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

通过将可解释深度学习应用于湍流通道流，本研究揭示了近壁面湍流具有层级化组织结构，其中耗散是制约产生与粘性扩散的主导机制，而这种结构在远离壁面的外层区域发生崩溃，在这些区域没有任何单一的经典相干结构能够代表湍动能收支。

要点

想象一下，试图理解管道内部一场巨大且混乱的风暴。长期以来，科学家们一直试图预测这种旋转混沌中的能量是如何流动的，但其数学计算极其复杂，就像试图追踪飓风中的每一滴雨滴一样。

这篇论文介绍了一种利用人工智能（AI）驱动的“智能摄像机”来观察那场风暴的新方法。AI 不仅仅是在进行猜测，它在学习风暴的规则，并解释它为何如此表现。以下是他们发现的研究成果，以简单的方式进行了拆解：

AI 侦探与“为什么”

研究人员使用了一种被称为**可解释深度学习（Explainable Deep Learning）*的特殊 AI。请把这个 AI 不仅仅看作一个预测器，而是一个能够指向流体中特定位置并说：“我利用了这个*气流旋涡来预测接下来的变化”的侦探。

他们训练 AI 去预测湍流能量收支（energy budget）的五个不同部分（即能量是如何产生、移动和消耗的）。然后，他们询问 AI：“哪些部分的流动对你的预测最为重要？”AI 绘制了一张这些重要区域的地图，研究人员称之为 SHAP 结构。

管道壁附近的“邻里关系”

管道有一个“壁”（金属表面）和一个“外层”（管道中间）。AI 的地图揭示了两个截然不同的“社区”：

1. 近壁区（繁忙的市中心）
靠近壁的地方（在最初 30 个“单位”距离内），AI 发现几乎所有的重要活动都发生在一个非常特定的、拥挤的区域。

• “扫掠”（Sweep）事件： 最重要的结构就像是向路缘快速俯冲的高速汽车。用流体力学的话说，这些是“扫掠”（快速流体撞击壁面）。它们比“喷射”（ejections，即缓慢流体远离壁面）要重要得多。
• 层级结构（俄罗斯套娃）： 这是最大的发现。AI 发现，负责产生能量（生产）和在粘性流体中传递能量（粘性扩散）的结构，几乎完全位于负责消耗能量（耗散）的结构内部。
  • 类比： 想象一个巨大的、发光的网（耗散）。在这个网内部，你发现了用于制造能量和移动能量的小型网。这个“耗散”网是老大；它包裹着其他所有的网。如果你想控制壁附近的能量，你必须先处理这个“耗散”网。

2. 外层（开阔的乡村）
当你从壁向管道中间移动时，那种整齐的、嵌套的秩序就瓦解了。

• “俄罗斯套娃”效应消失了。产生能量和消耗能量的结构不再完美重叠。
• 相反，唯一仍然协同工作的似乎是压力变化和能量传输。它们的重叠率约为 60%，这表明与管道附近紧密的组织相比，管道中间的关系更加松散和分散。

“旧地图” vs. “新 GPS”

几十年来，科学家们一直使用“经典”地图来理解湍流。他们寻找特定的形状，例如：

• 条纹（Streaks）： 快速或缓慢流体的长线。
• 涡旋（Vortices）： 旋转的漩涡。
• Q-事件（Q-events）： 特定类型的强烈旋转。

研究人员将他们新的 AI 地图与这些经典的旧地图进行了对比。结果令人惊讶：旧地图与新的现实并不匹配。

• 在近壁区，经典的“旋涡”（vortices）和“线条”（streaks）只能部分解释 AI 所观察到的现象。
• 在管道中间，经典的结构几乎完全无法解释 AI 的发现。AI 表明，我们过去认为的那些“漩涡”并不是能量收支的主要驱动力。

核心结论

这项研究利用 AI 揭示了壁附近的湍流是如何像一个严格的层级结构一样组织的，其中**能量消耗（耗散）**是“老板”，它包裹并控制着能量的产生和移动。然而，一旦离开壁面，这种严格的秩序就会瓦解，规则变得更加分散。

最重要的是，科学家多年来依赖的“经典”形状（如特定的旋涡或线条）并不能说明全部问题。AI 向我们展示，真实的机制更为复杂，最好是通过观察 AI 生成的特定“重要性地图”来理解，而不是依赖于我们关于湍流运作方式的旧有思维图像。

技术摘要

问题陈述
湍流的预测与理解仍然是流体力学中的核心挑战，归因于其高度非线性和多尺度特性。尽管高保真数值模拟（如直接数值模拟，DNS）已取得了显著进展，但分析驱动速度场演化的物理机制的过程仍然复杂且计算成本高昂。传统方法通常侧重于直接解释速度波动场。然而，通过分析湍流动能（TKE）收支中的各个瞬时项——具体包括产生项、耗散项、粘性扩散项、湍流输运项以及速度-压力梯度相关项——可以提供更详细且具有物理基础的视角。每一项都代表了一种独特的物理机制，对其进行单独分析可以揭示仅从速度场中无法获得的见解。

方法论
本研究采用可解释深度学习（XDL）来研究在摩擦雷诺数 $Re_\tau = 125$ 的湍流通道流中控制 TKE 输运的物理机制。该工作流程包含四个主要阶段：

1. 数据生成： 使用谱代码 LISO 对不可压缩湍流通道流进行 DNS 模拟。计算域为 $(8\pi h, 2h, 3\pi h)$，数据采用壁面单位进行归一化。从速度场中计算瞬时湍流收支各项。
2. 深度学习模型： 训练一个 U-net 架构，用于根据瞬时速度场预测每个单独 TKE 收支项的未来演化。模型使用时间间隔 $\Delta t^+ = 5$，并在 10,000 个快照上进行训练（保留 20% 用于验证），使用 RMSprop 梯度下降算法最小化均方误差，直到相对误差低于 1%。
3. 可解释性（SHAP）： 为了解释模型的预测，应用了 SHAP（SHapley Additive exPlanations）方法。具体而言，使用梯度-SHAP 方法来量化输入速度波动场中每个网格点对输出 TKE 项的空间重要性。这为每个快照生成了三维重要性场（$\phi_u, \phi_v, \phi_w$）。
4. 结构识别： 使用渗透算法处理 SHAP 重要性场，以识别相干“SHAP 结构”。这些结构被定义为局部 SHAP 范数超过由双曲空洞参数 $H$ 确定的阈值的区域。随后，将这些识别出的结构与经典流动结构（强 Q 事件、条纹、涡旋）以及速度波动场本身的 SHB 结构进行对比。

关键结果
分析得出了关于湍流空间组织和层级结构的几个关键发现：

• 近壁面主导性： 所有 TKE 收支项最重要的结构主要位于近壁区（$y^+ < 30$），其峰值密度出现在 $y^+ \approx 15$ 附近。
• 事件类型： 壁面附近的正向流向速度波动（$u^+ > 0$）比负向波动更重要，这表明扫掠型事件（Q4）在解释 TKE 收支机制方面比喷射型事件（Q2）更占主导地位。
• 粘性层中的层级组织： 在 $y^+ < 30$ 的区域观察到清晰的层级组织。与产生项和粘性扩散项相关的 SHAP 结构几乎完全包含在与耗散项相关的结构之内。具体而言，在 $y^+ < 10$ 以下，约 99% 的产生项和粘性扩散项结构与耗散项结构相交。这表明耗散是主导的组织机制，将产生项和粘性扩散项约束在一个单一的结构层级内。
• 外层区域的崩溃： 这种层级组织在外层区域发生崩溃。在此区域，仅存在速度-压力梯度相关项和湍流输运项的 SHAP 结构。这两个项表现出约 60% 的中度空间重合度，表明在通道外层，压力效应与能量再分配之间存在强耦合，但其性质比近壁区更具分布性且耦合程度较低。
• 经典结构的局限性： 没有任何经典相干结构（Q 事件、条纹、涡旋）能够代表整个通道内各种 TKE 收支项背后的机制。虽然 Q 事件在近壁处很大程度上被包含在耗散结构内，且条纹在极靠近壁面的地方表现出一定的嵌入性，但经典结构无法捕捉 $y^+ \ge 15$ 时的主导机制。与涡旋的相似性在大多数相关区域都显著较低（<50%）。

意义与主张
本文声称，这项工作引入了一种新颖的方法论，用于识别 TKE 收支项最相关的流动结构，从而架起了数据驱动模型与经典壁面湍流物理学之间的桥梁。通过将 SHAP 重要性图与物理过程联系起来，本研究提供了一种与现有谱框架互补的、具有物理一致性的 TKE 收支解释。

其主要意义在于揭示了耗散是近壁湍流的主导组织机制，它将产生项和粘性扩散项约束在单一的结构层级内。这一发现表明，针对耗散结构进行干预可能本质上影响其他近壁湍流过程，为流动控制手段提供了潜在的见解。此外，结果证明 SHAP 能够从极其复杂、高度非线性的控制方程中提取精确且有意义的信息，为扩展经典壁面约束湍流分析提供了框架。研究结论指出，尽管经典结构在近壁处提供了一些见解，但它们不足以描述整个通道内 TKE 收支项背后的机制，因此有必要采用本文所提出的数据驱动的可解释方法。