可解释深度学习揭示湍流动能方程背后的物理机制
流体动力学
2026-01-29 v1 机器学习
摘要
在这项工作中，我们使用可解释深度学习(XDL)研究了控制湍流动能输运的物理机制。使用基于SHapley Additive exPlanations (SHAP)的XDL模型来识别和渗透对摩擦雷诺数的湍流通道流中湍流动能预算项演化具有高重要性的结构。结果表明，重要结构主要位于近壁区域，并且更频繁地与扫掠型事件相关。在粘性层中，与产生和粘性扩散相关的SHAP结构几乎完全包含在与耗散相关的结构内，揭示了近壁湍流的清晰层次组织。在外层，这种层次组织被打破，只剩下速度-压力梯度相关和湍流输运的SHAP结构，空间重合度约为60%。最后，我们表明，经典研究的湍流相干结构均无法代表整个通道中湍流动能预算各项背后的机制。这些结果揭示了耗散是近壁湍流的主要组织机制，将产生和粘性扩散约束在一个单一的层次结构中，该结构在外层被打破。
引用
@article{arxiv.2601.20052,
title = {Explainable deep learning reveals the physical mechanisms behind the turbulent kinetic energy equation},
author = {Francisco Alcántara-Ávila and Andrés Cremades and Sergio Hoyas and Ricardo Vinuesa},
journal= {arXiv preprint arXiv:2601.20052},
year = {2026}
}
备注
6 pages, 5 figures, 1 appendix