7.1 白金汉π定理
7.1 白金汉π定理
本节摘要：若一个物理问题涉及 n 个有量纲参数、包含 k 个基本量纲，则它可改写为 n−k 个无量纲数群之间的关系——这就是白金汉 π 定理。量纲分析不给出公式的具体形式，却把实验与理论的维度压缩几个数量级。本节给出方法步骤，用管阻与波浪两个案例演练，并指出方法的边界。
设计一座跨海大桥前，你不可能先造一座真桥试试风 loads；造一架新飞机前也不会先造全尺寸原型乱撞。工程师的出路是缩比模型——但缩比之后，什么量该跟着缩、什么量必须保持不变，才让小模型忠实代表大原型？答案全部装在量纲分析这只工具箱里，而工具箱的说明书就是白金汉 π 定理。
一、定理的表述与来历
一个力学问题的答案，比如"管道的压降是多少"，最终取决于若干有量纲参数：管径 D、流速 U、密度 ρ、粘度 μ、管长 L、粗糙度 ε……共 n 个。这些参数由基本量纲（质量 M、长度 L、时间 T）组合而成。π 定理说：n 个参数之间的一切可能关系，都可以改写成 n−k 个无量纲组合（π 项）之间的关系，k 为基本量纲个数。
以管阻为例：Δp 依赖 ρ、U、D、μ、ε、L，共 7 个参数、3 个基本量纲，于是只有 4 个无量纲数：欧拉数 Δp/(ρU²)、雷诺数 ρUD/μ、相对粗糙度 ε/D、长径比 L/D。原来的"七维实验"塌缩成"四维实验"——如果把长径比与粗糙度固定，只剩 Re 一个自变量，穆迪图上的一条曲线就装下了全部规律。每消去一个维度，实验量就除一次变量个数，这是量纲分析的降维红利。
二、操作步骤：五步法
- 列全参数：把所有相关有量纲量列成清单（因变量加自变量），这一步最考验物理直觉，漏一个参数结论就错；
- 数基本量纲：力学问题通常是 M、L、T 共 3 个（含热则加温度）；
- 选重复变量：从参数里挑 k 个，要求量纲互相独立且包含全部基本量纲——流体问题惯选 ρ、U、D 这组"密度-速度-尺度"铁三角；
- 拼 π 项：剩余每个参数与重复变量组合，令量纲指数归零，解出幂次；
- 整理成函数关系：因变量组成的 π 项写成其余 π 项的函数，实验或理论去定这个函数。
# 用量纲矩阵解出管阻问题的 pi 项幂次 import numpy as np # 变量: dp, rho, U, D, mu 量纲按 M L T 列向量 dims = { "dp": [1, -1, -2], # M L-1 T-2 "rho": [3, 0, 0] if False else [1, -3, 0], "U": [0, 1, -1], "D": [0, 1, 0], "mu": [1, -1, -1], } A = np.array([dims["dp"], dims["rho"], dims["U"]]).T # 重复变量 rho U D b = np.array(dims["mu"]) x = np.linalg.solve(A, b) # mu * rho^x1 U^x2 D^x3 无量纲 print("mu 项幂次 rho,U,D =", np.round(-x, 3)) print("即 pi 数 = mu / (rho^%.2f U^%.2f D^%.2f) 等价于 1/Re" % (-x[0], -x[1], -x[2]))
解出的组合正是 μ/(ρUD) = 1/Re——雷诺数不是天上掉下来的，它是量纲分析的必然产物。同理把 dp 换进去就得到欧拉数。定理自动"发现"了雷诺数，这就是 1883 年雷诺实验与 1914 年白金汉定理会师的原因。
三、案例演练：船舶波浪阻力
海浪拍船头碎成的白沫在做功——波浪阻力是船舶阻力的核心成分，与重力波传播直接相关。参数表：阻力 F、密度 ρ、航速 U、船长 L、重力 g、粘度 μ，共 6 个参数、3 个基本量纲，得 3 个无量纲数：阻力系数 C_F = F/(½ρU²L²)、雷诺数 Re、弗劳德数 Fr = U/√(gL)。
结论先写下来：C_F = f(Re, Fr)。要模型与原型相似，必须 Re 与 Fr 同时相等——下一节会展示这件事在同一份流体里做不到，船舶拖曳水池因此发展出一整套"部分相似加外插修正"的行业手艺。这里先看量纲分析立下的功劳：没有它之前，船模试验结果按几何比例换算，屡屡与实船严重不符；有了它，人们才明白"按数换算、不按尺寸换算"，船舶工业的模型试验体系从 1870 年代弗劳德的拖曳水池开始建立。
四、方法的边界
再看一个"漏参数会翻车"的微尺度现场：给喷墨打印机的墨滴（特征尺度零点几毫米）做缩比分析。若只考虑惯性与粘性，结论是 Re 相等即可；但墨滴这么小，表面张力与惯性同量级，韦伯数 We = ρU²D/σ 必须进清单。用 Python 把两效应摆上天平：
rho, U, D, sigma = 1000, 5.0, 40e-6, 0.045 # 水性墨 界面张力 45 mN/m We = rho * U**2 * D / sigma Re = rho * U * D / 1e-3 print(f"We = {We:.1f} Re = {Re:.0f}") # We 约 22 惯性与表面张力同台竞技 换成 1 m 的大尺度水流 We 会爆涨六个数量级 # 说明同一份流体 换个尺度 性格完全不同——这正是缩尺实验必须盯紧无量纲数的根源
⚠️ 量纲分析给结构、不给函数。它告诉你答案必然长成 C_F = f(Re, Fr)，但 f 是什么形状，仍需实验或理论填充。它也无法提示你漏了哪个参数——若研究者没想到表面张力，韦伯数就不会出现在清单里，微尺度模型的规律就会"莫名其妙"偏离。参数清单的完备性靠物理理解，定理只负责把清单压到最简。
追问：无量纲数为什么"物理意义丰富"？
每个无量纲数都是两种效应的比值：Re 是惯性比粘性、Fr 是惯性比重力、We 是惯性比表面张力、Ma 是流速比声速（压缩效应的代理）。读一个新遇到的无量纲数，先问"它把谁和谁放在了天平两端"，数值大小立即告诉你哪种效应主导——这套读法贯穿全书各章，也是工程师快速判断陌生流动问题的第一反射。
本节要点回顾
- π 定理：n 个参数 k 个基本量纲，问题化为 n−k 个无量纲数群的关系，实验维度骤降；
- 五步操作：列参数、数量纲、选重复变量（ρ-U-D 铁三角）、拼 π 项、整理函数；
- 雷诺数是量纲分析的必然产物，不是人为约定；
- 量纲分析给结构不给函数，参数清单的完备性靠物理直觉兜底；
- 每个无量纲数是两种效应之比，读数先读"天平两端"。
方法在手，下一节进入它最烧脑的应用现场：模型实验的相似设计。