Explaining wall-bounded turbulence through deep learning

要約

タイトル：深層学習による壁面乱流の解明

要約：
– 壁面乱流は、科学的・技術的に重要な問題であり、新しいアプローチが必要とされている。
– この研究では、流れの整数構造の相互作用を研究することが、壁面乱流の解決に向けた主要な戦略の1つである。
– 初めての解釈可能な深層学習手法を用いて、流れの瞬時速度場を用いて、時間に沿った速度場を予測する。
– 予測された流れに基づいて、SHapley Additive exPlanations (SHAP)のゲーム理論的アルゴリズムを用いて、各構造の予測に対する重要性を評価する。
– この手法により、文献で報告されている結果に合意し、Reynolds stress構造の重要性を定量化し、これらの構造と流れのダイナミクスの関連を見出した。
– このプロセスは、深層学習の解釈可能性に基づいており、壁面乱流などの多くの基礎的な現象を明らかにする可能性がある。

要約(オリジナル)

Despite its great scientific and technological importance, wall-bounded turbulence is an unresolved problem that requires new perspectives to be tackled. One of the key strategies has been to study interactions among the coherent structures in the flow. Such interactions are explored in this study for the first time using an explainable deep-learning method. The instantaneous velocity field in a turbulent channel is used to predict the velocity field in time through a convolutional neural network. Based on the predicted flow, we assess the importance of each structure for this prediction using the game-theoretic algorithm of SHapley Additive exPlanations (SHAP). This work provides results in agreement with previous observations in the literature and extends them by quantifying the importance of the Reynolds-stress structures, finding a connection between these structures and the dynamics of the flow. The process, based on deep-learning explainability, has the potential to shed light on numerous fundamental phenomena of wall-bounded turbulence, including the objective definition of new types of flow structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI