[論文レビュー] Uncovering dynamically critical regions in near-wall turbulence using 3D Convolutional Neural Networks

Eric Jagodinski, Xingquan Zhu+1 more|arXiv (Cornell University)|Apr 13, 2020

Fluid Dynamics and Turbulent Flows参考文献 34被引用数 5

ひとこと要約

本研究では、チャネルフローにおける近壁乱流ジェットの原因となる動的に重要な3次元流れ構造を特定するため、マルチレイヤーGradCAMを組み込んだ3次元畳み込みニューラルネットワーク（CNN）を提案する。この手法は、ジェットパケットに関連する顕著な領域を自動で同定し、それらが最大TKE生産領域ではなく、低散逸と高い正の乱流運動エネルギー（TKE）生産と関連していることを明らかにする。

ABSTRACT

Near-wall regions in wall-bounded turbulent flows experience intermittent ejection of slow-moving fluid packets away from the wall and sweeps of faster moving fluid towards the wall. These extreme events play a central role in regulating the energy budget of the boundary layer, and are analyzed here with the help of a three-dimensional (3D) Convolutional Neural Network (CNN). A CNN is trained on Direct Numerical Simulation data from a periodic channel flow to deduce the intensity of such extreme events, and more importantly, to reveal contiguous three-dimensional salient structures in the flow that are determined autonomously by the network to be critical to the formation and evolution of ejection events. These salient regions, reconstructed using a multilayer Gradient-weighted Class Activation Mapping (GradCAM) technique proposed here, correlate well with bursting streaks and coherent fluid packets being ejected away from the wall. The focus on explainable interpretation of the network's learned associations also reveals that ejections are not associated with regions where turbulent kinetic energy (TKE) production reaches a maximum, but instead with regions that entail extremely low dissipation and a significantly higher tendency for positive TKE production than negative production. This is a key finding of the study, and indicates that CNNs can help reveal dynamically important three-dimensional salient regions using a single scalar-valued metric provided as the quantity of interest, which in the present case is the ejection intensity. While the current work presents an alternate means of analyzing nonlinear spatial correlations associated with near-wall bursts, the framework presented is sufficiently general so as to be extendable to other scenarios where the underlying spatial dynamics are not known a-priori.

研究の動機と目的

• 近壁乱流ジェットイベントに動的に重要である三次元顕著な流れ構造を特定すること。
• 流れの力学的挙動について事前の仮定なしに、3次元CNNと変更済みGradCAMを用いた説明可能なAIフレームワークを構築すること。
• 最大乱流運動エネルギー（TKE）生産領域がジェット強度と相関しているかどうかを検証し、従来の仮定に疑問を呈すること。
• CNNが同定した顕著な構造と物理的流れ特徴（例：速度フラクチュエーション、TKE生産、散逸）との空間的重複度を定量化すること。
• 事前に力学的ダイナミクスが不明な非線形な空間相関を分析する汎用フレームワークを確立すること。

提案手法

• 周期的チャネルフローの直接数値シミュレーション（DNS）データを用いて、3次元速度場からジェット強度を予測する3次元畳み込みニューラルネットワーク（CNN）を学習する。
• CNNの予測に最も寄与する3次元空間領域を再構成・可視化するため、マルチレイヤー勾配加重クラス活性化マッピング（GradCAM）手法を提案する。
• 変更済みGradCAM手法により、CNNの内部意思決定を説明可能にし、高い注目重みを持つ顕著な3次元流れ構造を強調する。
• 連続的な顕著構造の幾何学的再構築を実施し、そのサイズ、位置、および物理的流れ特徴との空間相関を定量する。
• 重心間のユークリッド距離の確率密度関数を用いて、GradCAM構造と物理的流れ特徴（例：壁方向速度フラクチュエーション、TKE生産、散逸）との統計的分析を実施する。
• 時間的に非相関なテストデータを用いた検証により、CNNの未知のジェット強度レベルへの一般化能力が確認された。

実験結果

リサーチクエスチョン

• RQ1 近壁乱流ジェットイベントの形成と発展に最も重要な三次元流れ構造は何か？
• RQ2 最大乱流運動エネルギー（TKE）生産領域は、ジェットイベントにおいて最も動的に重要な領域と一致するか？
• RQ3 3次元CNNが同定した顕著構造は、低速ストリークやジェットパケットなどのコherent構造とどのように空間的に相関しているか？
• RQ4 モデルが同定した顕著領域におけるTKE生産と散逸の関係は何か？
• RQ5 説明可能な注目メカニズムを備えたディープラーニングフレームワークは、複雑な乱流系において物理的に意味のある、直感的でない流れのダイナミクスを明らかにできるか？

主な発見

• 3次元CNNは、時間的に非相関なテストデータに対してもジェット強度を予測する能力を示し、学習分布を超えた頑健性と一般化能力を確認した。
• マルチレイヤーGradCAM手法により、高強度ジェットパケットやバーストする低速ストリークと強く相関する連続的な3次元顕著構造が同定された。
• CNNが同定した顕著領域は最大TKE生産領域とは関連していないが、極めて低い散逸と、負の生産よりも顕著に高い正のTKE生産の傾向を示している。
• GradCAMで同定された顕著構造と壁方向速度フラクチュエーション（v′）に関連する領域との間に顕著な空間的重複が認められ、その重心間距離は約53δ⁺であった。
• 顕著構造と高TKE生産領域または高散逸領域との空間的重複は弱く、重心間距離は約58δ⁺であった。これは、それらが異なる物理的役割を果たしていることを示唆している。
• 解析により、ジェットは主に低散逸と正のTKE生産が特徴の連続的3次元領域によって駆動されており、最大生産領域が最も重要であるという仮定に疑問を呈する結果となった。