第一次把纳维-斯托克斯方程从纸面搬进代码，跑出第一条残差单调下降的曲线，是在一个二维顶盖驱动方腔的算例上。那台机器不算快，128×128 的网格跑了两千步，屏幕上涡心慢慢挪到该在的位置，我用鼠标量了一下中心线的速度剖面，和历史文献里的基准数据能对上，才敢相信前面那些乱七八糟的溢出和发散不是白熬的。

这就是纳维-斯托克斯方程（下文简称 N-S 方程）有意思的地方：它是流体力学的地基，从管道输运到飞行器外流，从血液流动到天气预报，工程上一天都离不开它；可与此同时，它在三维情形下的光滑解是否永远存在、是否唯一，至今还是一道没被推倒的墙，被列进了公认的七个顶级数学难题。同一组方程，一边被工程师天天用来做设计决策，一边让数学家挠头了几十年。

这篇东西写给两类人：一类是想弄明白"这方程到底在说什么、为什么难"的读者，另一类是准备动手写一个流体求解器、或者正在被仿真结果折磨的同行。我会把方程的每一项拆开讲清楚它对应的物理和数值后果，把数学挑战里最核心的那几个卡点用大白话讲明白，然后给出一套可以照着复现的二维方腔实操流程，包括网格、时间步、压力泊松方程的处理，以及我踩过的那些坑。不追求公式的严密推导，追求的是你读完能自己动手跑起来，并且知道结果为什么对、为什么错。

1. 这对方程到底在算什么：从一小团流体说起

1.1 一次记账：动量守恒在流动中的写法

把流体想象成无数个微小控制体，每个控制体都在做一件事：被周围的流体推、被压力挤、被粘性拖。牛顿第二定律说的是"质量乘加速度等于合外力"，套到一个流体微团上，左边是惯性项，右边是各种面力和体力，写出来就是动量方程。不可压缩、常物性的形式大概长这样：

ρ(∂u/∂t + (u·∇)u) = -∇p + μ∇²u + f

四项各自有明确身份。∂u/∂t是当地加速度，也就是站在固定点上看流速怎么随时间变；(u·∇)u是对流加速度，描述流体微团"自己带着自己跑"时感受到的速度变化。等号右边，-∇p是压力梯度产生的推动力，方向永远从高压指向低压；μ∇²u是粘性扩散，它让速度场变得"平滑"，把速度差抹平；f是体积力，重力、电磁力、旋转参考系里的离心力和科氏力都往这里塞。

我第一次真正理解对流项，是把它和"站在河边看水"对照起来。你站在桥上看，河水速度可能一直是 2 m/s 不变，当地加速度为零；但一片叶子从上游漂到下游，它经过的每一处速度不同，叶子自己感受到的是加速或减速，这就是对流项。所以同一时刻同一位置的两个观测者，一个是欧拉视角（固定点），一个是拉格朗日视角（随流体走），两者差的就是这一项。数值上，这一项最讨人厌，因为它是非线性的，是后面所有麻烦的源头。

1.2 连续性方程不是"附加条款"，而是耦合约束

光有动量方程不够，还得保证质量不凭空产生也不凭空消失。这由连续性方程管：

∂ρ/∂t + ∇·(ρu) = 0

不可压缩流动里密度恒定，它退化成一个极其简洁的约束：∇·u = 0。不少人初学时会把它当成一个"顺便满足一下"的条件，觉得主力是动量方程。恰恰相反，这个约束是整数值方法里最难伺候的部分，因为它不含时间导数，意味着压力不是独立演化的物理量，而是一个拉格朗日乘子式的角色：压力存在的意义，是在每一时刻"调整"速度场，让散度归零。

这个认识直接决定了求解器的架构。你不可能像解温度场那样解压力场，因为压力没有自己的输运方程。必须把动量方程和连续性方程当成一个耦合系统来处理，要么同时求解（耦合式），要么把压力当作校正量分步求解（分离式）。后面第 4 节要讲的投影法，本质上就是后者，它的核心操作是把压力从动量方程里"拆"出来，变成一个泊松方程。

1.3 它为什么同时出现在工程手册和数学悬案清单里

同一个方程有两种命运，原因在于"算"和"证"是两件完全不同的事。工程上，我们只需要在给定的边界和初值下，针对特定几何、特定雷诺数，得到一个足够准的数值解。只要离散格式稳定、网格够密、残差收敛，结果拿来用没有问题。工程实践里的 N-S 方程是"可用的"，因为具体问题有具体约束，解的行为被边界和耗散牢牢锁住。

数学上要的是更强的结论：对任意满足一定光滑性的初值，三维不可压缩 N-S 方程是否一定存在全局时间上的光滑解？如果不是，是否会在有限时间内出现奇点（速度梯度爆破）？这个问题到现在没有答案。二维情形倒是早就被证明了全局正则，所以你能看到二维算例几乎从不"炸"，三维高雷诺数就很容易出问题。这个"维度差异"本身就很有意思，它提示我们对流项在三维里多出来的涡拉伸机制，是麻烦的关键。

有一件事要提前说清楚：数学上的未解决，不代表工程上的数值解不可信。这两件事经常被混为一谈，导致一些夸张的说法。实际做仿真时，你面对的误差主要来自离散误差、湍流模型误差和边界条件不准确，而不是"方程的解可能不存在"。

2. 逐项拆解：每一项背后都是一次工程取舍

2.1 对流项：非线性的全部麻烦都从这里长出来

(u·∇)u这一项让方程变成拟线性的，它带来三个直接后果。第一，叠加原理失效，你不能把两个解加起来得到新解；第二，解可能在空间中形成陡峭梯度，网格跟不上就会出现非物理振荡；第三，它和粘性项之间存在竞争，竞争的结果由雷诺数决定。

数值上处理对流项有三大流派，各有各的脾气。中心差分精度高但会在网格雷诺数较大时产生振荡，因为它的"数值粘性"是负的；一阶迎风无条件稳定但数值扩散严重，你会看到本该尖锐的界面被抹成一片糊；二阶迎风、QUICK、TVD 类格式在两者之间找平衡，代价是实现复杂、边界处理麻烦。

我的经验是：低雷诺数、光滑解的问题，中心差分配合足够密的网格完全够用；一旦网格雷诺数超过 2 左右，就该考虑迎风类格式了。判断网格雷诺数的公式很简单，Re_cell = |u|Δx/ν，它衡量的是在一个网格尺度上，对流和粘性谁占主导。这个数如果远大于 1，说明网格根本没分辨到粘性起作用的尺度，中心差分的振荡几乎是必然的。

注意：看到速度场出现棋盘状的交替振荡，先别急着调时间步，八成是对流项格式和网格尺度不匹配。

2.2 无量纲化之后：雷诺数把参数空间压成一维

N-S 方程有一个极其漂亮的性质：通过选择合适的特征长度 L、特征速度 U、特征时间 L/U、特征压力 ρU²，可以把方程改写成不含任何物性参数的形式，只在粘性项前面剩一个系数1/Re，其中：

Re = ρUL/μ = UL/ν

这件事的意义比看上去大得多。原本你要考虑密度、粘度、几何尺寸、来流速度四个量的组合，现在只需要一个无量纲数。两个物理上完全不同的系统，只要雷诺数相同、几何相似，它们的无量纲流场就相同，这就是相似准则，也是风洞实验和缩比模型的理论基础。

常见流动的雷诺数量级可以给个参照：一滴水在毛细血管里流动，Re 大约在 10⁻³ 量级，粘性完全主导，流动像糖浆一样规整；家用自来水管里大约 10³ 到 10⁴，处在过渡区；汽车外流是 10⁶ 到 10⁷；大型船舶和飞机是 10⁸ 以上。这个跨度意味着，同一套方程在不同区间里的"性格"完全不同，低雷诺数下它接近一个扩散方程，高雷诺数下它接近一个双曲型方程。

2.3 边界条件才是真正的"项目说明书"

方程本身是通用的，真正决定你的问题是什么的，是边界条件。这句话我在带新人的时候说过很多次。动量方程是二阶的，速度在每一方向需要两个边界条件；压力方程是一阶的（在投影法里是二阶泊松方程），只需要一个。

常见的边界类型就那么几种：无滑移固壁（速度为零）、滑移壁（法向速度为零、切向自由）、入口给定速度剖面、出口给定压力或者零梯度、对称面、周期边界。每一种的实现细节都能坑人。比如出口给定压力，很多人直接令出口边界的压力节点等于 0，看起来简单，实际上如果出口离尾迹太近，会人为地把流动"吸"出去，涡结构被压扁。稳妥的做法是把出口推远，用零法向梯度加上整体质量守恒修正。

还有一个特别容易忽略的点：入口给速度剖面时，如果给的是均匀流，入口角落会立刻形成一个奇异点，那里速度从 0 突变到 U，梯度无穷大。数值上表现为入口附近的压力出现尖峰。解决办法是在入口附近用几层网格过渡，或者直接给一个光滑的解析剖面（抛物、双曲正切都行）。

提示：压力泊松方程如果是全 Neumann 边界（封闭腔体就是这种情况），雅可比矩阵奇异，直接解会失败。必须给出一个参考点压力，或者在每次迭代后把压力场减去平均值。这一点后面还会细说。

2.4 可压缩与不可压缩：两套截然不同的数值生态

∇·u = 0这条约束把不可压缩流体的数学结构变得很特殊：压力不再是热力学状态量，而是约束的乘子，声波被完全滤掉。好处是稳定、好算；坏处是不能直接模拟声学、激波、密度剧变。

可压缩流则完全相反，密度是独立变量，需要状态方程闭合，压力由能量方程和状态方程给出，方程是双曲型的，存在声波、激波、接触间断三种特征。数值上必须用守恒型格式加通量分裂或者近似黎曼求解器，还得处理激波捕捉和正定性保持。

工程上选择哪一套，取决于马赫数。一般 M < 0.3 用不可压缩近似，误差在可接受范围；M 在 0.3 到 0.8 之间用低马赫预处理的可压缩求解器；再往上就必须用可压缩格式了。中间地带最难受，两边都不太适用。我见过一个案例，用不可压缩求解器算 M=0.6 的叶栅内流，密度变化超过 20%，结果叶背的压力分布整体偏低，和实测差了一截，最后只能换求解器重做。

3. 数学上的硬骨头：算不出来和证不出来是两回事

3.1 三维光滑解：从"算得挺稳"到"证明存在"之间有道墙

关于三维不可压缩 N-S 方程，公开的数学现状是这样的：给定任意光滑、无散度的初值和足够好的外力，是否存在一个在任意长时间内都保持光滑的解？如果不存在，那么是否存在一个有限时间点，让速度梯度（或等价的涡量）变得无穷大？这两个问题的回答，至今空白。

已经知道的部分也不少。弱解的存在性早在上世纪三十年代就被证明了，思路是对速度场做能量意义上的估计，构造一个近似序列，取极限得到一个满足积分形式方程的解。这个"弱解"足够好，物理上能用，但光滑性不够，唯一性证明不出来。二维情形则被完整证明：全局弱解存在，且光滑解的唯一性成立。所以二维算例里几乎看不到真正的数值爆破，除非你的格式本身不稳定。

为什么那一维之差这么大？关键在于涡拉伸。在三维里，涡量方程里有一项(ω·∇)u，它描述涡管被流动拉伸和扭曲，涡管变细，涡量增强，涡量增强又进一步加剧拉伸，形成一个正反馈。二维里这一项要么为零，要么退化成守恒形式，涡量只能被对流输运和粘性耗散，无法自我放大。所以三维湍流的能量级串能一路传下去，而二维湍流会反向传能，形成大涡。

这个机制对做数值的人有直接指导意义：三维高雷诺数模拟里，涡拉伸带来的小尺度结构是指数级增长的，任何一点数值耗散不足都会在几步之内放大成灾难。这就是为什么三维 LES 和 DNS 对格式的耗散特性极其敏感。

3.2 能量不等式给到什么，又拿不走什么

推导正则性最核心的工具是能量估计。对不可压缩 N-S 方程，把动量方程两边点乘速度，在区域上积分，利用∇·u = 0让压力项消失（分部积分后压力乘散度为零），得到：

(1/2) d/dt ∫|u|² dx = -ν ∫|∇u|² dx + ∫f·u dx

这个式子说得非常清楚：动能的变化率等于粘性耗散（永远为负，起抑制作用）加上外力做功。没有外力时，动能单调不增。这是所有定性分析的起点。

但这条不等式拿不到的，恰恰是最要命的东西。它控制的是速度的 L² 范数和速度梯度的 L² 范数，而在三维里，这两个量还不足以控制涡量本身的增长。要控制涡量，需要更强的一类空间范数，目前的技术手段还不够。所有关于三维正则性的进展，本质上都是在"多要一点"：假设初值属于某个比能量空间更强的空间，或者假设速度在某段时间内满足额外的可积性条件。

比较有名的一类结果形如：如果在某段时间内，速度在某个混合时空范数下足够可积，且可积指数满足某个不等式，那么这段时间内解就是光滑的。翻译成人话：只要流动没有在某个小区域里聚集过多能量，解就不会出问题。这给了"爆破"一个大致的图像，但既不能排除也不能确认。所以这个问题到现在还挂在墙上。

3.3 尺度不变性与那些"差一点点"的正则性判据

N-S 方程有一个漂亮的对称性：如果u(x,t)是解，那么对任意 λ > 0，u_λ(x,t) = λ u(λx, λ²t)也是解。也就是说把空间压缩 λ 倍、时间压缩 λ² 倍、速度放大 λ 倍，方程形式不变。这个尺度变换在分析里有大用处，因为它能确定"临界空间"：什么样的范数在这个变换下保持不变。

能量∫|u|²dx在三维里不是尺度不变的，它会随 λ 变化。所以能量空间不是临界空间，这也解释了为什么能量估计不够用：它控制的东西在不同尺度上是偏心的。真正的临界空间是一个光滑性介于 L² 和 H¹ 之间的空间，在这个空间里的量在尺度变换下不变。

这个观察引出了很多研究路线，也带来一个让人牙痒的结论：现有方法差的那"一点点"，可能不是技巧问题，而是需要一个全新的控制量。我个人的看法偏悲观，短期内不太可能被解决，因为过去几十年里所有努力都卡在同一个地方——三维的涡拉伸项无法被现有估计吸收。

对做工程的人来说，这段的意义在于两点。第一，别指望"完美的湍流理论"很快出现，湍流模型在可见的将来仍然是必需品。第二，数值格式的设计要格外小心不要引入非物理的额外耗散或反耗散，因为方程本身处于临界状态，你对它的扰动可能被放大。

4. 把方程变成代码：二维顶盖驱动方腔的可复现实操

4.1 方案选型：原始变量法、交错网格、投影法

要动手算，第一件事是选方案。二维方腔这个经典算例，可用路径有三条：涡量-流函数法、原始变量法、格子玻尔兹曼法。

涡量-流函数法很优雅，二维下它自动满足连续性，把两个动量方程压成一个涡量输运方程，压力完全消失，只剩流函数满足的泊松方程。缺点是无法直接推广到三维，边界条件处理也绕。

原始变量法直接解速度和压力，通用性强，代价是要处理压力-速度耦合。

格子玻尔兹曼法介于两者之间，介观尺度，边界处理简单，但可压缩性误差和稳定性需要留心。

我选原始变量法，理由是它的思路最贴近真实方程的物理，并且所有踩过的坑在你转到三维或者商业软件时都用得上。具体到空间离散，用有限体积 + 交错网格。

交错网格的布局是这样的：压力存在单元中心，水平速度 u 存在单元的左右面上，竖直速度 v 存在上下面上。为什么这么麻烦？因为如果所有变量都在同一套节点上（同位网格），压力梯度会被中心差分算成隔点之差，压力场会出现棋盘振荡，而且这种振荡在连续性方程里完全"看不见"，求解器不会自动修正它。交错网格从结构上保证压力梯度算的是相邻两个面的压差，不会出现这个问题。

4.2 网格与时间步：把 CFL 和扩散数算清楚

时间步不是随便给的，它受两个条件约束。对流主导时看 Courant 数：

C = max|u| · Δt / Δx ≤ 0.5

扩散主导时看扩散数：

D = ν · Δt / Δx² ≤ 0.25（二维显式）

方腔算例里，顶盖速度设为 1，网格 128×128，Δx = 1/128 ≈ 0.0078。取 C = 0.4，则 Δt ≤ 0.4 × 0.0078 / 1 = 0.0031。再看扩散约束，Re = 1000 时 ν = 0.001，D = 0.001 × 0.0031 / 0.0078² ≈ 0.051，远小于 0.25，说明对流约束更紧。所以这个算例是按 Courant 数来定时间步的。

如果 Re 很低，比如 Re = 100，ν = 0.01，D 会升到 0.51，超限了，此时必须按扩散约束把 Δt 压到 0.0015 左右。这就带来一个实际困境：低雷诺数下粘性主导，显式格式被扩散数死死卡住，步数多到离谱。解决办法是用隐式格式处理粘性项，或者用算子分裂把扩散项单独隐式求解。我在 Re < 50 的算例里一律把扩散项做隐式，时间步可以放大五到十倍。

心得：先用估算公式算一遍两个约束，取更严的那个，然后在运行的前一百步里打印实际 Courant 数。如果发现它在剧烈跳动，说明速度场正在快速增长，这时候要么减小时间步，要么检查初始条件是不是太突兀。

4.3 压力泊松方程：整个流程里最费时间的环节

投影法的三步走，每一本教材都会写，但实际写起来细节决定成败。

第一步，忽略压力梯度，用上一步的速度场算一个中间速度u*：

(u* - uⁿ)/Δt = -(uⁿ·∇)uⁿ + ν∇²uⁿ + f

第二步，解压力泊松方程，让校正后的速度满足散度为零：

∇²pⁿ⁺¹ = (ρ/Δt) ∇·u*

第三步，用压力梯度校正速度：

uⁿ⁺¹ = u* - (Δt/ρ) ∇pⁿ⁺¹

关键在于第二步。这个泊松方程在封闭方腔里是全 Neumann 边界，因为壁面法向速度为零，压力在壁面上的法向梯度由动量方程给出为零。全 Neumann 的泊松方程有一个相容性条件：源项的积分必须等于边界通量的积分，否则无解。而数值上由于舍入误差，这个条件几乎不可能严格满足。

两个处理办法都要用上。第一，每次解完压力后，把整个压力场减去平均值，强制均值为零，这样参考点是明确的；第二，在迭代求解时监控残差，如果残差停在某个位置下不去，说明相容性条件被破坏了，要检查边界上的散度是否真的为零。

解泊松方程本身也有讲究。128×128 的网格，直接法（比如基于快速傅里叶变换的求解器）最快，因为它利用了这个算例的周期性或者正弦结构，几步就能给出机器精度解。但通用几何下就不能用了。常用的迭代法里，SOR 实现最简单，收敛因子可以通过最优松弛因子 ω = 2/(1+sin(π/N)) 算出来，N 是单方向网格数；共轭梯度法收敛更快但需要好的预条件；多重网格是终极方案，O(N) 复杂度，但实现量大。

我的建议是：先用 SOR 跑通，把最优松弛因子算出来；跑通了再考虑共轭梯度；如果网格上到 512 以上再考虑多重网格，别一上来就啃硬骨头。

4.4 代码骨架与三个必须校核的量

下面是我一般用的骨架结构，Python + NumPy，128×128 网格在普通笔记本上几分钟能跑几千步。为了可读性，边界处理部分做了简化说明，实际写的时候要单独封装函数。

import numpy as np nx, ny = 128, 128 Lx, Ly = 1.0, 1.0 dx, dy = Lx/nx, Ly/ny # 交错网格布局 # u[i,j]: i=0..nx-1 (单元面), j=0..ny (节点) # v[i,j]: i=0..nx (节点), j=0..ny-1 (单元面) # p[i,j]: i=0..nx-1, j=0..ny-1 (单元中心) u = np.zeros((nx, ny+1)) v = np.zeros((nx+1, ny)) p = np.zeros((nx, ny)) Re = 1000.0 nu = 1.0 / Re dt = 0.4 * dx # 由 CFL 反推，先按 max|u|~1 估 U_lid = 1.0 # 顶盖速度 def divergence(u, v, dx, dy): div = np.zeros((nx, ny)) div[:, :] = (u[:, 1:] - u[:, :-1])/dx + (v[1:, :] - v[:-1, :])/dy return div def solve_pressure_poisson(src, p, dx, dy, iters=200, omega=1.85): # 源项 src = rho/dt * div(u*), 全 Neumann，均值强制为零 rhs = src - src.mean() for _ in range(iters): p_new = p.copy() p_new[1:-1, 1:-1] = (1 - omega) * p[1:-1, 1:-1] + omega * 0.25 * ( p[2:, 1:-1] + p[:-2, 1:-1] + p[1:-1, 2:] + p[1:-1, :-2] - dx*dx*rhs[1:-1, 1:-1]) # Neumann 边界：镜像，等价于法向梯度为零 p_new[0, :] = p_new[1, :] p_new[-1, :] = p_new[-2, :] p_new[:, 0] = p_new[:, 1] p_new[:, -1] = p_new[:, -2] p_new -= p_new.mean() p = p_new return p

校核环节，有三个量必须每次都看，不能只看残差。

第一个是散度残差。算完之后全场算一遍max|∇·u|，它应该和机器精度同一个量级。如果这个量在 10⁻³ 上下，说明压力校正没收敛，你的速度场并不是一个合法解，后面再算多久都是白算。

第二个是涡心位置和中心线速度剖面。方腔算例之所以经典，就是因为有大家都认的参考数据可以比对。用 Re = 1000 的工况，把中垂线上的 u 分量沿高度画出来，和公开文献里被引用最多的那组基准曲线叠在一起。如果中间段差了超过三五个百分点，先别怀疑物理，检查网格分辨率和收敛程度。

第三个是质量守恒的累积误差。把每一步全场散度的绝对值加起来随时间画，如果它缓慢上升而不是维持在噪声水平，说明有系统性的边界泄漏。八成是顶盖的角点处理有问题，那里两条边界交汇，两个方向的速度都是强加的，互相冲突。

5. 踩坑实录：残差曲线突然竖起来的时候

5.1 现象到原因的速查表

发散这件事，几乎每个做流体数值的人都经历过，而且第一次遇到的时候毫无头绪。我把这些年遇到的典型症状整理成一张表，方便对照排查。要注意的是，同一个症状可能对应多个原因，要按概率从高到低依次排除。

我印象最深的一次，是一个圆柱绕流的算例，Re = 200，理论上应该出现稳定的涡脱落。结果算了五千步，尾迹是稳态的，一点周期性都没有。查了两天，最后发现是出口边界放在了离圆柱只有 8 倍直径的位置，人为地把涡"压"住了。把出口推到 25 倍直径，周期性立刻出来。这个坑教训很深：边界条件不是形式上的东西，它真的会改变物理。

5.2 两个反直觉的经验：网格加密不一定更好、残差下降不等于收敛

第一个反直觉：网格加密不一定让结果更准。这话听起来荒谬，但有前提——当你用的是一阶迎风格式，网格越密数值扩散越小，解会越来越接近真实的、包含更多小尺度结构的解，而如果这些结构没有被正确解析，反而会看到解在高频上剧烈抖动，甚至比粗网格更"难看"。真正要做的是格式和网格同步升级，而不是单方面加密。二阶格式配中等网格，通常比一阶格式配细网格更可靠。

第二个反直觉：残差下降不等于收敛。残差是方程离散后的代数残差，它衡量的是"当前迭代解距离满足离散方程有多远"，和"离散方程的解距离真实物理解有多远"是两回事。我遇到过残差降到 10⁻⁶、但压力场在入口附近有几十个百分点误差的情况，原因是最开始几百步的瞬态被当成了定常解。定常计算的正确做法是：残差降到 10⁻⁴ 之后，同时监控几个关键物理量（比如总压降、升力系数），只有它们也稳定了才算收敛。

提示：做定常计算时，把关键物理量随迭代步数画成曲线，比只看残差曲线靠谱得多。物理量曲线的抖动幅度小于某个阈值并且趋势平坦，才算真的定常。

5.3 后处理阶段最容易骗自己的三件事

第一件，把涡量图的色标调得很大。涡量场在壁面附近有极强的峰值，如果色标覆盖全量程，中间区域的涡结构就全白了；如果色标卡在中间，壁面又全饱和。看起来漂亮的图，可能是因为色标选择性地隐藏了信息。我的做法是同时出两张图，一张全量程、一张截断到中间范围，两张一起看。

第二件，用流线判断分离点。流线在分离点附近会显得很"挤"，但网格不够密的时候，分离泡可能被数值扩散抹掉，看起来像没有分离。判断分离应该直接看壁面剪应力的符号变化，那是定量的。壁面剪应力为零的位置就是分离点，正负号变化才说明有回流。

第三件，忽略湍流模型的适用性。低雷诺数修正、壁面函数、可实现的 k-ε，每个模型都有自己的适用区间。把壁面函数用在 y+ 小于 5 的网格上，相当于假设第一个节点就在对数律区，实际上它还在粘性底层，误差能到 30% 以上。每次换模型，先用一个简单验证算例标定一遍，别直接上复杂几何。

最后分享一个我自己坚持的习惯：任何一个新算例，先算一个低雷诺数的稳态版本，把边界条件和网格检查一遍，再逐步升到目标工况。这一步花的时间，远比在目标工况下发散之后满世界找原因要少。流体这行，前面的功夫省不得。