[논문 리뷰] Uncovering dynamically critical regions in near-wall turbulence using 3D Convolutional Neural Networks

Eric Jagodinski, Xingquan Zhu외 1명|arXiv (Cornell University)|2020. 04. 13.

Fluid Dynamics and Turbulent Flows참고 문헌 34인용 수 5

한 줄 요약

이 연구는 채널 유동에서 근접벽 난류 분출을 담당하는 동적으로 중요한 3차원 유동 구조를 식별하기 위해 다층 GradCAM 기법을 갖춘 3차원 컨volution 신경망(3D CNN)을 제안한다. 이 방법은 분출 펄스와 관련된 두드러진 영역을 자동으로 탐지하며, 이러한 영역이 최대 TKE 생산 부위가 아니라 낮은 소산과 높은 양의 난류 운동에너지(TKE) 생성과 연관되어 있음을 드러낸다.

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.

연구 동기 및 목표

• 근접벽 난류 분출 사건에 대해 동적으로 중요한 3차원 두드러운 유동 구조를 식별하기.
• 유동 역학에 대한 사전 가정 없이 3D CNN과 수정된 GradCAM을 사용해 학습된 연관성을 해석할 수 있는 설명 가능한 AI 프레임워크를 개발하기.
• 최대 난류 운동에너지(TKE) 생성 영역이 분출 강도와 상관이 있는지 도전적으로 검토하기.
• 3D CNN이 식별한 두드러진 구조와 물리적 유동 특성(예: 속도 변동, TKE 생성, 소산) 간의 공간적 겹침을 정량화하기.
• 기본 역학이 사전에 알려져 있지 않은 복잡한 난류 유동에서 비선형 공간 상관관계를 분석하기 위한 일반화 가능한 프레임워크 수립하기.

제안 방법

• 정규 주기 채널 유동의 직접 수치 시뮬레이션(DNS) 데이터를 기반으로 3D 컨volution 신경망(CNN)을 훈련하여 3차원 속도장에서 분출 강도를 예측한다.
• 3D CNN의 예측에 가장 영향을 미치는 공간 영역을 재구성하고 시각화하기 위해 다층 기반의 기울기 가중 클래스 활성화 맵(GradCAM) 기법을 제안한다.
• 수정된 GradCAM 방법을 통해 3D CNN의 내부 의사결정 과정을 설명 가능하게 하여 높은 주의 가중치를 가진 두드러진 3차원 유동 구조를 강조한다.
• 일관된 두드러진 구조의 기하학적 재구성을 수행하여 크기, 위치, 물리적 유동 특성과의 공간 상관관계를 정량화한다.
• 유럽식 거리의 확률 밀도 함수를 사용하여 GradCAM로 식별된 구조의 질량 중심과 물리적 유동 특성(예: 벽 방향 속도 변동, TKE 생성, 소산) 간의 통계적 분석을 수행한다.
• 시간적으로 상관 없는 테스트 데이터를 활용해 프레임워크를 검증하여 CNN의 일반화 능력이 훈련 분포를 초월해도 유지됨을 확인한다.

실험 결과

연구 질문

• RQ1 근접벽 난류 분출 사건의 형성과 진화에 있어 가장 중요한 3차원 유동 구조는 무엇인가?
• RQ2 최대 난류 운동에너지(TKE) 생성 영역이 분출 사건에 있어 가장 동적으로 중요한 영역과 일치하는가?
• RQ3 3D CNN이 식별한 두드러진 구조는 저속 스트레이크 및 분출 펄스와 같은 공명 구조와 어떻게 공간적으로 상관되는가?
• RQ4 모델이 식별한 두드러진 영역에서 TKE 생성과 소산 간의 관계는 어떠한가?
• RQ5 설명 가능한 주의 메커니즘을 갖춘 딥 러닝 프레임워크는 복잡한 난류 시스템에서 물리적으로 의미 있는, 직관적이지 않은 유동 역학을 드러낼 수 있는가?

주요 결과

• 3D CNN은 시간적으로 상관 없는 테스트 데이터에서 분출 강도를 성공적으로 일반화하여 훈련 분포를 초월한 강건성과 일반화 능력을 입증한다.
• 다층 GradCAM 기법은 고강도 분출 펄스와 분출 저속 스트레이크와 강하게 상관되는 연속적인 3차원 두드러진 구조를 식별한다.
• CNN이 식별한 두드러진 영역는 최대 TKE 생성 영역와 관련이 없으며, 오히려 극도로 낮은 소산과 음의 생성보다 높은 양의 TKE 생성 경향을 보이는 영역이다.
• GradCAM로 식별된 두드러진 구조와 벽 방향 속도 변동(v′)과의 공간적 겹침이 뚜렷하며, 이들의 질량 중심 간 거리는 약 53δ⁺이다.
• 두드러진 구조와 높은 TKE 생성 또는 소산 영역 간의 공간 겹침은 약 58δ⁺의 중심 거리로 더 약한 편이며, 이는 서로 다른 물리적 역할을 함을 시사한다.
• 분석 결과, 분출은 주로 낮은 소산과 순수 양의 TKE 생성 특성을 지닌 일관된 3차원 영역에 의해 주로 주도되며, 이는 최대 생성 영역가 가장 중요한 것으로 보는 기존의 가정을 도전한다.