基于可解释深度学习方法的壁面湍流非侵入式感知评估

在本文中，我们提出了一个解释深度学习模型预测壁面法向距离处速度波动的框架。为此，我们应用 deep-SHAP 方法来解释壁面平行面上速度波动的预测。在摩擦雷诺数为 ${\rm{Re}}_\tau=180$ 的湍流开放通道中，解释性深度学习方法包括两个阶段。第一个阶段包括训练估计器。在此情况下，预测壁面法向距离为 15 壁面单位处的速度波动。第二个阶段，应用 deep-SHAP 算法来估计每个单个网格点对输出的影响。该分析计算一个重要性场，然后将通过 deep-SHAP 算法计算的高重要性区域与壁面压力和壁面剪切应力分布相关联。随后对网格点进行聚类，以根据其重要性定义结构。我们发现，高重要性簇表现出较大的压力和剪切应力波动，尽管通常不对应于输入数据中最高的强度。这些簇在平均值情况下的典型值为其标准差的 1 到 2 倍，与 streak 样区域相关联。这些高重要性簇的尺寸介于 20 到 120 壁面单位，对应于商业飞机的约 100 和 600${\rm\mu m}$。