[论文解读] 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 5

一句话总结

本研究提出一种具有多层GradCAM技术的3D卷积神经网络（CNN），以识别在通道流中导致近壁湍流喷射事件的动态关键3D流结构。该方法自主检测与喷射脉冲相关联的显著区域，并揭示这些区域与低耗散和高正湍流动能（TKE）产生相关，而非TKE产生峰值区域。

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.

研究动机与目标

• 识别对近壁湍流喷射事件的形成与演化具有动力学关键作用的三维显著流结构。
• 开发一种基于3D CNN与改进GradCAM的可解释人工智能框架，以解释学习到的关联关系，且无需对流动动力学预先设定假设。
• 探究最大湍流动能（TKE）产生区域是否与喷射强度相关，从而挑战传统假设。
• 量化CNN识别的显著结构与物理流特征（如速度脉动、TKE产生与耗散）之间的空间重叠程度。
• 建立一种可推广的框架，用于分析在先验未知底层动力学的复杂湍流流动中，非线性空间相关性。

提出的方法

• 使用周期性通道流的直接数值模拟（DNS）数据，训练3D卷积神经网络（CNN），以从3D速度场预测喷射强度。
• 提出一种多层梯度加权类激活映射（GradCAM）技术，用于重建并可视化CNN预测中最具影响力的3D空间区域。
• 改进的GradCAM方法通过突出显示具有高注意力权重的显著3D流结构，实现对CNN内部决策机制的可解释性解读。
• 对连贯的显著结构进行几何重建，以量化其尺寸、位置及其与物理流特征的空间相关性。
• 通过概率密度函数，对GradCAM结构质心与物理流特征（如法向壁面速度脉动、TKE产生、耗散）之间欧氏距离进行统计分析。
• 在时间去相关的测试数据上验证该框架，确认CNN对未见喷射强度水平的泛化能力。

实验结果

研究问题

• RQ1 哪些三维流结构对近壁湍流喷射事件的形成与演化最为关键？
• RQ2 最大湍流动能（TKE）产生区域是否对应于喷射事件中最具动力学重要性的区域？
• RQ3 3D CNN识别出的显著结构与低速条带和喷射脉冲等相干结构在空间上如何相关？
• RQ4 模型识别出的显著区域中，TKE产生与耗散之间存在何种关系？
• RQ5 具有可解释注意力机制的深度学习框架能否揭示复杂湍流系统中物理上有意义但非直观的流动动力学？

主要发现

• 3D CNN在时间去相关的测试数据上成功泛化，预测喷射强度，表现出对训练分布之外数据的鲁棒性与泛化能力。
• 多层GradCAM技术识别出与高强度喷射脉冲及爆发性低速条带强烈相关的连续3D显著结构。
• CNN识别出的显著区域与最大TKE产生区域无关，反而与极低耗散区域相关，且正TKE产生倾向显著高于负TKE产生。
• GradCAM识别的显著结构与壁面法向速度脉动（v′）相关区域存在显著空间重叠，二者质心距离约为53δ⁺。
• 显著结构与高TKE产生或高耗散区域之间的空间重叠较弱，质心距离约为58δ⁺，表明其具有不同的物理角色。
• 分析表明，喷射事件主要由具有低耗散和净正TKE产生的连贯3D区域驱动，挑战了‘峰值产生区域最为关键’的传统假设。