[论文综述] 不解 Poisson 也能算两相流 —— 通用压力方程与 MSTACS 的完全显式耦合

LBM、ACM、EDAC、GPE —— 不解压力 Poisson 方程而模拟不可压流的四条分支路径。Bodhanwalla、Raghunathan、Sudhakar(2025)选了最后一条,把它推进到两相流。他们还把更锐利的代数 VOF 方案 MSTACS 与算子分裂组合,造出一个零线性求解器调用的完全显式求解器。在密度比 1000:1 下也能跑,秘诀是把压力方程保持为双曲型并嵌入一个人工声速。

论文信息#

作者:H. Bodhanwalla, D. Raghunathan, Y. Sudhakar
单位:IIT Goa, School of Mechanical Sciences
期刊:Computers & Fluids (2025)
题目:A general pressure equation based method for incompressible two-phase flows
关键词:general pressure equation, VOF, MSTACS, operator-split, weakly compressible

"舍弃 Poisson" 的四种方法对比矩阵#

方法	压力方程性质	两相适用	内存	并行效率
LBM	速度分布函数求和	大密度比下不稳定	大(Q19/Q27)	优秀
ACM	人工双曲( $\partial_t p + \beta \nabla \cdot \mathbf{u} = 0$ )	需要双时间步	中	中
EDAC	含声波阻尼的抛物型	界面处需要 switch 参数	中	优秀
GPE	由热力学推出的双曲 + 扩散	本文首次直接应用	中	优秀

其他三种从相近的起点分叉,而 GPE 来自一个状态方程假设 $\gamma = \mathrm{Pr}$ ,不是人为附加的人工变量,而是低 Mach 极限自然递交的方程。

GPE —— 给压力方程借一个声速#

动量方程依旧是常规 Navier–Stokes。改变的是压力方程。

\rho \left(\frac{\partial \mathbf{u}}{\partial t} + \mathbf{u} \cdot \nabla \mathbf{u}\right) = -\nabla p + \nabla \cdot \left[\mu(\nabla\mathbf{u} + \nabla\mathbf{u}^\top)\right] + \mathbf{F}

\frac{\partial p}{\partial t} + \rho c_s^2 (\nabla \cdot \mathbf{u}) = \frac{1}{\rho}\nabla \cdot (\mu \nabla p)

其中 $c_s$ 是人工声速, $\rho$ 为混合密度( $\rho = C\rho_1 + (1-C)\rho_2$ , $C$ 为体积分数), $\mu$ 为混合粘度。右侧的压力扩散项不是后期添加的,它在 GPE 的推导中自然落下,与 EDAC 手动塞入的阻尼项不同。

无量纲化后,人工压缩效应由人工 Mach 数 $\mathrm{Ma} = U/c_s$ 度量。

\frac{\partial p}{\partial t} + \frac{\rho^*}{\mathrm{Ma}^2}(\nabla \cdot \mathbf{u}) = \frac{1}{\rho^*\mathrm{Re}}\nabla \cdot (\mu^* \nabla p)

$\mathrm{Ma}$ 越小,压力传播越快,越接近不可压极限,但稳定性把时间步压缩到 $\Delta t \le \Delta x / c_s$ 。这就是借声速的代价。

文章表 5 给出 $\Delta t_{\mathrm{GPE}} \approx \mathrm{Ma}\,\Delta t_{\mathrm{INS}}$ 。串行运行下 GPE 输给 Poisson 求解器,但因为没有全局线性求解,作者主张 HPC 可扩展性可以翻盘。

MSTACS —— 在 donor–acceptor 上加 cos⁴θ 混合#

体积分数输运变为 $\partial_t C + \nabla \cdot (\mathbf{u} C) = C(\nabla \cdot \mathbf{u})$ 。注意右侧的压缩性修正项 $C(\nabla \cdot \mathbf{u})$ —— 弱压缩框架与 VOF 静静交接的位置。

关键问题是面值 $C_{\text{face}}$ 怎么算。donor–acceptor 形式为

C_{\text{face}} = (1 - \beta) C_D + \beta C_A

$\beta$ 由归一化 donor 值 $\widetilde{C}_D = (C_D - C_U)/(C_A - C_U)$ 决定。MSTACS 把归一化面值设为两种格式的混合。

\widetilde{C}_{\text{face}} = \gamma \, \widetilde{C}_{\text{face}}^{\mathrm{CDS}} + (1 - \gamma) \, \widetilde{C}_{\text{face}}^{\mathrm{HR}}

CDS(compressive):把界面压进一个单元,但在非对齐面上会起皱。
HR(high resolution):平滑安全,但界面会膨胀。
混合 $\gamma = \cos^4\theta$ : $\theta$ 为界面法向 $\hat{\mathbf{n}}$ 与 donor–acceptor 方向 $\hat{\mathbf{d}}$ 的夹角。界面垂直于面时 $\theta=0$ , $\gamma=1$ → 纯 CDS;界面平行于面时 $\theta=\pi/2$ , $\gamma=0$ → 纯 HR。

这是一个自调谐门:几何安全的位置用锐利的 CDS,其他位置滑入有缓冲的 HR。

算子分裂 + SSP-RK3#

文章的完整算法五行概括:

$C^{(n+1)}$ = OS-MSTACS( $C^{(n)}, \mathbf{u}^{(n)}$ )。 $x \to y \to z$ 顺次 sweep,每步交替 sweep 顺序。
$\rho^{(n+1)}, \mu^{(n+1)}$ 由混合规则更新。
$\kappa^{(n+1)}$ 由高度函数法计算曲率。
SSP-RK3 三阶段中按动量 → GPE 顺序求解 $\mathbf{u}^{(n+1)}, p^{(n+1)}$ 。

SSP-RK3 为

\Psi^{(1)} = \Psi^{(n)} + \Delta t L(\Psi^{(n)})

\Psi^{(2)} = \tfrac{3}{4}\Psi^{(n)} + \tfrac{1}{4}\Psi^{(1)} + \tfrac{1}{4}\Delta t L(\Psi^{(1)})

\Psi^{(n+1)} = \tfrac{1}{3}\Psi^{(n)} + \tfrac{2}{3}\Psi^{(2)} + \tfrac{2}{3}\Delta t L(\Psi^{(2)})

整个算法中没有任何线性求解器调用。 因此可以直接移植到 GPU,MPI 通信只需交换 stencil halo。

直接复现 —— 1D 声波脉冲#

用最小代码验证 GPE 工作原理。关掉粘性就得到 1D 线性声学系统。

import numpy as np
 
def gpe_step_1d(p, u, cs, nu, dx, dt):
    """1D 线性声学 + GPE 压力扩散,周期边界。
    p: 压力扰动, u: 速度, cs: 人工声速, nu: GPE 扩散系数
    """
    # 周期填充
    pL = np.roll(p, 1); pR = np.roll(p, -1)
    uL = np.roll(u, 1); uR = np.roll(u, -1)
    # Rusanov 通量(线性系统,特征值 ±cs)
    fp = 0.5*cs*cs*(uL + u) - 0.5*cs*(p - pL)
    fu = 0.5*(pL + p) - 0.5*cs*(u - uL)
    fp_r = 0.5*cs*cs*(u + uR) - 0.5*cs*(pR - p)
    fu_r = 0.5*(p + pR) - 0.5*cs*(uR - u)
    # GPE 扩散项(中心差分)
    diff = nu * (pL - 2*p + pR) / (dx*dx)
    p_new = p - dt/dx*(fp_r - fp) + dt*diff
    u_new = u - dt/dx*(fu_r - fu)
    return p_new, u_new
 
def run_demo(cs=5.0, nu=0.0, T=0.2, N=160):
    dx = 1.0/N
    dt = 0.4*dx/cs                # 声学 CFL
    x = (np.arange(N) + 0.5)*dx
    p = 0.4*np.exp(-((x - 0.5)/0.05)**2)
    u = np.zeros_like(x)
    steps = int(T/dt)
    for _ in range(steps):
        p, u = gpe_step_1d(p, u, cs, nu, dx, dt)
    return x, p, u
 
x, p, u = run_demo()                       # cs=5,无扩散
x2, p2, u2 = run_demo(cs=15.0, nu=0.0)     # cs=15 → 声波速度 3 倍,dt 缩到 1/3

把 $c_s$ 从 5 提到 15,声波传播快 3 倍,稳定所需的 $\Delta t$ 缩到 1/3。要到达相同的物理时间需要 3 倍的步数。这就是 GPE 的根本交换。

交互演示 —— $c_s$ 如何吞噬时间步#

在下面的仿真中亲手调一调。滑动条调节人工声速和压力扩散,中间的高斯脉冲会分裂成左右两道声波传播。

artificial sound speed c_s: 5.0

pressure diffusion ν: 0.010

Acoustic Δt = 0.4·Δx/c_s ≈ 0.00050 | sim t = 0.000

观察要点:

把 $c_s$ 从 5 升到 20,声波横扫域的速度变快 4 倍。允许的 $\Delta t$ 缩到 1/4。
把 $\nu$ 升到 0.05,声波峰值被迅速削平。这正是 EDAC 的人工压力阻尼起的作用。
当 $\nu = 0$ ,脉冲在周期边界中无限循环。看似越接近不可压极限越好,但在湍流中声波不消失会埋下伪振荡的种子。

交互演示 —— 拆解 MSTACS 的混合#

比较 CDS、HR、MSTACS 三种面插值方案如何处理同一个 top-hat 廓线。

Courant Cou_adv: 0.30

interface angle θ: 30° → γ = cos⁴θ = 0.563

steps: 120

Top-hat advected by U=0.5 with periodic BC. CDS = compressive (sharp but can wrinkle), HR = high-resolution (smoother), MSTACS = γ·CDS + (1−γ)·HR.

观察要点:

纯 CDS:边缘像刀一样锐,但 Courant > 1/3 时略微跳动。
纯 HR:稳定但 step 逐渐被平滑。如同伪粘性。
MSTACS with $\theta = 0°$ : $\gamma = 1$ → 与 CDS 相同。
MSTACS with $\theta = 90°$ : $\gamma = 0$ → 与 HR 相同。
实际 2D/3D 中每个面的 $\theta$ 不同,平坦部分保持锐利,倾斜部分自动滑到安全的 HR。

验证结果 —— 2D RT、溃坝、气泡上升、3D RT#

算例	$\rho_1/\rho_2$	比较对象	定量结果
2D Rayleigh–Taylor	3:1	He & Doolen (1999)	spike/bubble 位置 1% 以内
溃坝	1000:1	Martin & Moyce (1952) 实验	前缘到达 5% 以内
单气泡上升	1000:1, $Eo=10$	Hysing 基准 (2009)	终端速度 3% 以内
3D Rayleigh–Taylor	3:1	Tryggvason (1988)	spike 形态定性一致

OS-MSTACS 本身的体积分数守恒误差为 $E_G = 6.57 \times 10^{-8}$ ,比 OS-CICSAM 的 $E_G = 8.18 \times 10^{-4}$ 改善 4 个数量级。这是保守再分配步骤把质量恢复到机器精度的结果。

批评要点 —— 文章淡化的成本#

GPE 本身带来的负担明显存在。

声速约束的时间步: $\Delta t \le \Delta x / c_s$ 。 $c_s$ 太小会让人工压缩性渗入物理,太大则壁钟时间增长 $1/\mathrm{Ma}$ 倍。文章只声明 $\mathrm{Couacs} \le 1.25$ 实际安全。
GPE 扩散项的物理解释: $\frac{1}{\rho}\nabla \cdot (\mu \nabla p)$ 在单相下推导清楚,但两相时 $\rho$ 跨界面跳 1000 倍,该扩散系数到底意味着什么文章没说清。
表面张力 well-balanced 性未保证:CSF + 高度函数曲率是标准组合,但 spurious current 与 $c_s$ 的标度关系没有定量分析。仅在静态液滴中定性确认。
串行成本 vs HPC 承诺的差距: $\Delta t_{\mathrm{GPE}} \approx \mathrm{Ma}\,\Delta t_{\mathrm{INS}}$ 意味着单核必输。HPC 比较被推到 future work。

OpenFOAM 的 interFoam 由 PIMPLE + MULES 组合,验证积累已经充足。本文最大的吸引力在 GPU + iteration-free 领域,但 GPU 实现并未公开。

可复现性评分#

算法伪代码(Section 3.3):★★★★★ —— 八步无缝衔接。
MSTACS 公式(13)–(15):★★★★☆ —— Cou_adv 分支有 typo 嫌疑(公式(13)出现两次)。最终需要参考 Anghan et al. 2018 原文。
代码公开:★★☆☆☆ —— 没有。估计 1D 约 200 行,3D OS-MSTACS 约 1500 行。
基准数据:★★★★☆ —— 4 个算例都给出定量比较和网格收敛表。

周日午后,如果想不靠 OpenFOAM 从零写一个轻量两相求解器,本文是出乎意料友善的起点。不写 Poisson 求解器代码的代价,是要和声速及体积分数再分配算法成为好朋友。

接下来要读的论文#

Toutant (2017) —— GPE 原始单相推导。
Saincher & Sriram (2022) —— operator-split 算法原典。
Kajzer & Pozorski (2021) —— EDAC 基础的两相变体,直接对手。
Yang & Aoki (2021) —— VOF 的投影式压力演化。