流体动力学中的可解释机器学习：解释壁面有界剪切流中的再层流化事件
流体动力学
2022-05-20 v2 混沌动力学
计算物理
数据分析、统计与概率
摘要
机器学习（ML）在流体动力学中正变得日益流行。神经网络或集成方法等强大的ML算法以难以解释而著称。在此，我们在流体动力学背景下引入新颖的Shapley加性解释（SHAP）算法（Lundberg & Lee, 2017），这是一种解释给定ML模型输出的博弈论方法。我们给出了SHAP作为一种可解释AI方法为流体动力学提供有用且人类可解释洞察的概念验证。为表明SHAP提供的特征重要性排序可从物理上解释，我们首先考虑来自基于壁面有界剪切流中自维持过程（SSP）的成熟低维模型的数据，其中每个数据特征就近壁动力学的已知代表性特征（即流向涡、条带和线性条带不稳定性）具有清晰的物理与动力学解释。SHAP一致地确定仅有层流剖面、流向涡和一种特定条带不稳定性在预测中起主要作用。我们通过对极小流动单元中平面Couette流的SHAP评估，聚焦条带及其不稳定性对再层流化事件预测的相关性，证明了该方法可应用于更大的流体动力学数据集。在此我们发现预测基于对应于SSP内线性条带不稳定性的条带调制的代理变量。即，SHAP分析表明自维持循环的破裂与条带不稳定性的抑制相关。
引用
@article{arxiv.2102.05541,
title = {Interpreted machine learning in fluid dynamics: Explaining relaminarisation events in wall-bounded shear flows},
author = {Martin Lellep and Jonathan Prexl and Bruno Eckhardt and Moritz Linkmann},
journal= {arXiv preprint arXiv:2102.05541},
year = {2022}
}
备注
29 pages, 10 figures