Identifying regions of importance in wall-bounded turbulence through explainable deep learning

要約

壁内乱流は科学的および技術的に非常に重要であるにもかかわらず、古典物理学では未解決の問題であり、新たな観点から取り組む必要があります。
重要な戦略の 1 つは、流れ内のエネルギーを含むコヒーレント構造間の相互作用を研究することです。
この研究では、説明可能な深層学習手法を使用して、このような相互作用が初めて調査されました。
乱流チャネルの流れシミュレーションから得られた瞬間的な速度場は、U-net アーキテクチャを通じて時間内の速度場を予測するために使用されます。
予測されたフローに基づいて、SHapley Additive exPlanations (SHAP) のゲーム理論アルゴリズムを使用して、この予測に対する各構造の重要性を評価します。
この研究は、文献の以前の観察と一致する結果を提供し、流れの中で最も重要な構造が必ずしもレイノルズせん断応力に最も大きく寄与する構造ではないことを明らかにすることでそれらを拡張します。
また、この方法を実験データベースに適用すると、重要度スコアに基づいてまったく新しい構造を識別できます。
この枠組みは、流れ制御のための新しい戦略を含む、壁境界乱流の多くの基本的な現象に光を当てる可能性を秘めています。

要約(オリジナル)

Despite its great scientific and technological importance, wall-bounded turbulence is an unresolved problem in classical physics that requires new perspectives to be tackled. One of the key strategies has been to study interactions among the energy-containing 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 obtained from a turbulent channel flow simulation is used to predict the velocity field in time through a U-net architecture. 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 revealing that the most important structures in the flow are not necessarily the ones with the highest contribution to the Reynolds shear stress. We also apply the method to an experimental database, where we can identify completely new structures based on their importance score. This framework has the potential to shed light on numerous fundamental phenomena of wall-bounded turbulence, including novel strategies for flow control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google