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…...
AI-调查研究-01-正念冥想有用吗？对健康的影响及科学指南
点一下关注吧！！！非常感谢！！持续更新！！！ 🚀 AI篇持续更新中！（长期更新） 目前2025年06月05日更新到： AI炼丹日志-28 - Aud…...
反向工程与模型迁移：打造未来商品详情API的可持续创新体系
在电商行业蓬勃发展的当下，商品详情API作为连接电商平台与开发者、商家及用户的关键纽带，其重要性日益凸显。传统商品详情API主要聚焦于商品基本信息（如名称、价格、库存等）的获取与展示，已难以满足市场对个性化、智能…...
蓝牙 BLE 扫描面试题大全(2)：进阶面试题与实战演练
前文覆盖了 BLE 扫描的基础概念与经典问题蓝牙 BLE 扫描面试题大全(1)：从基础到实战的深度解析-CSDN博客，但实际面试中，企业更关注候选人对复杂场景的应对能力（如多设备并发扫描、低功耗与高发现率的平衡）和前沿技术的…...
1.3 VSCode安装与环境配置
进入网址Visual Studio Code - Code Editing. Redefined下载.deb文件，然后打开终端，进入下载文件夹，键入命令 sudo dpkg -i code_1.100.3-1748872405_amd64.deb 在终端键入命令code即启动vscode 需要安装插件列表 1.Chinese简化 2.ros …...
Python如何给视频添加音频和字幕
在Python中，给视频添加音频和字幕可以使用电影文件处理库MoviePy和字幕处理库Subtitles。下面将详细介绍如何使用这些库来实现视频的音频和字幕添加，包括必要的代码示例和详细解释。 环境准备 在开始之前，需要安装以下Python库：…...
3403. 从盒子中找出字典序最大的字符串 I
3403. 从盒子中找出字典序最大的字符串 I 题目链接：3403. 从盒子中找出字典序最大的字符串 I 代码如下： class Solution { public:string answerString(string word, int numFriends) {if (numFriends 1) {return word;}string res;for (int i 0;i &…...
Maven 概述、安装、配置、仓库、私服详解
目录 1、Maven 概述 1.1 Maven 的定义 1.2 Maven 解决的问题 1.3 Maven 的核心特性与优势 2、Maven 安装 2.1 下载 Maven 2.2 安装配置 Maven 2.3 测试安装 2.4 修改 Maven 本地仓库的默认路径 3、Maven 配置 3.1 配置本地仓库 3.2 配置 JDK 3.3 IDEA 配置本地 Ma…...
HDFS分布式存储 zookeeper
hadoop介绍 狭义上hadoop是指apache的一款开源软件 用java语言实现开源框架，允许使用简单的变成模型跨计算机对大型集群进行分布式处理（1.海量的数据存储 2.海量数据的计算）Hadoop核心组件 hdfs（分布式文件存储系统）&a…...
深度学习水论文：mamba＋图像增强
🧀当前视觉领域对高效长序列建模需求激增，对Mamba图像增强这方向的研究自然也逐渐火热。原因在于其高效长程建模，以及动态计算优势，在图像质量提升和细节恢复方面有难以替代的作用。 🧀因此短时间内，就有不…...
基于IDIG-GAN的小样本电机轴承故障诊断
目录 🔍 核心问题 一、IDIG-GAN模型原理 1. 整体架构 2. 核心创新点 (1) 梯度归一化（Gradient Normalization） (2) 判别器梯度间隙正则化（Discriminator Gradient Gap Regularization） (3) 自注意力机制（Self-Attention） 3. 完整损失函数 二…...