Die Identifizierung der zugrunde liegenden Ursache von Extremereignissen wie Überschwemmungen, heftigen Regenfällen oder Tornados ist äußerst schwierig und es kann jahrzehntelange konzertierte Anstrengungen von Wissenschaftlern erfordern, um zu brauchbaren physikalischen Erklärungen zu gelangen.
Extreme Ereignisse führen zu erheblichen Abweichungen vom erwarteten Verhalten und können das Gesamtergebnis für eine Reihe wissenschaftlicher Probleme und praktischer Situationen bestimmen. Praktische Szenarien, in denen ein grundlegendes Verständnis von Extremereignissen von entscheidender Bedeutung sein kann, umfassen beispielsweise heftige Wellen im Ozean, die Schiffe und Offshore-Strukturen gefährden könnten, oder immer häufiger auftretende „1000-Jahres-Regenfälle“, wie die lebensbedrohliche Überschwemmung im April Innerhalb von sieben Stunden fielen in der Gegend von Fort Lauderdale 20 Zoll Niederschlag.
Im Mittelpunkt der Aufdeckung solcher extremer Ereignisse steht die Physik von Flüssigkeiten – insbesondere turbulenter Strömungen, die ein breites Spektrum interessanter zeitlicher und räumlicher Verhaltensweisen zeigen. In der Fluiddynamik bezeichnet eine turbulente Strömung eine unregelmäßige Strömung, bei der Wirbel, Wirbel und Strömungsinstabilitäten auftreten. Aufgrund der zufälligen Natur und Unregelmäßigkeit turbulenter Strömungen ist es bekanntermaßen schwierig, sie durch Gleichungen zu verstehen oder in Ordnung zu bringen.
Forscher des College of Engineering and Computer Science der Florida Atlantic University nutzten eine Computer-Vision-Deep-Learning-Technik und passten sie für die nichtlineare Analyse extremer Ereignisse in wandgebundenen turbulenten Strömungen an, die in zahlreichen physikalischen und technischen Anwendungen allgegenwärtig sind und Wind- und hydrokinetische Energie beeinflussen , unter anderen.
Die Studie konzentrierte sich auf die Erkennung und Regulierung organisierter Strukturen innerhalb wandbegrenzter turbulenter Strömungen mithilfe verschiedener Techniken des maschinellen Lernens, um die nichtlineare Natur dieses Phänomens zu überwinden.
Ergebnisse, veröffentlicht in der Zeitschrift Flüssigkeiten zur körperlichen Untersuchungzeigen, dass die von den Forschern eingesetzte Technik von unschätzbarem Wert sein kann, um die Quellen extremer Ereignisse auf vollständig datengesteuerte Weise genau zu identifizieren. Der von ihnen formulierte Rahmen ist ausreichend allgemein, um auf andere wissenschaftliche Bereiche ausgeweitet werden zu können, in denen die zugrunde liegende räumliche Dynamik, die die Entwicklung kritischer Phänomene steuert, möglicherweise nicht im Voraus bekannt ist.
Unter Verwendung einer neuronalen Netzwerkarchitektur namens Convolutional Neural Network (CNN), die auf die Aufdeckung räumlicher Beziehungen spezialisiert ist, trainierten die Forscher ein Netzwerk, um die relative Intensität von Auswurfstrukturen innerhalb der turbulenten Strömungssimulation abzuschätzen, ohne vorherige Kenntnisse der zugrunde liegenden Strömungsdynamik.
„Das Verständnis und die Kontrolle wandgebundener Turbulenzen wird seit langem in technischen und wissenschaftlichen Entdeckungen verfolgt, doch aus grundlegender Sicht gibt es noch viel Unbekanntes“, sagte Siddhartha Verma, Ph.D., leitende Autorin und Assistenzprofessorin in der Abteilung der FAU für Meeres- und Maschinenbau.
„Unsere Ergebnisse deuten darauf hin, dass sich 3D-CNNs in Verbindung mit der modifizierten mehrschichtigen GradCAM-Technik mit den spezifischen Modifikationen, die wir vorgenommen haben, als äußerst nützlich für die Analyse nichtlinearer Korrelationen und für die Offenlegung markanter räumlicher Merkmale in turbulenten Strömungsdaten erweisen können.“
Der allgemeine Rahmen, den die Forscher verwendeten, nutzt eine Kombination aus 3D-CNNs und der neu modifizierten mehrschichtigen GradCAM-Technik (Gradient-Weighted Class Activation Mapping), die eine erklärbare Interpretation der erlernten Assoziationen eines CNN im Zusammenhang mit Auswurfereignissen in wandgebundenen turbulenten Strömungen liefert .
„Während die Identifizierung mithilfe von Techniken wie denen, die in dieser Studie verwendet werden, ein wichtiges Ziel ist, hat die Kontrolle und Regulierung dieser kohärenten Strukturen unzählige wissenschaftliche und praktische Anwendungen, wie etwa die Reduzierung des Luftwiderstands auf Schiffen oder die Effizienz der Versorgungsinfrastruktur“, sagte Eric Jagodinski, Ph.D ., ein Doktorand des College of Engineering and Computer Science der FAU und leitender KI-Ingenieur bei Northrop Grumman.
„Die Kontrolle turbulenter Strömungen war jedoch aufgrund der inhärenten nichtlinearen Entwicklung der kohärenten Strukturen ein herausforderndes Problem, weshalb ihre genaue Identifizierung von entscheidender Bedeutung ist.“
FAU-Forscher modifizierten die CNN-Architektur und die GradCAM-Technik, um sie besser für die Analyse turbulenter Strömungsstrukturen geeignet zu machen. Mithilfe des modifizierten CNN-GradCAM-Frameworks untersuchten sie intermittierende Auswurfereignisse, von denen bekannt ist, dass sie die Erzeugung turbulenter kinetischer Energie innerhalb von Grenzschichten beeinflussen.
„Diese wichtige Studie liefert ein neues Verständnis wandgebundener turbulenter Strömungen mithilfe von Deep Learning“, sagte Stella Batalama, Ph.D., Dekanin des FAU College of Engineering and Computer Science. „Die von unseren Forschern entwickelten Techniken ermöglichen die Entdeckung nichtlinearer Beziehungen in massiven, komplexen Systemen, wie sie häufig in Simulationen der Fluiddynamik vorkommen.“
Mehr Informationen:
Eric Jagodinski et al., Inverse Identifizierung dynamisch wichtiger Regionen in turbulenten Strömungen mithilfe dreidimensionaler Faltungs-Neuronalnetze, Flüssigkeiten zur körperlichen Untersuchung (2023). DOI: 10.1103/PhysRevFluids.8.094605