\partial x}+ \overline{v'u'}\frac{\partial \overline v}{\partial z}+ \overline{v'v'}\frac{\partial \overline v}{\partial y}+ \overline{v'w'}\frac{\partial \overline v}{\partial z}+ \overline{w'u'}\frac{\partial \overline w}{\partial z}+ \overline{w'v'}\frac{\partial \overline w}{\partial y}+ \overline{w'w'}\frac{\partial \overline w}{\partial z})-\\ \frac{1}{2}[\frac {\partial \overline{ {u'}({{u'}^2}+ {{v'}^2}+{{w'}^2})}}{\partial x}+ \frac{1}{2}[\frac {\partial \overline{ {v'}({{u'}^2}+ {{v'}^2}+{{w'}^2})}}{\partial y}+ \frac{1}{2}[\frac {\partial \overline{ {w'}({{u'}^2}+ {{v'}^2}+{{w'}^2})}}{\partial z} ]- \epsilon \end{align*} 21[∂t∂(u′2+v′2+w′2)u∂x∂(u′2+v′2+w′2)+v∂y∂(u′2+v′2+w′2)+w∂z∂(u′2+v′2+w′2)]=−ρ1⋅[∂x∂(u′p′)+∂y∂(v′p′)+∂z∂(w′p′)]+θvg(w′θv′)−(u′u′∂x∂u+u′v′∂y∂u+u′w′∂x∂u+v′u′∂z∂v+v′v′∂y∂v+v′w′∂z∂v+w′u′∂z∂w+w′v′∂y∂w+w′w′∂z∂w)−21[∂x∂u′(u′2+v′2+w′2)+21[∂y∂v′(u′2+v′2+w′2)+21[∂z∂w′(u′2+v′2+w′2)]−ϵ 由平均湍流动能表达式 (3)
e ‾ = 1 2 ( u ′ 2 ‾ + v ′ 2 ‾ + w ′ 2 ‾ ) \overline e=\frac{1}{2}(\overline {{u'}^2}+\overline {{v'}^2}+\overline {{w'}^2}) e=21(u′2+v′2+w′2)
由于 u, v, w 三者是独立的，因此对平均湍流动能得偏导数等于 u ′ 2 ‾ , v ′ 2 ‾ , w ′ 2 ‾ \overline {{u'}^2},\overline {{v'}^2},\overline {{w'}^2} u′2,v′2,w′2 各自的偏导数之和除以 2，因此将该式代入 (2) 中得到
∂ e ‾ ∂ t + u ‾ ∂ e ‾ ∂ x + v ‾ ∂ e ‾ ∂ y + w ‾ ∂ e ‾ ∂ z = − 1 ρ ‾ ⋅ [ ∂ ( u ′ p ′ ) ‾ ∂ x + ∂ ( v ′ p ′ ) ‾ ∂ y + ∂ ( w ′ p ′ ) ‾ ∂ z ] + g θ ‾ v ( w ′ θ v ′ ‾ ) − ( u ′ u ′ ‾ ∂ u ‾ ∂ x + u ′ v ′ ‾ ∂ u ‾ ∂ y + u ′ w ′ ‾ ∂ u ‾ ∂ x + v ′ u ′ ‾ ∂ v ‾ ∂ z + v ′ v ′ ‾ ∂ v ‾ ∂ y + v ′ w ′ ‾ ∂ v ‾ ∂ z + w ′ u ′ ‾ ∂ w ‾ ∂ z + w ′ v ′ ‾ ∂ w ‾ ∂ y + w ′ w ′ ‾ ∂ w ‾ ∂ z ) − [ ∂ ( u ′ e ) ‾ ∂ x + ∂ ( v ′ e ) ‾ ∂ y + ∂ ( w ′ e ) ‾ ∂ z ] − ϵ \begin{align*} \frac{\partial \overline e}{\partial t}+ \overline{u}\frac{\partial \overline e}{\partial x}+ \overline{v}\frac{\partial \overline e}{\partial y}+ \overline{w}\frac{\partial \overline e}{\partial z} =\\ -\frac{1}{\overline \rho}\cdot{[ \frac{\partial\overline{(u'p')}}{\partial x}+ \frac{\partial\overline{(v'p')}}{\partial y}+ \frac{\partial\overline{(w'p')}}{\partial z}]}\\ +\frac{g}{\overline \theta_v}(\overline {w'\theta_v^{'}})\\ -(\overline{u'u'}\frac{\partial \overline u}{\partial x}+ \overline{u'v'}\frac{\partial \overline u}{\partial y}+ \overline{u'w'}\frac{\partial \overline u}{\partial x}+ \overline{v'u'}\frac{\partial \overline v}{\partial z}+ \overline{v'v'}\frac{\partial \overline v}{\partial y}+ \overline{v'w'}\frac{\partial \overline v}{\partial z}+ \overline{w'u'}\frac{\partial \overline w}{\partial z}+ \overline{w'v'}\frac{\partial \overline w}{\partial y}+ \overline{w'w'}\frac{\partial \overline w}{\partial z})\\ -[\frac{\partial \overline {(u' e)}}{\partial x}+ \frac{\partial \overline {(v' e)}}{\partial y}+ \frac{\partial \overline {(w' e)}}{\partial z} ]-\epsilon\\ \end{align*} ∂t∂e+u∂x∂e+v∂y∂e+w∂z∂e=−ρ1⋅[∂x∂(u′p′)+∂y∂(v′p′)+∂z∂(w′p′)]+θvg(w′θv′)−(u′u′∂x∂u+u′v′∂y∂u+u′w′∂x∂u+v′u′∂z∂v+v′v′∂y∂v+v′w′∂z∂v+w′u′∂z∂w+w′v′∂y∂w+w′w′∂z∂w)−[∂x∂(u′e)+∂y∂(v′e)+∂z∂(w′e)]−ϵ
即
∂ e ‾ ∂ t + u j ‾ ∂ e ‾ ∂ x j = − 1 ρ ‾ ⋅ ∂ ( u i ′ p ′ ) ‾ ∂ x i + g θ ‾ v ( u i ′ θ v ′ ‾ ) δ i 3 − u i ′ u j ′ ‾ ∂ u i ‾ ∂ x j − ∂ ( u j ′ e ) ‾ ∂ x j − ϵ \begin{align*} \frac{\partial \overline e}{\partial t}+ \overline{u_j}\frac{\partial \overline e}{\partial x_j} =\\ -\frac{1}{\overline \rho}\cdot{ \frac{\partial\overline{(u_i'p')}}{\partial x_i} }\\ +\frac{g}{\overline \theta_v}(\overline {u_i'\theta_v^{'}})\delta_{i3}\\ -\overline{u_i'u_j'}\frac{\partial \overline {u_i}}{\partial x_j} \\ -\frac{\partial \overline {(u_j' e)}}{\partial x_j}\\ -\epsilon\\ \end{align*} ∂t∂e+uj∂xj∂e=−ρ1⋅∂xi∂(ui′p′)+θvg(ui′θv′)δi3−ui′uj′∂xj∂ui−∂xj∂(uj′e)−ϵ
相关文章：
边界层气象：脉动量预报方程展开 | 湍流脉动速度方差预报方程 | 平均湍流动能收支方程推导
写成分量形式 原始式子： ∂ u i ′ ∂ t u ‾ j ∂ u i ′ ∂ x j u j ′ ∂ u ‾ i ∂ x j u j ′ ∂ u i ′ ∂ x j − 1 ρ ‾ ⋅ ∂ p ′ ∂ x i g θ v ′ θ ‾ v δ i 3 f ϵ i j 3 u j ′ v ∂ 2 u i ′ ∂ x j 2 ∂ ( u i ′ u j ′ ‾ ) ∂ x j…...
TOSUN同星TsMaster使用入门——2、使用TS发送报文，使用graphics分析数据等
在第一章里面已经介绍了关于同星工程的创建和最基础的总线分析，接下来看看怎么使用TS发送报文以及图形化分析数据。 目录 一、使用Graphics分析报文信号/变量（对标CANoe Graphics） 二、使用数值窗口统计信号值/变量 三、使用TS发送报文 3…...
【操作系统】实验七：显示进程列表
实验7 显示进程列表 练习目的：编写一个模块，将它作为Linux内核空间的扩展来执行，并报告模块加载时内核的当前进程信息，进一步了解用户空间和内核空间的概念。 7.1 进程 进程是任何多道程序设计的操作系统中的基本概念。为了管理…...
day10 电商系统后台API——接口测试（使用postman）
【没有所谓的运气🍬，只有绝对的努力✊】 目录 实战项目简介： 1、用户管理（8个） 1.1 登录 1.2 获取用户数据列表 1.3 创建用户 1.4 修改用户状态 1.5 根据id查询用户 1.6 修改用户信息 1.7 删除单个用户 1.8 …...
JavaScript ES6+ 语法速通
一、ES6 基础语法 1. let 和 const 声明变量 let：块级作用域，可以重新赋值。const：块级作用域，声明常量，不能重新赋值。 let name Li Hua; name Li Ming; // 可修改const age 21; // age 22; // 报错࿰…...
移动端h5自适应rem适配最佳方案
网页开发中，我们常用的单位有如下几个： px：像素固定，无法适配各分辨率的移动设备em: 该单位受父容器影响，大小为父元素的倍数rem: 因为html根元素大小为16px，所以默认 1rem 16px，rem只受根元素…...
2024年使用 Cython 加速 Python 的一些简单步骤
文章结尾有最新热度的文章，感兴趣的可以去看看。 本文是经过严格查阅相关权威文献和资料，形成的专业的可靠的内容。全文数据都有据可依，可回溯。特别申明：数据和资料已获得授权。本文内容，不涉及任何偏颇观点，用中立态度客观事实描述事情本身 文章有点长，期望您能坚持看…...
EasyExcel设置表头上面的那种大标题（前端传递来的大标题）
1、首先得先引用easyExcel的版本依赖，我那 <dependency><groupId>com.alibaba</groupId><artifactId>easyexcel</artifactId><version>2.2.6</version> </dependency> 2、然后得弄直接的实体类，&…...
【Linux网络编程】第十弹---打造初级网络计算器：从协议设计到服务实现
✨个人主页： 熬夜学编程的小林 💗系列专栏： 【C语言详解】 【数据结构详解】【C详解】【Linux系统编程】【Linux网络编程】 目录 1、Protocol.hpp 1.1、Request类 1.1.1、基本结构 1.1.2、构造析构函数 1.1.3、序列化函数 1.1.4、反…...
无限弹窗？无限重启？
Windows开机自启目录： "%USERPROFILE%\AppData\Roaming\Microsoft\windows\StartMenu\Programs\Startup" 基于这个和 start 命令， shutdown 命令， 编写 bat 病毒程序。 无限弹窗 echo start cmd > hack.txt echo %0 >>…...
深入详解人工智能机器学习常见算法中的K-means聚类
目录 引言 1. K-means聚类的基本概念 1.1 K-means聚类的定义 1.2 K-means聚类的核心思想 1.3 K-means聚类的目标函数 2. K-means聚类的核心原理 2.1 初始化 2.2 分配 2.3 更新 2.4 迭代 3. K-means聚类的具体实现 3.1 K-means聚类的算法流程 3.2 K-means聚类的Pyt…...
lc146LRU缓存——模仿LinkedHashMap
146. LRU 缓存 - 力扣（LeetCode） 法1： 调用java现有的LinkedHashMap的方法，但不太理解反正都不需要扩容，super(capacity, 1F, true);不行吗，干嘛还弄个装载因子0.75还中途扩容一次浪费时间。 class LRUC…...
全面深入解析：C语言动态库
引言 动态库（Dynamic Library）是现代软件开发中不可或缺的一部分，它们不仅提高了代码的重用性和维护性，还显著提升了系统的性能和资源利用率。本文将全面探讨C语言中的动态库，从基础概念到高级应用，通过丰…...
运用 SSM 实现垃圾分类系统智能化升级
目 录 摘 要 1 前 言 3 第1章 概述 4 1.1 研究背景 4 1.2 研究目的 4 1.3 研究内容 4 第二章 开发技术介绍 5 2.1Java技术 6 2.2 Mysql数据库 6 2.3 B/S结构 7 2.4 SSM框架 8 第三章 系统分析 9 3.1 可行性分析 9 3.1.1 技术可行性 9 3.1.2 经济可行性 10 3.1.3 操作可行性 10 …...
LeNet-5：深度学习与卷积神经网络的里程碑
目录 编辑 引言 LeNet-5的结构与原理 输入层 C1层：卷积层 S2层：池化层 C3层：卷积层 S4层：池化层 C5层：卷积层 F6层：全连接层 输出层 LeNet-5的算法基础 LeNet-5的优点 LeNet-5的现代应用 …...
从资产流动分析WIF市场潜力X.game深究其他未知因素
近日，两则关于WIF最新消息引起了投资者们的注意。据报道，11月28日Vintermute在过去13小时内累计从Binance交易所提取了价值533万美元的WIF，此举不仅彰显了其强大的资金实力，更在某种程度上推动了WIF币价的反弹；另一方面…...
深入解析Vue3响应式系统：从Proxy实现到依赖收集的核心原理
深入解析Vue3响应式系统：从Proxy实现到依赖收集的核心原理 响应式系统的基本原理 作为一个热门的JavaScript框架，Vue在3.x版本中引入了基于Proxy的响应式系统。这个系统的核心思想是利用Proxy对象拦截对数据的访问和修改，从而实现数据的自动更…...
FPGA实现GTP光口数据回环传输，基于Aurora 8b/10b编解码架构，提供2套工程源码和技术支持
目录 1、前言工程概述免责声明 2、相关方案推荐我已有的所有工程源码总目录----方便你快速找到自己喜欢的项目我这里已有的 GT 高速接口解决方案 3、工程详细设计方案工程设计原理框图用户数据发送模块基于GTP高速接口的数据回环传输架构GTP IP 简介GTP 基本结构GTP 发送和接收…...
Linux网络 UDP socket
背景知识 我们知道， IP 地址用来标识互联网中唯一的一台主机， port 用来标识该主机上唯一的一个网络进程，IPPort 就能表示互联网中唯一的一个进程。所以通信的时候，本质是两个互联网进程代表人来进行通信，{srcIp&…...
如何持续优化呼叫中心大模型呼入机器人的性能？
如何持续优化呼叫中心大模型呼入机器人的性能？ 原作者：开源呼叫中心FreeIPCC，其Github：https://github.com/lihaiya/freeipcc 持续优化呼叫中心大模型呼入机器人的性能是一个复杂而细致的过程，它涉及到数据、模型结构…...
【Axure高保真原型】引导弹窗
今天和大家中分享引导弹窗的原型模板，载入页面后，会显示引导弹窗，适用于引导用户使用页面，点击完成后，会显示下一个引导弹窗，直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…...
生成xcframework
打包 XCFramework 的方法 XCFramework 是苹果推出的一种多平台二进制分发格式，可以包含多个架构和平台的代码。打包 XCFramework 通常用于分发库或框架。 使用 Xcode 命令行工具打包 通过 xcodebuild 命令可以打包 XCFramework。确保项目已经配置好需要支持的平台…...
SCAU期末笔记 - 数据分析与数据挖掘题库解析
这门怎么题库答案不全啊日 来简单学一下子来 一、选择题（可多选） 将原始数据进行集成、变换、维度规约、数值规约是在以下哪个步骤的任务?(C) A. 频繁模式挖掘 B.分类和预测 C.数据预处理 D.数据流挖掘 A. 频繁模式挖掘：专注于发现数据中…...
电脑插入多块移动硬盘后经常出现卡顿和蓝屏
当电脑在插入多块移动硬盘后频繁出现卡顿和蓝屏问题时，可能涉及硬件资源冲突、驱动兼容性、供电不足或系统设置等多方面原因。以下是逐步排查和解决方案： 1. 检查电源供电问题 问题原因：多块移动硬盘同时运行可能导致USB接口供电不足&#x…...
【快手拥抱开源】通过快手团队开源的 KwaiCoder-AutoThink-preview 解锁大语言模型的潜力
引言： 在人工智能快速发展的浪潮中，快手Kwaipilot团队推出的 KwaiCoder-AutoThink-preview 具有里程碑意义——这是首个公开的AutoThink大语言模型（LLM）。该模型代表着该领域的重大突破，通过独特方式融合思考与非思考…...
如何在看板中有效管理突发紧急任务
在看板中有效管理突发紧急任务需要：设立专门的紧急任务通道、重新调整任务优先级、保持适度的WIP（Work-in-Progress）弹性、优化任务处理流程、提高团队应对突发情况的敏捷性。其中，设立专门的紧急任务通道尤为重要，这能…...
智能仓储的未来：自动化、AI与数据分析如何重塑物流中心
当仓库学会“思考”，物流的终极形态正在诞生 想象这样的场景： 凌晨3点，某物流中心灯火通明却空无一人。AGV机器人集群根据实时订单动态规划路径；AI视觉系统在0.1秒内扫描包裹信息；数字孪生平台正模拟次日峰值流量压力…...
企业如何增强终端安全？
在数字化转型加速的今天，企业的业务运行越来越依赖于终端设备。从员工的笔记本电脑、智能手机，到工厂里的物联网设备、智能传感器，这些终端构成了企业与外部世界连接的 “神经末梢”。然而，随着远程办公的常态化和设备接入的爆炸式…...
网站指纹识别
网站指纹识别 网站的最基本组成：服务器（操作系统）、中间件（web容器）、脚本语言、数据厍 为什么要了解这些？举个例子：发现了一个文件读取漏洞，我们需要读/etc/passwd，如…...
【无标题】路径问题的革命性重构：基于二维拓扑收缩色动力学模型的零点隧穿理论
路径问题的革命性重构：基于二维拓扑收缩色动力学模型的零点隧穿理论 一、传统路径模型的根本缺陷 在经典正方形路径问题中（图1）： mermaid graph LR A((A)) --- B((B)) B --- C((C)) C --- D((D)) D --- A A -.- C[无直接路径] B -…...