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

Al aplicar el aprendizaje profundo explicable al flujo turbulento en canales, este estudio revela que la turbulencia cerca de la pared está organizada jerárquicamente con la disipación como el mecanismo dominante que restringe la producción y la difusión viscosa, una estructura que se descompone en la capa externa donde ninguna estructura coherente clásica única puede representar el presupuesto de la energía cinética turbulenta.

Lo esencial

Imagina intentar comprender una tormenta masiva y caótica dentro de una tubería. Durante mucho tiempo, los científicos han intentado predecir cómo se mueve la energía en este caos giratorio, pero las matemáticas son increíblemente complejas, como intentar rastrear cada una de las gotas de lluvia en un huracán.

Este artículo presenta una nueva forma de observar esa tormenta utilizando una "cámara inteligente" impulsada por inteligencia artificial (IA). En lugar de simplemente adivinar, la IA aprende las reglas de la tormenta y luego explica por qué se comporta de esa manera. Aquí está la historia de lo que encontraron, explicada de forma sencilla:

El detective de la IA y el "¿Por qué?"

Los investigadores utilizaron un tipo especial de IA llamado Aprendizaje Profundo Explicable (Explainable Deep Learning). Piensa en esta IA no solo como un predictor, sino como un detective que puede señalar un punto específico en el fluido y decir: "Usé este remolino de aire para predecir qué pasará después".

Entrenaron a la IA para predecir cinco partes diferentes del "presupuesto de energía" de la turbulencia (cómo se crea, se mueve y se destruye la energía). Luego, le preguntaron a la IA: "¿Qué partes del flujo fueron más importantes para tu predicción?". La IA dibujó un mapa de estos puntos importantes, lo que llaman estructuras SHAP.

El vecindario de la pared de la tubería

La tubería tiene una "pared" (la superficie metálica) y una "capa externa" (el medio de la tubería). Los mapas de la IA revelaron dos vecindarios muy diferentes:

1. La Zona Cercana a la Pared (El Centro de la Ciudad Bulliciosa)
Cerca de la pared (dentro de las primeras 30 "unidades" de distancia), la IA encontró que casi toda la acción importante ocurre en un área muy específica y concurrida.

• Los eventos de "Barrido" (Sweep): Las estructuras más importantes eran como coches de alta velocidad lanzándose hacia la acera. En términos de fluidos, estos son llamados "barridos" (fluido rápido golpeando la pared). Son mucho más importantes que las "eyecciones" (fluido lento alejándose de la pared).
• La Jerarquía (La Muñeca Rusa): Este es el mayor descubrimiento. La IA encontró que las estructuras responsables de crear energía (Producción) y de mover la energía a través del fluido viscoso (Difusión Viscosa) están casi totalmente dentas de las estructuras responsables de destruir la energía (Disipación).
  • Analogía: Imagina una red gigante y brillante (Disipación). Dentro de esa red, encuentras redes más pequeñas para crear y mover la energía. La red de "Disipación" es la jefa; envuelve a todas las demás. Si quieres controlar la energía cerca de la pared, tienes que lidiar con esta red de "Disipación" primero.

2. La Capa Externa (El Campo Abierto)
A medida que te alejas de la pared hacia el medio de la tubería, el orden ordenado de las muñecas rusas se desmorona.

• El efecto de la "muñeca rusa" desaparece. Las estructuras para crear energía y destruir energía ya no se superponen perfectamente.
• En cambio, las únicas cosas que parecen trabajar juntas son los cambios de presión y el transporte de energía. Se superponen aproximadamente un 60% de las veces, lo que sugiere una relación más laxa y dispersa en el medio de la tubería en comparación con la organización tan estrecha cerca de la pared.

Los "Mapas Antiguos" frente al "Nuevo GPS"

Durante décadas, los científicos han utilizado "mapas clásicos" para comprender la turbulencia. Buscaban formas específicas como:

• Estrías (Streaks): Líneas largas de fluido rápido o lento.
• Vórtices: Remolinos giratorios.
• Eventos Q: Tipos específicos de giros intensos.

Los investigadores compararon sus nuevos mapas de IA con estos viejos mapas clásicos. El resultado fue sorprendente: los mapas antiguos no coinciden con la nueva realidad.

• Cerca de la pared, los "remolinos" (vórtices) y las "líneas" (estrías) clásicos solo explican parcialmente lo que la IA ve.
• En el medio de la tubería, las estructuras clásicas apenas coinciden con los hallazgos de la IA. La IA descubrió que los antiguos "remolinos" no son los principales impulsores del presupuesto de energía de la manera en que pensábamos.

La Conclusión

Este estudio utilizó la IA para revelar que la turbulencia cerca de una pared está organizada como una jerarquía estricta donde la destrucción de energía (Disipación) es la jefa, envolviendo y controlando cómo se crea y se mueve la energía. Sin embargo, una vez que te alejas de la pared, este orden estricto se desmorona y las reglas se vuelven mucho más dispersas.

Lo más importante es que las "formas clásicas" en las que los científicos han confiado durante años (como ciertos remolinos o líneas) no cuentan la historia completa. La IA nos mostró que los mecanismos reales son más complejos y se entienden mejor observando los específicos "mapas de importancia" que generó la IA, en lugar de confiar en nuestras viejas imágenes mentales de cómo funciona la turbulencia.

Resumen técnico

Planteamiento del Problema
La predicción y la comprensión de los flujos turbulentos siguen siendo desafíos centrales en la mecánica de fluidos debido a la naturaleza altamente no lineal y multiescala de la turbulencia. Si bien las simulaciones numéricas de alta fidelidad, como la Simulación Numérica Directa (DNS), han avanzado significamente, el análisis detallado de los mecanismos físicos que impulsan la evolución del campo de velocidades sigue siendo complejo y computacionalmente costoso. Los enfoques tradicionales suelen centrarse en interpretar directamente los campos de fluctuación de velocidad. Sin embargo, el análisis de los términos instantáneos individuales del balance de la energía cinética turbulenta (TKE) —específicamente la producción, la disipación, la difusión viscosa, el transporte turbulento y la correlación entre la velocidad y el gradiente de presión— ofrece una perspectiva más detallada y con una base física más sólida. Cada término representa un mecanismo físico distinto, y su análisis por separado puede revelar aspectos inaccesibles únicamente desde los campos de velocidad.

Metodología
Este estudio emplea el Aprendizaje Profundo Explicable (XDL) para investigar los mecanismos físicos que gobiernan el transporte de la TKE en un flujo de canal turbulento con un número de Reynolds de fricción de $Re_\tau = 125$. El flujo de trabajo consta de cuatro etapas principales:

1. Generación de Datos: Se realiza una DNS de un flujo de canal incompresible turbulento utilizando el código espectral LISO. El dominio computacional es $(8\pi h, 2h, 3\pi h)$, y los datos se normalizan en unidades de pared. Los términos individuales del balance de la TKE instantánea se calculan a partir del campo de velocidad.
2. Modelo de Aprendizaje Profundo: Se entrena una arquitectura U-net para predecir la evolución futura de cada término individual del balance de la TKE basándose en el campo de velocidad instantáneo. El modelo utiliza un intervalo de tiempo de $\Delta t^+ = 5$ y se entrena con 10,000 instantáneas (con un 20% reservado para validación) utilizando un algoritmo de descenso de gradiente RMSprop para minimizar el error cuadrático medio hasta lograr un error relativo inferior al 1%.
3. Explicabilidad (SHAP): Para interpretar las predicciones del modelo, se aplican las explicaciones de Shapley Aditivas (SHAP). Específicamente, se utiliza una metodología de gradiente-SHAP para cuantificar la importancia espacial de cada punto de la malla en el campo de entrada de fluctuación de velocidad para el término de salida de la TKE. Esto genera campos de importancia tridimensionales ($\phi_u, \phi_v, \phi_w$) para cada instantánea.
4. Identificación de Estructuras: Los campos de importancia SHAP se procesan mediante un algoritmo de percolación para identificar "estructuras SHAP" coherentes. Estas se definen como regiones donde la norma local de SHAP supera un umbral determinado por un parámetro de hueco hiperbólico $H$. Estas estructuras identificadas se comparan posteriormente con las estructuras de flujo clásicas (eventos Q intensos, rayas y vórtices) y con las estructuras SHAP del propio campo de fluctuación de velocidad.

Resultos Clave
El análisis arroja varios hallazgos críticos respecto a la organización espacial y jerárquica de la turbulencia:

• Dominancia de la zona cercana a la pared: Las estructuras más importantes para todos los términos del balance de la TKE se localizan predominantemente en la región cercana a la pared ($y^+ < 30$), con una densidad máxima alrededor de $y^+ \approx 15$.
• Tipos de Eventos: Las fluctuaciones positivas de la velocidad en la dirección de la corriente ($u^+ > 0$) cerca de la pared son más importantes que las negativas, lo que indica que los eventos de tipo barrido (Q4) predominan sobre los eventos de tipo expulsión (Q2) al explicar los mecanismos del balance de la TKE.
• Organización Jerárquica en la Capa Viscosa: En la región $y^+ < 30$, se observa una clara organización jerárquica. Las estructuras SHAP relevantes para la producción y la difusión viscosa están contenidas casi en su totalidad dentro de las estructuras relevantes para la disipación. Específicamente, aproximadamente el 99% de las estructuras de producción y difusión viscosa intersectan con las estructuras de disipación por debajo de $y^+ < 10$. Esto sugiere que la disipación actúa como el mecanismo organizador dominante, constriñendo la producción y la difusión viscosa dentro de una única jerarquía estructural.
• Ruptura en la Capa Externa: Esta organización jerárquica se rompe en la capa externa. Aquí, solo persisten las estructuras SHAP de la correlación entre la velocidad y el gradiente de presión y del transporte turbulento. Estos dos términos exhiben una coincidencia espacial moderada de aproximadamente el 60%, lo que indica un fuerte acoplamiento entre los efectos de presión y la redistribución de energía en la capa externa, pero con una naturaleza más distribuida y menos estrechamente acoplada en comparación con la región cercana a la pared.
• Limitaciones de las Estructuras Clásicas: Ninguna de las estructuras coherentes clásicas (eventos Q, rayas, vórtices) es capaz de representar los mecanismos detrás de los diversos términos del balance de la TKE en todo el canal. Si bien los eventos Q están mayormente contenidos dentro de las estructuras de disipación cerca de la pared, y las rayas muestran cierta inclusión muy cerca de la pared, las estructuras clásicas no logran capturar los mecanismos dominantes para $y^+ \ge 15$. La similitud con los vórtices es notablemente baja (<50%) en la mayoría de las regiones relevantes.

Significancia y Reivindicaciones
El artículo afirma que este trabajo introduce una metodología novedosa para identificar las estructuras de flujo más relevantes para los términos del balance de la TKE, tendiendo un puente entre los modelos basados en datos y la física clásica de la turbulencia de pared. Al vincular los mapas de importancia de SHAP con procesos físicos, el estudio proporciona una interpretación físicamente consistente del balance de la TKE que complementa los marcos espectrales existentes.

La significancia principal radica en revelar la disipación como el mecanismo organizador dominante de la turbulencia cercana a la pared, el cual constriñe la producción y la difusión viscosa dentro de una única jerarquía estructural. Este hallazgo sugiere que dirigirse a las estructuras de disipación podría influir inherentemente en otros procesos turbulentos cercanos a la pared, ofreciendo posibles perspectivas para intervenciones de control de flujo. Además, los resultados demuestran que SHAP es capaz de extraer información precisa y significativa de ecuaciones gobernantes extremadamente complejas y altamente no lineales, proporcionando un marco para extender el análisis clásico de la turbulencia de pared delimitada. El estudio concluye que, si bien las estructuras clásicas ofrecen cierta información cerca de la pared, son insuficientes para describir los mecanismos detrás de los términos del balance de la TKE en todo el canal, lo que hace necesario el enfoque explicable basado en datos presentado aquí.