Explainable deep learning reveals the physical mechanisms behind the turbulent kinetic energy equation

Durch die Anwendung von erklärbarem Deep Learning auf turbulente Kanalströmungen zeigt diese Studie auf, dass die wandnahe Turbulenz hierarchisch organisiert ist, wobei die Dissipation als dominanter Mechanismus die Produktion und die viskose Diffusion einschränkt – eine Struktur, die in der äußeren Schicht zusammenbricht, wo keine einzelne klassische kohärente Struktur den turbulenten kinetischen Energiebudget repräsentieren kann.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, einen massiven, chaotischen Sturm in einem Rohr zu verstehen. Lange Zeit haben Wissenschaftler versucht vorherzusagen, wie sich die Energie in diesem wirbelnden Chaos bewegt, aber die Mathematik dahinter ist unglaublich komplex – wie der Versuch, jeden einzelnen Regentropfen in einem Hurrikan zu verfolgen.

Dieses Paper stellt eine neue Art vor, diesen Sturm mit einer durch Künstliche Intelligenz (KI) gesteuerten „intelligenten Kamera“ zu betrachten. Anstatt nur zu raten, lernt die KI die Regeln des Sturms und erklärt dann auch, warum er sich so verhält, wie er es tut. Hier ist die Geschichte dessen, was sie herausgefunden haben, einfach aufgeschlüsselt:

Der KI-Detektiv und das „Warum“

Die Forscher verwendeten eine spezielle Art von KI, die als Explainable Deep Learning bezeichnet wird. Stellen Sie sich diese KI nicht nur als Vorhersage-Werkzeug vor, sondern als einen Detektiv, der auf eine bestimmte Stelle in der Flüssigkeit zeigen und sagen kann: „Ich habe diesen Luftwirbel genutzt, um vorherzusagen, was als Nächstes passiert.“

Sie trainierten die KI, um fünf verschiedene Teile des „Energiebudgets“ der Turbulenz vorherzusagen (wie Energie erzeugt, bewegt und zerstört wird). Dann fragten sie die KI: „Welche Teile der Strömung waren für deine Vorhersage am wichtigsten?“ Die KI zeichnete eine Karte dieser wichtigen Stellen, die sie SHAP-Strukturen nennen.

Die Nachbarschaft der Rohrwand

Das Rohr hat eine „Wand“ (die Metalloberfläche) und eine „äußere Schicht“ (die Mitte des Rohrs). Die Karten der KI enthüllten zwei sehr unterschiedliche Nachbarschaften:

1. Die Wandnähe-Zone (Das geschäftige Stadtzentrum)
In der Nähe der Wand (innerhalb der ersten 30 „Einheiten“ der Distanz) fand die KI heraus, dass fast die gesamte wichtige Action in einem sehr spezifischen, dicht gedrängten Bereich stattfindet.

• Die „Sweep“-Ereignisse: Die wichtigsten Strukturen waren wie Hochgeschwindigkeitsautos, die direkt zum Bordstein hinunterfahren. In der Fachsprache der Fluiddynamik nennt man dies „Sweeps“ (schnelle Flüssigkeit, die gegen die Wand prallt). Sie sind wesentlich wichtiger als „Ejections“ (langsame Flüssigkeit, die sich von der Wand weg nach oben schiebt).
• Die Hierarchie (Die russische Matroschka-Puppe): Dies ist die größte Entdeckung. Die KI fand heraus, dass die Strukturen, die für die Erzeugung von Energie (Produktion) und die Bewegung von Energie durch die zähe Flüssigkeit (viskose Diffusion) verantwortlich sind, fast vollständig innerhalb der Strukturen liegen, die für die Zerstörung von Energie (Dissipation) verantwortlich sind.
  • Analogie: Stellen Sie sich ein riesiges, leuchtendes Netz (Dissipation) vor. Innerhalb dieses Netzes finden Sie kleinere Netze für die Erzeugung und Bewegung von Energie. Das „Dissipation“-Netz ist der Chef; es umschließt alles andere. Wenn Sie die Energie in der Nähe der Wand kontrollieren wollen, müssen Sie zuerst mit diesem „Dissipation“-Netz fertig werden.

2. Die äußere Schicht (Das offene Land)
Wenn man sich von der Wand weg in die Mitte des Rohrs bewegt, bricht die ordentliche, verschachtelte Struktur zusammen.

• Der Effekt der „russischen Matroschka-Puppe“ verschwindet. Die Strukturen für die Erzeugung und die Zerstörung von Energie überschneiden sich nicht mehr perfekt.
• Stattdessen sind die einzigen Dinge, die immer noch zusammenarbeiten scheinen, die Druckänderungen und der Transport von Energie. Sie überschneiden sich etwa 60 % der Zeit, was auf eine lockerere, eher verstreute Beziehung in der Mitte des Rohrs hindeutet, verglichen mit der engen Organisation in Wandnähe.

Die „alten Karten“ vs. das „neue GPS“

Seit Jahrzehnten nutzen Wissenschaftler „klassische“ Karten, um Turbulenz zu verstehen. Sie suchen nach spezifischen Formen wie:

• Streaks: Lange Linien aus schneller oder langsamer Flüssigkeit.
• Vortices: Wirbelnde Wasserwirbel.
• Q-Events: Spezifische Arten von intensiven Wirbelbewegungen.

Die Forscher verglichen ihre neuen KI-Karten mit diesen alten klassischen Karten. Das Ergebnis war überraschend: Die alten Karten stimmen nicht mit der neuen Realität überein.

• In Wandnähe erklären die klassischen „Wirbel“ (Vortices) und „Linien“ (Streaks) nur teilweise das, was die KI sieht.
• In der Mitte des Rohrs passen die klassischen Strukturen kaum noch zu den Erkenntnissen der KI. Die KI fand heraus, dass die alten „Wasserwirbel“ nicht die Hauptantriebskräfte des Energiebudgets sind, wie wir bisher dachten.

Das Faz-it

Diese Studie nutzte KI, um aufzuzeigen, dass Turbulenz in Wandnähe wie eine strikte Hierarchie organisiert ist, in der die Energiezerstörung (Dissipation) der Boss ist, der alles umschließt und kontrolliert, wie Energie erzeugt und bewegt wird. Sobald man sich jedoch von der Wand entfernt, bricht diese strikte Ordnung zusammen und die Regeln werden viel ungeordneter.

Vor allem zeigt die Studie, dass die „klassischen“ Formen, auf die sich Wissenschaftler jahrelang verlassen haben (wie bestimmte Wirbel oder Linien), nicht die ganze Geschichte erzählen. Die KI hat uns gezeigt, dass die tatsächlichen Mechanismen komplexer sind und am besten durch die spezifischen „Wichtigkeits-Karten“ verstanden werden können, die die KI generiert hat, anstatt sich auf unsere alten mentalen Bilder davon zu verlassen, wie Turbulenz funktioniert.

Technische Zusammenfassung

Problemstellung
Die Vorhersage und das Verständnis turbulenter Strömungen bleiben zentrale Herausforderungen in der Strömungsmechanik, bedingt durch die hochgradig nichtlineare und multiskalige Natur der Turbulenz. Während hochauflösende numerische Simulationen wie die direkte numerische Simulation (DNS) signifikante Fortschritte gemacht haben, bleibt die detaillierte Analyse der physikalischen Mechanismen, die die Entwicklung des Geschwindigkeitsfeldes antreiben, komplex und rechenintensiv. Traditionelle Ansätze konzentrieren sich oft auf die direkte Interpretation von Geschwindigkeitsschwankungsfeldern. Die isolierte Analyse der einzelnen instantanen Terme der turbulenten kinetischen Energie (TKE)-Bilanz – insbesondere Produktion, Dissipation, viskose Diffusion, turbulente Transport sowie die Korrelation zwischen Geschwindigkeit und Druckgradient – bietet jedoch eine detailliertere, physikalisch fundiertere Perspektive. Jeder dieser Terme repräsentiert einen distinkten physikalischen Mechanismus, und ihre separate Analyse kann Erkenntnisse offenbaren, die aus Geschwindigkeitsfeldern allein nicht zugänglich sind.

Methodik
Diese Studie verwendet erklärbare tiefe Lernverfahren (Explainable Deep Learning, XDL), um die physikalischen Mechanismen zu untersuchen, die den TKE-Transport in einer turbulenten Kanalströmung bei einer ReibungsReynoldszahl von $Re_\tau = 125$ steuern. Der Arbeitsablauf umfasst vier Hauptphasen:

1. Datengenerierung: Eine DNS einer inkompressiblen turbulenten Kanalströmung wird mit dem Spektralkode LISO durchgeführt. Der Rechenbereich beträgt $(8\pi h, 2h, 3\pi h)$, und die Daten sind in Wandeinheiten normiert. Instantane TKE-Bilanzterme werden aus dem Geschwindigkeitsfeld bereft.
2. Deep-Learning-Modell: Eine U-Net-Architektur wird trainiert, um die zukünftige Entwicklung jedes einzelnen TKE-Bilanzterms basierend auf dem instantanen Geschwindigkeitsfeld vorherzusagen. Das Modell verwendet ein Zeitintervall von $\Delta t^+ = 5$ und wird auf 10.000 Snapshots trainiert (wobei 20 % für die Validierung reserviert sind) unter Verwendung eines RMSprop-Gradientenabstiegsalgorithmus, um den mittleren quadratischen Fehler zu minimieren, bis ein relativer Fehler unter 1 % erreicht ist.
3. Erklärbarkeit (SHAP): Um die Vorhersagen des Modells zu interpretieren, wird SHapley Additive exPlanations (SHAP) angewendet. Konkret wird eine Gradient-SHAP-Methodik eingesetzt, um die räumliche Bedeutung jedes Gitterpunktes im Eingangs-Geschwindigkeitsschwankungsfeld für den ausgehenden TKE-Term zu quantifizieren. Dies erzeugt dreidimensionale Wichtigkeitsfelder ($\phi_u, \phi_v, \phi_w$) für jeden Snapshot.
4. Strukturerkennung: Die SHAP-Wichtigkeitsfelder werden mittels eines Perkolationsalgorithmus verarbeitet, um kohärente „SHAP-Strukturen“ zu identifizieren. Diese werden als Regionen definiert, in denen die lokale SHAP-Norm einen Schwellenwert überschreitet, der durch einen hyperbolischen Lochparameter $H$ bestimmt wird. Diese identifizierten Strukturen werden anschließend mit klassischen Strömungsstrukturen (intensive Q-Ereignisse, Streaks, Wirbel) und den SHAP-Strukturen des Geschwindigkeits-Schwankungsfeldes selbst verglichen.

Kernergebnisse
Die Analyse liefert mehrere kritische Erkenntnisse bezüglich der räumlichen Organisation und Hierarchie der Turbulenz:

• Dominanz in Wandnähe: Die wichtigsten Strukturen für alle TKE-Bilanzterme befinden sich vornehmlich in der wandnahen Region ($y^+ < 30$), mit einer maximalen Dichte bei $y^+ \approx 15$.
• Ereignistypen: Positive Geschwindigkeitsschwankungen in Stromrichtung ($u^+ > 0$) nahe der Wand sind wichtiger als negative, was darauf hindeutet, dass Sweep-Ereignisse (Q4) gegenüber Ejektions-Ereignissen (Q2) dominieren, wenn es um die Erklärung der TKE-Bilanzmechanismen geht.
• Hierarchische Organisation in der viskosen Schicht: In der Region $y^+ < 30$ wird eine klare hierarchische Organisation beobachtet. Die für Produktion und viskose Diffusion relevanten SHAP-Strukturen sind fast vollständig in den für die Dissipation relevanten Strukturen enthalten. Insbesondere schneiden etwa 99 % der Produktions- und viskosen Diffusionsstrukturen unterhalb von $y^+ < 10$ mit den Dissipationsstrukturen. Dies deutet darauf hin, dass die Dissipation als der dominante organisierende Mechanismus fungiert, der Produktion und viskose Diffusion innerhalb einer einzigen strukturellen Hierarchie einschränkt.
• Zusammenbruch in der äußeren Schicht: Diese hierarchische Organisation bricht in der äußeren Schicht zusammen. Hier persistieren lediglich die SHAP-Strukturen der Korrelation zwischen Geschwindigkeit und Druckgradient sowie des turbulenten Transports. Diese beiden Terme weisen eine moderate räumliche Koinzidenz von etwa 60 % auf, was auf eine starke Kopplung zwischen Druckeffekten und Energienverteilung in der äußeren Schicht hindeutet, jedoch bei einer eher verteilten und weniger eng gekoppelten Natur im Vergleich zur wandnahen Region.
• Limitierungen klassischer Strukturen: Keine der klassischen kohärenten Strukturen (Q-Ereignisse, Streaks, Wirbel) ist in der Lage, die Mechanismen hinter den verschiedenen TKE-Bilanztermen über den gesamten Kanal hinweg darzustellen. Während Q-Ereignisse nahe der Wand weitgehend in die Dissipationsstrukturen eingebettet sind und Streaks eine gewisse Einbettung sehr nah an der Wand zeigen, versagen klassische Strukturen bei der Erfassung der dominanten Mechanismen für $y^+ \ge 15$. Die Ähnlichkeit mit Wirbeln ist in den meisten relevanten Regionen bemerkenswert gering (< 50 %).

Bedeutung und Ansprüche
Das Paper behauptet, dass diese Arbeit eine neuartige Methodik einführt, um die relevantesten Strömungsstrukturen für TKE-Bilanzterme zu identifizieren und damit datengetriebene Modelle mit der klassischen Wandturbulenzphysik zu verknüpfen. Durch die Verknüpfung von SHAP-Wichtigkeitskarten mit physikalischen Prozessen bietet die Studie eine physikalisch konsistente Interpretation der TKE-Bilanz, die bestehende spektrale Rahmenwerke ergänzt.

Die primäre Bedeutung liegt in der Aufdeckung der Dissipation als dem dominierenden organisierenden Mechanismus der wandnahen Turbulenz, welcher die Produktion und die viskose Diffusion innerhalb einer einzigen strukturellen Hierarchie einschränkt. Dieser Befund legt nahe, dass die gezielte Beeinflussung von Dissipationsstrukturen inhärent auch andere wandnahe turbulente Prozesse beeinflussen könnte, was potenzielle Erkenntnisse für Eingriffe zur Strömungskontrolle bietet. Darüber hinaus zeigen die Ergebnisse, dass SHAP in der Lage ist, präzise und aussagekräftige Informationen aus extrem komplexen, hochgradig nichtlinearen Gleichungen zu extrahieren, und bietet somit einen Rahmen zur Erweiterung der klassischen Analyse der wandgebundenen Turbulenz. Die Studie kommt zu dem Schluss, dass klassische Strukturen zwar gewisse Einblicke nahe der Wand bieten, jedoch unzureichend sind, um die Mechanismen hinter den TKE-Bilanztermen über den gesamten Kanal hinweg zu beschreiben, was den hier vorgestellten, datengetriebenen, erklärbaren Ansatz notwendig macht.