利用三维卷积神经网络揭示近壁湍流中的动力学临界区域
流体动力学
2023-09-27 v2
摘要
壁面有界湍流中的近壁区域会经历缓慢运动流体包从壁面间歇性地喷出，以及较快运动流体扫向壁面的过程。这些极端事件在调节边界层能量收支中起着核心作用，本文借助三维（3D）卷积神经网络（CNN）对其进行分析。在一个周期性槽道流的直接数值模拟（DNS）数据上训练CNN，以推断此类极端事件的强度，更重要的是，揭示流场中由网络自主判定对喷出事件形成与演化至关重要的连续三维显著结构。这些显著区域利用本文提出的多层梯度加权类激活映射（GradCAM）技术重建，与从壁面喷出的猝发条带和相干流体包吻合良好。对网络所学关联的可解释性解读还表明，喷出事件并不与湍流动能（TKE）生成达到最大的区域相关，而是与极低耗散、且正TKE生成倾向显著高于负生成倾向的区域相关。这是本研究的一项关键发现，表明CNN可借助所提供的作为兴趣量的单一标量度量（本例中为喷出强度）揭示动力学重要的三维显著区域。尽管当前工作提供了分析近壁猝发相关非线性空间关联的替代方法，所提框架具有充分通用性，可扩展至底层空间动力学未知的其他场景。
引用
@article{arxiv.2004.06187,
title = {Uncovering dynamically critical regions in near-wall turbulence using 3D Convolutional Neural Networks},
author = {Eric Jagodinski and Xingquan Zhu and Siddhartha Verma},
journal= {arXiv preprint arXiv:2004.06187},
year = {2023}
}
备注
43 pages, 14 figures