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

En appliquant l'apprentissage profond explicable à un écoulement turbulent en canal, cette étude révèle que la turbulence proche de la paroi est organisée de manière hiérarchique avec la dissipation comme mécanisme dominant contraignant la production et la diffusion visqueuse, une structure qui se décompose dans la couche externe où aucune structure cohérente classique ne peut représenter le budget de l'énergie cinétique turbulente.

L'essentiel

Imaginez que vous essayez de comprendre une tempête massive et chaotique à l'intérieur d'un tuyau. Pendant longtemps, les scientifiques ont tenté de prédire comment l'énergie de ce chaos tourbillonnant se déplace, mais les mathématiques sont incroyablement complexes, comme si l'on essayait de suivre chaque goutte de pluie dans un ouragan.

Ce document présente une nouvelle façon d'observer cette tempête à l'aide d'une « caméra intelligente » alimentée par l'intelligence artificielle (IA). Au lieu de simplement deviner, l'IA apprend les règles de la tempête puis explique pourlement elle se comporte ainsi. Voici l'histoire de ce qu'ils ont découvert, expliquée simplement :

Le détective IA et le « Pourquoi »

Les chercheurs ont utilisé un type spécial d'IA appelé Apprentissage Profond Explicable (Explainable Deep Learning). Considérez cette IA non pas seulement comme un prédicteur, mais comme un détective capable de pointer un endroit spécifique dans le fluide et de dire : « J'ai utilisé ce tourbillon d'air pour prédire ce qui se passe ensuite ».

Ils ont entraîné l'IA à prédire cinq parties différentes du « budget énergétique » de la turbulence (comment l'énergie est produite, déplacée et détruite). Ensuite, ils ont demandé à l'IA : « Quelles parties de l'écoulement étaient les plus importantes pour votre prédiction ? » L'IA a dessiné une carte de ces zones importantes, ce qu'ils appellent des structures SHAP.

Le voisinage de la paroi du tuyau

Le tuyau possède une « paroi » (la surface métallique) et une « couche externe » (le milieu du tuyau). L'IA a révélé deux quartiers très différents :

1. La zone proche de la paroi (Le centre-ville animé)
Près de la paroi (dans les 30 premières « unités » de distance), l'IA a découvert que presque toute l'action importante se déroule dans une zone spécifique et encombrée.

• Les événements de « balayage » (Sweep events) : Les structures les plus importantes étaient comme des voitures rapides plongeant vers le trottoir. En termes de fluides, ce sont des « balayages » (du fluide rapide frappant la paroi). Ils sont beaucoup plus importants que les « éjections » (du fluide lent s'éloignant de la paroi).
• La hiérarchie (La poupée russe) : C'est la plus grande découverte. L'IA a trouvé que les structures responsables de la création d'énergie (Production) et du déplacement de l'énergie à travers le fluide visqueux (Diffusion visqueuse) sont presque entièrement à l'intérieur des structures responsables de la destruction de l'énergie (Dissipation).
  • Analogie : Imaginez un immense filet lumineux (Dissipation). À l'intérieur de ce filet, vous trouvez de plus petits filets pour fabriquer et déplacer l'énergie. Le filet de la « Dissipation » est le patron ; il enveloppe tout le reste. Si vous voulez contrôler l'énergie près de la paroi, vous devez d'abord traiter ce filet de « Dissipation ».

2. La couche externe (La campagne ouverte)
À mesure que l'on s'éloigne de la paroi vers le milieu du tuyau, l'ordre ordonné des poupées russes se désagrège.

• L'effet de la « poupée russe » disparaît. Les structures de création d'énergie et de destruction d'énergie ne se chevauchent plus parfaitement.
• Au lieu de cela, les seules choses qui semblent encore fonctionner ensemble sont les changements de pression et le transport de l'énergie. Elles se chevauchent environ 60 % du temps, suggérant une relation plus lâche et plus dispersée au milieu du tuyau par rapport à l'organisation serrée près de la paroi.

Les « Anciennes cartes » vs le « Nouveau GPS »

Pendant des décennies, les scientifiques ont utilisé des cartes « classiques » pour comprendre la turbulence. Ils cherchaient des formes spécifiques telles que :

• Les stries (Streaks) : De longues lignes de fluide rapide ou lent.
• Les vortex : Des tourbillons en spirale.
• Les événements Q : Des types spécifiques de tourbillons intenses.

Les chercheurs ont comparé leurs nouvelles cartes d'IA avec ces anciennes cartes classiques. Le résultat est surprenant : les anciennes cartes ne correspondent pas à la nouvelle réalité.

• Près de la paroi, les « tourbillons » (vortex) et les « lignes » (stries) classiques n'expliquent que partiellement ce que l'IA voit.
• Au milieu du tuyau, les structures classiques correspondent à peine aux découvertes de l'IA. L'IA a montré que les anciens « tourbillons » ne sont pas les principaux moteurs du budget énergétique de la manière dont nous le pensions.

L'essentiel à retenir

Cette étude a utilisé l'IA pour révéler que la turbulence près d'une paroi est organisée comme une hiérarchie stricte où la destruction de l'énergie (Dissipation) est le patron, enveloppant et contrôlant la façon dont l'énergie est créée et déplacée. Cependant, une fois que l'on s'éloigne de la paroi, cet ordre strict s'effondre et les règles deviennent beaucoup plus éparpillées.

Plus important encore, les formes « classiques » sur lesquelles les scientifiques comptent depuis des années (comme les tourbillons ou les lignes spécifiques) ne racontent pas toute l'histoire. L'IA nous a montré que les mécanismes réels sont plus complexes et sont mieux compris en regardant les « cartes d'importance » générées par l'IA, plutôt qu'en se fiant à nos vieilles images mentales de la façon dont la turbulence fonctionne.

Résumé technique

Énoncé du Problème
La prédiction et la compréhension des écoulements turbulents demeurent des défis centraux en mécanique des fluides en raison de la nature hautement non linéaire et multi-échelle de la turbulence. Bien que les simulations numériques de haute fidélité, telles que la simulation numérique directe (DNS), aient progressé de manière significative, l'analyse détaillée des mécanismes physiques régissant l'évolution des champs de vitesse reste complexe et coûteuse en calcul. Les approches traditionnelles se concentrent souvent sur l'interprétation directe des champs de fluctuations de vitesse. Cependant, l'analyse des termes instantanés individuels du bilan de l'énergie cinétique turbulente (ECT) — spécifiquement la production, la dissipation, la diffusion visqueuse, le transport turbulent et la corrélation gradient de pression-vitesse — offre une perspective plus détaillée et physiquement fondée. Chaque terme représente un mécanisme physique distinct, et leur analyse séparée peut révéler des informations inaccessibles par les seuls champs de vitesse.

Méthodologie
Cette étude emploie l'apprentissage profond explicable (XDL) pour étudier les mécanismes physiques régissant le transport de l'ECT dans un écoulement de canal turbulent à un nombre de Reynolds de friction $Re_\tau = 125$. Le flux de travail comprend quatre étapes principales :

1. Génération de données : Une DNS d'un écoulement de canal turbulent incompressible est réalisée à l'aide du code spectral LISO. Le domaine de calcul est $(8\pi h, 2h, 3\pi h)$, et les données sont normalisées en unités de paroi. Les termes du bilan de l'ECT instantanés sont calculés à partir du champ de vitesse.
2. Modèle d'apprentissage profond : Une architecture U-net est entraînée pour prédire l'évolution future de chaque terme individuel du bilan de l'ECT à partir du champ de vitesse instantané. Le modèle utilise un intervalle de temps $\Delta t^+ = 5$ et est entraîné sur 10 000 instantanés (avec 20 % réservés pour la validation) en utilisant un algorithme de descent de gradient RMSprop pour minimiser l'erreur quadratique moyenne jusqu'à ce qu'une erreur relative inférieure à 1 % soit atteinte.
3. Explicabilité (SHAP) : Pour interpréter les prédictions du modèle, les explications additives de SHAP (SHAPes) sont appliquées. Plus précisément, une méthodologie gradient-SHAP est utilisée pour quantifier l'importance spatiale de chaque point de grille du champ de fluctuation de vitesse d'entrée pour le terme d'ECT de sortie. Cela génère des champs d'importance tridimensionnels ($\phi_u, \phi_v, \phi_w$) pour chaque instantané.
4. Identification de structures : Les champs d'importance SHAP sont traités à l'aide d'un algorithme de percolation pour identifier des « structures SHAP » cohérentes. Celles-ci sont définies comme des régions où la norme locale de SHAP dépasse un seuil déterminé par un paramètre de trou hyperbolique $H$. Ces structures identifiées sont ensuite comparées aux structures d'écoulement classiques (événements Q intenses, stries, vortex) ainsi qu'aux structures SHAP du champ de fluctuation de vitesse lui-même.

Résultats Clés
L'analyse produit plusieurs découvertes critiques concernant l'organisation spatiale et la hiérarchie de la turbulence :

• Dominance de la zone proche de la paroi : Les structures les plus importantes pour tous les termes du bilan de l'ECT sont principalement situées dans la région proche de la paroi ($y^+ < 30$), avec une densité de pic autour de $y^+ \approx 15$.
• Types d'événements : Les fluctuations de vitesse longitudinale positives ($u^+ > 0$) près de la paroi sont plus importantes que les négatives, indiquant que les événements de type balayage (Q4) dominent les événements de type éjection (Q2) pour expliquer les mécanismes du bilan de l'ECT.
• Organisation hiérarchique dans la couche visqueuse : Dans la région $y^+ < 30$, une organisation hiérarchique claire est observée. Les structures SHAP pertinentes pour la production et la diffusion visqueuse sont presque entièrement contenues dans les structures pertinentes pour la dissipation. Spécifiquement, environ 99 % des structures de production et de diffusion visqueuse interceptent les structures de dissipation en dessous de $y^+ < 10$. Cela suggère que la dissipation agit comme le mécanisme organisateur dominant, contraignant la production et la diffusion visqueuse au sein d'une hiérarchie structurelle unique.
• Rupture dans la couche externe : Cette organisation hiérarchique se rompt dans la couche externe. Ici, seuls les termes de corrélation gradient de pression-vitesse et de transport turbulent persistent. Ces deux termes présentent une coïncidence spatiale modérée d'environ 60 %, indiquant un fort couplage entre les effets de pression et la redistribution de l'énergie dans la couche externe, mais une nature plus distribuée et moins étroitement couplée par rapport à la région proche de la paroi.
• Limites des structures classiques : Aucune des structures cohérentes classiques (événements Q, stries, vortex) n'est capable de représenter les mécanismes derrière les divers termes du bilan de l'ECT à travers l'ensemble du canal. Bien que les événements Q soient largement contenus dans les structures de dissipation près de la paroi, et que les stries montrent un certain emboîtement très près de la paroi, les structures classiques ne parviennent pas à capturer les mécanismes dominants pour $y^+ \ge 15$. La similitude avec les vortex est notablement basse (< 50 %) dans la plupart des régions pertinentes.

Signification et Revendications
L'article affirme que ce travail introduit une méthodologie novatrice pour identifier les structures d'écoulement les plus pertinentes pour les termes du bilan de l'ECT, jetant un pont entre les modèles fondés sur les données et la physique classique de la turbulence de paroi. En liant les cartes d'importance SHAP aux processus physiques, l'étude fournit une interprétation physiquement cohérente de l'ECT qui complète les cadres spectraux existants.

La principale signification réside dans la mise en évidence de la dissipation comme le mécanisme organisateur dominant de la turbulence proche de la paroi, qui contraint la production et la diffusion visqueuse au sein d'une hiérarchie structurelle unique. Cette découverte suggère que cibler les structures de dissipation pourrait intrinsèquement influencer d'autres processus turbulents proches de la paroi, offrant des perspectives potentielles pour les interventions de contrôle de l'écoulement. De plus, les résultats démontrent que SHAP est capable d'extraire des informations précises et significatives à partir d'équations régissantes extrêmement complexes et hautement non linéaires, fournissant un cadre pour étendre l'analyse classique de la turbulence de paroi. L'étude conclut que bien que les structures classiques offrent un certain aperçu près de la paroi, elles sont insuffisantes pour décrire les mécanismes derrière les termes du bilan de l'ECT à travers tout le canal, nécessitant l'approche explicable et basée sur les données présentée ici.