数据时代的边界层过渡：从综合数据集到细粒度预测

层流到湍流的过渡仍是流体力学中的一个基本且持久的挑战。其复杂性源于其内在的非线性特性以及对外部扰动的极端敏感性。这种过渡在航空航天、海洋工程、地球流体动力学和能源系统等广泛应用中至关重要。虽然支配方程可由纳姆-史托克方程良好描述，但实际预测努力常因缺乏对扰动初始化和湍流生成的综合模型而受限。为解决由不可预见环境扰动引入的不确定性，我们提出了一个精确预测过渡位置的细粒度预测框架。该框架使用非线性抛物线稳定方程（NPSE）生成大量数据集。对通用零压力梯度平板边界层流动进行 NPSE 模拟，随机指定广泛范围的初始条件， resulting in 一个包含三种典型过渡路径（Type-K、-H 和 -O）的大型数据集，捕捉不稳定波在非线性演化过程中的行为。从 3000 个模拟案例中，我们提取诊断量（如壁面压力信号和皮肤摩擦系数），构建特征集，将过渡前的流动特征与过渡发生位置关联。系统评估了机器学习模型，其中集成方法——特别是 XGBoost——显示出卓越的预测精度（平均相对误差约为 0.001）。与当前方法（如 N 因子、过渡湍流模型）相比，该方法考虑了物理过程，无需依赖任何经验参数即可实现过渡预测。