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

Ao aplicar o aprendizado profundo explicável ao escoamento turbulento em canal, este estudo revela que a turbulência próxima à parede é organizada hierarquicamente com a dissipação como o mecanismo dominante que restringe a produção e a difusão viscosa, uma estrutura que se desintegra na camada externa, onde nenhuma estrutura coerente clássica única pode representar o balanço da energia cinética turbulenta.

O essencial

Imagine tentar entender uma tempestade massiva e caótica dentro de um cano. Por muito tempo, cientistas tentaram prever como a energia nesse caos giratório se move, mas a matemática é incrivelmente complexa, como tentar rastrear cada gota de chuva em um furacão.

Este artigo apresenta uma nova maneira de olhar para essa tempestade usando uma "câmera inteligente" alimentada por inteligência artificial (IA). Em vez de apenas adivinhar, a IA aprende as regras da tempestade e então explica o porquê de ela se comportar dessa maneira. Aqui está a história do que eles descobriram, explicada de forma simples:

O Detetive de IA e o "Porquê"

Os pesquisadores usaram um tipo especial de IA chamado Aprendizado Profundo Explicável (Explainable Deep Learning). Pense nesta IA não apenas como uma preditora, mas como um detetive que pode apontar para um ponto específico no fluido e dizer: "Eu usei este redemoinho de ar para prever o que acontece a seguir".

Eles treinaram a IA para prever cinco partes diferentes do "orçamento de energia" da turbulência (como a energia é criada, movida e destruída). Então, perguntaram à IA: "Quais partes do fluxo foram mais importantes para a sua previsão?" A IA desenhou um mapa desses pontos importantes, que eles chamam de estruturas SHAP.

O Bairro da Parede do Cano

O cano tem uma "parede" (a superfície metálica) e uma "camada externa" (o meio do cano). A IA revelou dois bairros muito diferentes:

1. A Zona Próxima à Parede (O Centro da Cidade Agitado)
Perto da parede (dentro das primeiras 30 "unidades" de distância), a IA descobriu que quase toda a ação importante acontece em uma área específica e lotada.

• Os Eventos de "Varredura" (Sweep): As estruturas mais importantes eram como carros de alta velocidade mergulhando em direção ao meio-fio. Em termos de fluido, esses são chamados de "sweeps" (fluido rápido atingindo a parede). Eles são muito mais importantes do que as "ejeções" (fluido lento afastando-se da parede).
• A Hierarquia (A Boneca Russa): Esta é a maior descoberta. A IA descobriu que as estruturas responsáveis por criar energia (Produção) e mover energia através do fluido viscoso (Difusão Viscosa) estão quase inteiramente dentro das estruturas responsáveis por destruir energia (Dissipação).
  • Analogia: Imagine uma rede gigante e brilhante (Dissipação). Dentro dessa rede, você encontra redes menores para criar e mover energia. A rede de "Dissipação" é a chefe; ela envolve todas as outras. Se você quiser controlar a energia perto da parede, tem que lidar com esta rede de "Dissipação" primeiro.

2. A Camada Externa (O Campo Aberto)
À medida que você se afasta da parede em direção ao meio do cano, a ordem organizada de "bonecas russas" se desfaz.

• O efeito da "boneca russa" desaparece. As estruturas para criar energia e destruir energia não se sobrepõem mais perfeitamente.
• Em vez disso, as únicas coisas que ainda parecem trabalhar juntas são as mudanças de pressão e o transporte de energia. Elas se sobrepõem cerca de 60% das vezes, sugerindo uma relação mais solta e dispersa no meio do cano em comparação com a organização apertada perto da parede.

Os "Mapas Antigos" vs. O "Novo GPS"

Por décadas, cientistas usaram "mapas clássicos" para entender a turbulência. Eles procuravam por formas específicas como:

• Estrias (Streaks): Linhas longas de fluido rápido ou lento.
• Vórtices (Vortices): Redemoinhos giratórios.
• Eventos Q (Q-events): Tipos específicos de redemoinhos intensos.

Os pesquisadores compararam seus novos mapas de IA com esses antigos mapas clássicos. O resultado foi surpreendente: os mapas antigos não coincidem com a nova realidade.

• Perto da parede, os "redemoinhos" (vórtices) e "linhas" (estrias) clássicos explicam apenas parcialmente o que a IA vê.
• No meio do cano, as estruturas clássicas mal coincidem com as descobertas da IA. A IA descobriu que os antigos "redemoinhos" não são os principais motores do orçamento de energia da maneira que pensávamos.

A Conclusão

Este estudo usou a IA para revelar que a turbulência perto de uma parede é organizada como uma hierarquia estrita, onde a destruição de energia (Dissipação) é a chefe, envolvendo e controlando como a energia é criada e movida. No entanto, uma vez que você se afasta da parede, essa ordem estrita desmorona e as regras tornam-se muito mais dispersas.

Mais importante ainda, as formas "clássicas" nas quais os cientistas confiaram por anos (como redemoinhos ou linhas específicas) não contam a história toda. A IA mostrou que os mecanismos reais são mais complexos e são melhor compreendidos olhando para os mapas de importância específicos que a IA gerou, em vez de depender de nossas antigas imagens mentais de como a turbulência funciona.

Resumo técnico

Enunciado do Problema
A previsão e a compreensão de fluxos turbulentos permanecem como desafios centrais na mecânica dos fluidos devido à natureza altamente não linear e multiescala da turbulência. Embora simulações numéricas de alta fidelidade, como a Simulação Numérica Direta (DNS), tenham avançado significativamente, a análise detalhada dos mecanismos físicos que regem a evolução do campo de velocidade permanece complexa e computacionalmente dispendiosa. Abordagens tradicionais focam frequentemente na interpretação direta dos campos de flutuação de velocidade. No entanto, a análise dos termos instantâneos individuais do orçamento da energia cinética turbulenta (TKE) — especificamente produção, dissipação, difusão viscosa, transporte turbulento e correlação gradiente-pressão-velocidade — oferece uma perspectiva mais detalhada e fisicamente fundamentada. Cada termo representa um mecanismo físico distinto, e sua análise separada pode revelar insights inacessíveis apenas através dos campos de velocidade.

Metodologia
Este estudo emprega Aprendizado Profundo Explicável (XDL) para investigar os mecanismos físicos que regem o transporte da TKE em um escoamento de canal turbulento com um número de Reynolds de fricção de $Re_\tau = 125$. O fluxo de trabalho envolve quatro etapas principais:

1. Geração de Dados: Uma DNS de um escoamento de canal incompressível e turbulento é conduzida utilizando o código espectral LISO. O domínio computacional é $(8\pi h, 2h, 3\pi h)$, e os dados são normalizados em unidades de parede. Termos de orçamento de TKE instantâneos são calculados a partir do campo de velocidade.
2. Modelo de Aprendizado Profundo: Uma arquitetura U-net é treinada para prever a evolução futura de cada termo individual do orçamento de TKE com base no campo de velocidade instantâneo. O modelo utiliza um intervalo de tempo de $\Delta t^+ = 5$ e é treinado em 10.000 instantâneos (com 20% reservados para validação) usando um algoritmo de gradiente descendente RMSprop para minimizar o erro quadrático médio até que um erro relativo abaixo de 1% seja alcançado.
3. Explicabilidade (SHAP): Para interpretar as previsões do modelo, aplica-se SHAP (SHapley Additive exPlanations). Especificamente, uma metodologia gradient-SHAP é utilizada para quantificar a importância espacial de cada ponto de grade do campo de flutuação de velocidade de entrada para o termo de TKE de saída. Isso gera campos de importância tridimensionais ($\phi_u, \phi_v, \phi_w$) para cada instantâneo.
4. Identificação de Estruturas: Os campos de importância SHAP são processados usando um algoritmo de percolação para identificar "estruturas SHAP" coerentes. Estas são definidas como regiões onde a norma local do SHAP excede um limiar determinado por um parâmetro de furo hiperbólico $H$. Essas estruturas identificadas são então comparadas contra estruturas clássicas de escoamento (eventos Q intensos, estrias, vórtices) e as estruturas SHAP do próprio campo de flutuação de velocidade.

Resultos Principais
A análise produz vários achados críticos em relação à organização espacial e hierárquica da turbulência:

• Dominância Próxima à Parede: As estruturas mais importantes para todos os termos do orçamento de TKE estão predominantemente localizadas na região próxima à parede ($y^+ < 30$), com densidade máxima em torno de $y^+ \approx 15$.
• Tipos de Eventos: Flutuações positivas da velocidade longitudinal ($u^+ > 0$) próximas à parede são mais importantes que as negativas, indicando que eventos de varredura (sweeps-tipo Q4) dominam sobre eventos de ejeção (ejections-tipo Q2) na explicação dos mecanismos do orçamento de TKE.
• Organização Hierárquica na Camada Viscosa: Na região $y^+ < 30$, observa-se uma clara organização hierárquica. As estruturas SHAP relevantes para a produção e a difusão viscosa estão quase inteiramente contidas dentro das estruturas relevantes para a dissipação. Especificamente, aproximadamente 99% das estruturas de produção e difusão viscosa interceptam as estruturas de dissipação abaixo de $y^+ < 10$. Isso sugere que a dissipação atua como o mecanismo organizador dominante, restringindo a produção e a difusão viscosa dentro de uma única hierarquia estrutural.
• Ruptura na Camada Externa: Esta organização hierárquica se rompe na camada externa. Aqui, apenas as estruturas SHAP de correlação gradiente-pressão-velocidade e de transporte turbulento persistem. Estes dois termos exibem uma coincidência espacial moderada de aproximadamente 60%, indicando um forte acoplamento entre efeitos de pressão e redistribuição de energia na camada externa, mas uma natureza mais distribuída e menos fortemente acoplada em comparação com a região próxima à parede.
• Limitações das Estruturas Clássicas: Nenhuma das estruturas coerentes clássicas (eventos Q, estrias, vórtices) é capaz de representar os mecanismos por trás dos diversos termos do orçamento de TKE em todo o canal. Embora os eventos Q estejam amplamente contidos nas estruturas de dissipação perto da parede, e as estrias mostrem algum embutimento muito próximo à parede, as estruturas clássicas falham em capturar os mecanismos dominantes para $y^+ \ge 15$. A similaridade com os vórtices é notavelmente baixa (<50%) na maioria das regiões relevantes.

Significância e Alegações
O artigo alega que este trabalho introduz uma metodologia inovadora para identificar as estruturas de escoamento mais relevantes para os termos do orçamento de TKE, unindo modelos baseados em dados com a física clássica da turbulência de parede. Ao vincular mapas de importância SHAP a processos físicos, o estudo fornece uma interpretação fisicamente consistente do orçamento de TKE que complementa as estruturas espectrais existentes.

A principal significância reside em revelar a dissipação como o mecanismo organizador dominante da turbulência próxima à parede, que restringe a produção e a difusão viscosa dentro de uma única hierarquia estrutural. Este achado sugere que visar as estruturas de dissipação poderia inerentemente influenciar outros processos turbulentos próximos à parede, oferecendo potenciais insights para intervenções de controle de escoamento. Além disso, os resultados demonstram que o SHAP é capaz de extrair informações precisas e significativas de equações governantes extremamente complexas e altamente não lineares, fornecendo um arcabouço para estender a análise clássica da turbulência limitada por parede. O estudo conclui que, embora as estruturas clássicas ofereçam algum insight perto da parede, elas são insuficientes para descrever os mecanismos por trás dos termos do orçamento de TKE em todo o canal, necessitando da abordagem explicável baseada em dados aqui apresentada.