随着计算机硬件的不断发展以及工业生产对湍流数值模拟精度要求的逐渐提升，作为介于雷诺平均方法和直接数值模拟之间的高保真数值模拟方法，大涡模拟（Large Eddy Simulation, LES）方法愈发受到学术界和工业界的广泛关注。尽管LES只解析大尺度结构，但在高雷诺数壁湍流中其所需的网格量依旧难以接受，壁面模化大涡模拟（Wall-Modeled Large Eddy Simulation, WMLES）则通过在近壁处建立壁模型有效解决了这一问题，壁面建模技术也是实际雷诺数下壁湍流高保真模拟的核心支撑技术，但壁面应力模型实施的鲁棒性易受近壁分辨率不足、过度滤波效应及数值耗散的制约。研究表明，数值耗散等因素会显著削弱壁面模型在大涡模拟中的精度与鲁棒性，导致近壁LES解与壁面律之间的不一致性。针对这一问题，本研究在LES求解过程中引入了补偿应力项，用以补偿数值耗散等因素产生的不利影响。

关于补偿应力项的封闭，我们首先建立了基于动态修正方法的壁面模化大涡模拟计算框架，通过惩罚LES解与壁模型解之间的差异性修正补偿应力进而实现近壁一致性约束。我们针对槽道流动和内部分离流动的数值实验表明：该框架可有效提升不同耗散水平LES求解器的计算质量，在增强壁模型解与LES解一致性的同时，显著改善流动特征行为的预测精度；进一步地，所发展的壁面模化大涡模拟框架对数值和物理耗散的敏感性均显著降低，且在网格细化过程中展现出更稳定的收敛特性；此外关于雷诺数和壁面匹配位置选择的数值实验进一步展示了该框架相较于传统方法的优势。

考虑到基于壁面一致性约束动态修正补偿应力本质上是一个优化过程，因此我们利用近端策略优化算法开发了基于强化学习的WMLES框架，同样实现了近壁区域LES解和壁模型解的一致性。我们仅利用某种特定数值配置下的LES求解器产生数据与智能体进行交互以完成强化学习的训练过程，训练得到的智能体不仅在训练数据空间范围内的算例中表现良好，同时在不同数值耗散、不同雷诺数以及选择不同匹配位置的测试算例中均能够保证计算结果的物理一致性。相比基于动态修正的方法，强化学习更利于求解具有多目标或者多参数的复杂优化问题，因此我们所开发的基于强化学习的WMLES框架有望拓展到包含传热的可压缩流动等复杂问题中。

事实上，在非平衡流动的WMLES计算中，计算误差在一定程度上来源于壁模型本身。尽管有大量学者提出了许多非平衡流动的壁模型，但该问题至今仍未被完全解决。本文探究了压力梯度对湍流粘性的影响，并依据量纲分析引入压力梯度定义新的长度尺度，对经典混合长模型进行了改进，大大提高了其在非平衡流动中的表现。