¿Por qué RANS no siempre es suficiente?
Los modelos RANS (Reynolds-Averaged Navier-Stokes) promedian todas las escalas de la turbulencia. Esto funciona razonablemente bien para capas límite adheridas, donde la turbulencia está en equilibrio local y las escalas pequeñas dominan el transporte de momento. Pero el enfoque se desmorona cuando aparecen desprendimientos masivos, estelas, chorros o zonas de mezcla: fenómenos gobernados por grandes estructuras coherentes que RANS no puede capturar porque las promedia junto con todo lo demás.
La raíz del problema está en la hipótesis de Kolmogorov. Los grandes remolinos — los que contienen la mayor parte de la energía cinética turbulenta — no son universales: su forma, tamaño y dinámica dependen directamente de la geometría del problema. Los remolinos pequeños, en cambio, sí son universales y su comportamiento es estadísticamente predecible. RANS modela todo por igual, grandes y pequeños, aplicando la misma viscosidad turbulenta a fenómenos que son fundamentalmente distintos. Esta es la intuición clave detrás de LES.
La filosofía de LES: resolver lo grande, modelar lo pequeño
Large Eddy Simulation aplica un filtro espacial a las ecuaciones de Navier-Stokes, con una anchura de filtro Delta típicamente igual al tamaño de celda de la malla. Las estructuras mayores que Delta se resuelven directamente en el tiempo y el espacio; las menores (escala subgrid o SGS) se modelan. El resultado es una simulación inherentemente transitoria que captura la física de las grandes estructuras turbulentas.
La ecuación de cantidad de movimiento filtrada se escribe:
/* Ecuaciones de Navier-Stokes filtradas (LES) */
d(u_i)/dt + d(u_i * u_j)/dx_j = -1/rho * dp/dx_i + nu * nabla^2(u_i) - d(tau_ij)/dx_j
/* donde el tensor de esfuerzos subgrid es: */
tau_ij = (u_i * u_j)_tilde - u_i_tilde * u_j_tilde
/* tau_ij requiere un modelo de cierre (Smagorinsky, WALE, etc.) */La diferencia fundamental con RANS es conceptual: RANS promedia en el tiempo y modela todo el espectro; LES filtra en el espacio y solo modela la parte subgrid. Esto permite a LES reproducir fenómenos inherentemente transitorios como el desprendimiento de vórtices, fluctuaciones de presión o inestabilidades de mezcla.
Modelos subgrid en OpenFOAM
OpenFOAM ofrece varios modelos SGS. La elección del modelo influye directamente en la calidad de los resultados y en el coste computacional. Estos son los tres más relevantes en la práctica:
Smagorinsky (1963)
Es el modelo SGS clásico. Define la viscosidad turbulenta subgrid como nu_sgs = (Cs * Delta)^2 * |S|, donde Cs es la constante de Smagorinsky (típicamente 0.1-0.2) y |S| es la magnitud del tensor de tasa de deformación filtrado. Su principal limitación es que disipa demasiado en zonas cercanas a la pared, donde la turbulencia es baja pero el gradiente de velocidad es alto. Para mitigarlo se requieren funciones de amortiguamiento tipo van Driest, que añaden complejidad y no siempre funcionan bien en geometrías complejas.
WALE (Wall-Adapting Local Eddy-viscosity)
Es el modelo más utilizado en la práctica industrial. La gran ventaja de WALE es que utiliza el tensor de vorticidad para reducir automáticamente la viscosidad turbulenta cerca de las paredes sin necesidad de funciones de amortiguamiento ad-hoc. El comportamiento asintótico cerca de la pared escala con y^3, que es la dependencia correcta según la teoría de capa límite.
/* constant/turbulenceProperties */
simulationType LES;
LES
{
LESModel WALE;
delta cubeRootVol;
WALE
{
Ck 0.094;
Cw 0.325;
}
}WALE es la elección recomendada para la mayoría de aplicaciones. Su coste computacional es solo ligeramente superior al de Smagorinsky (~5-10%), y la mejora en la predicción de flujos de pared es sustancial.
Dynamic k-equation (oneEqEddy)
Este modelo resuelve una ecuación de transporte adicional para la energía cinética subgrid (k_sgs), lo que permite que la viscosidad turbulenta se adapte dinámicamente al flujo local sin depender de constantes fijas. Es más caro computacionalmente que WALE (~30% más de CPU), pero ofrece mayor precisión en flujos con transición laminar-turbulenta y en zonas donde el equilibrio local entre producción y disipación no se cumple, como estelas cercanas o burbujas de recirculación.
Caso práctico: cilindro circular a Re = 3900
El flujo alrededor de un cilindro circular a Re = 3900 (basado en el diámetro) es el caso canónico de validación para LES. A este número de Reynolds, la capa límite se separa laminarmente, se vuelve turbulenta en la zona de cortadura libre y forma una calle de vórtices de von Karman perfectamente definida. Los datos experimentales de Ong & Wallace (1996) proporcionan perfiles de velocidad media y fluctuante en la estela con resolución espacial excelente, convirtiéndose en la referencia estándar para validar códigos LES.
Comparamos tres enfoques contra los datos experimentales:
- RANS k-omega SST: predice un coeficiente de arrastre Cd ~ 0.65 frente al valor experimental de 0.98. No es capaz de capturar la amplitud de oscilación de la estela ni el número de Strouhal correcto. La solución es estacionaria o pseudo-periódica con fluctuaciones muy atenuadas.
- LES con WALE: predice Cd ~ 0.94, con un error inferior al 5% respecto al valor experimental. Los perfiles de velocidad media y fluctuante en la estela muestran un acuerdo excelente con Ong & Wallace. El número de Strouhal predicho es St = 0.209, frente al valor experimental St = 0.208.
- LES con Dynamic k-eqn: predice Cd ~ 0.97, ligeramente mejor que WALE en la zona de recirculación cercana al cilindro donde la transición laminar-turbulenta es crítica. La mejora es apreciable pero modesta, mientras que el coste computacional es un 30% superior al de WALE.
La conclusión de este caso de validación es contundente: RANS no puede predecir correctamente el flujo alrededor de un cilindro ni siquiera a Reynolds moderados. La física de los grandes vórtices requiere resolución explícita.
Coste computacional: ¿cuánto cuesta realmente LES?
Mientras que un caso RANS típico converge en ~100 core-hora para un millón de celdas, LES impone exigencias mucho mayores en tres frentes simultáneos. Primero, la malla debe ser mucho más fina: resolver la escala integral L requiere un tamaño de filtro Delta ~ L/10, lo que se traduce en mallas de 20 a 50 millones de celdas para casos industriales sencillos. Segundo, la simulación debe ser transitoria con pasos de tiempo pequeños (CFL < 1 en las zonas de interés). Tercero, se necesitan varios tiempos de residencia para eliminar el transitorio inicial y acumular estadísticas significativas, ya que los valores medios en LES no se obtienen de la convergencia de un residuo sino de promediar en el tiempo una señal fluctuante.
En la práctica, un caso industrial con LES cuesta entre 50 y 500 veces más que su equivalente RANS. La pregunta relevante no es "¿es LES mejor que RANS?" sino "¿la mejora en precisión justifica el coste extra para este caso concreto?". La respuesta depende de la física del problema y de las consecuencias de equivocarse en la predicción.
Cuándo LES es imprescindible
Hay situaciones donde RANS simplemente no es capaz de proporcionar la física necesaria, y el sobrecoste de LES está plenamente justificado:
- Flujos masivamente separados: cuerpos romos (edificios, vehículos en pérdida, perfiles en deep stall). La zona de separación está dominada por grandes estructuras coherentes que RANS promedia incorrectamente.
- Aeroacústica: el espectro de frecuencias de las fluctuaciones de presión es el dato de interés, no solo los valores medios. RANS no proporciona información espectral alguna.
- Mezcla y combustión: la tasa de mezcla entre corrientes depende de las grandes escalas transitorias. RANS da tasas de reacción incorrectas porque no captura la intermitencia ni las estructuras coherentes que gobiernan el mezclado.
- Fatiga por vibración inducida por vórtices (VIV): las fuerzas fluctuantes sobre estructuras requieren capturar la frecuencia y amplitud correctas de los vórtices. Un error del 30% en Cd medio puede ser aceptable; un error del 30% en la frecuencia de desprendimiento puede convertir un diseño seguro en uno que falla por fatiga.
Alternativa intermedia: DES y DDES
Detached Eddy Simulation (Spalart, 1997) es una solución híbrida RANS-LES diseñada para obtener lo mejor de ambos mundos. Utiliza RANS en las capas límite adheridas (donde RANS funciona bien y LES sería prohibitivamente caro por el espaciado de malla necesario) y LES en las regiones separadas (donde la física de grandes escalas es dominante). DDES (Delayed DES) añade una función de escudo que previene la activación prematura del modo LES dentro de la capa límite, un problema que afectaba al DES original en mallas con espaciado tangencial fino.
/* Detached Eddy Simulation - hibrido RANS/LES */
/* RANS en capa limite, LES en regiones separadas */
/* Activado en OpenFOAM con: */
RASModel kOmegaSSTDES;DES/DDES ocupa un punto dulce en el espectro coste-precisión: permite obtener física de grandes escalas en las regiones donde se necesita, sin pagar el coste de una LES completa en todo el dominio. Su aplicación industrial más típica es la aerodinámica externa de vehículos, donde las capas límite adheridas en el morro y el techo se tratan con RANS mientras que la estela separada trasera se resuelve en modo LES.
Recomendaciones finales
La elección entre RANS, DES y LES debe basarse en la física del problema, el nivel de precisión requerido y los recursos disponibles. No existe una respuesta universal, pero estas directrices cubren la mayoría de los casos prácticos:
| Enfoque | Aplicaciones |
|---|---|
| RANS | Flujos adheridos, diseño preliminar, barridos paramétricos, bucles de optimización con muchas evaluaciones. |
| DES / DDES | Aerodinámica externa con separación moderada, CFD de producción donde el tiempo de respuesta importa. |
| LES | Flujos alrededor de cuerpos romos, aeroacústica, problemas de mezcla, validación detallada de casos RANS. |
La tendencia en la industria es clara: el coste computacional de LES baja cada año mientras que las exigencias de precisión suben. Lo que hoy se hace con DES, mañana se hará con LES. Pero dar el salto requiere entender no solo cómo configurar el solver, sino también cómo validar que los resultados obtenidos son físicamente correctos. Un LES mal configurado puede ser peor que un RANS bien usado.