能力工程研究采用深度学习来解释极端事件
该研究的重点是使用各种机器学习技术识别和调节壁面湍流中的有组织结构.
确定洪水等极端事件的根本原因, 暴雨或龙卷风是非常困难的，可能需要科学家们几十年的共同努力才能得出可行的物理解释.
极端事件会导致与预期行为的显著偏差，并可能决定许多科学问题和实际情况的总体结果. 例如, 在实际场景中，对极端事件的基本了解可能至关重要，包括可能危及船舶和近海结构或日益频繁的海洋异常浪,000年的降雨,比如今年4月威胁生命的洪水，劳德代尔堡地区在7小时内降雨量达20英寸.
揭示这些极端事件的核心是流体物理学——特别是湍流, 哪些在时间和空间上表现出广泛的有趣行为. 在流体动力学中, 紊流是指一种不规则的流动，其中有漩涡, 漩涡和流动不稳定发生. 由于湍流的随机性和不规则性, 众所周知，它们很难理解，也很难通过方程来应用顺序.
的研究人员 KU体育官网APP ’s 工程与计算机科学学院 利用计算机视觉深度学习技术，并将其用于有壁湍流中极端事件的非线性分析, 哪一个。 在众多的物理和工程应用和影响风和水动能, 等.
该研究的重点是使用各种机器学习技术来识别和调节壁面湍流中的有组织结构，以克服这种现象的非线性性质.
研究结果发表在杂志上 物理评价液 , 证明研究人员采用的技术对于以完全数据驱动的方式准确识别极端事件的来源是非常宝贵的. 他们制定的框架是足够普遍的，可以扩展到其他科学领域, 控制关键现象演变的潜在空间动力学可能事先不知道.
使用一种称为卷积神经网络(CNN)的神经网络架构，专门用于发现空间关系, 研究人员训练了一个网络来估计湍流模拟中喷射结构的相对强度，而没有任何先验的底层流动动力学知识.
“理解和控制壁面湍流一直是工程和科学发现的追求, 但从基本观点来看, 还有很多未知之处,” 说 Verma悉达多 , Ph.D.资深作者，复旦大学副教授 海洋与机械工程系 . “我们的研究结果表明，通过我们所做的具体修改, 3D cnn与改进的多层GradCAM技术相结合，可以证明在分析非线性相关性和揭示湍流数据中存在的显著空间特征方面非常有用.”
研究人员采用的总体框架结合了3D cnn和新改进的多层GradCAM(梯度加权类激活映射)技术, 它提供了一个可解释的解释CNN与壁面湍流中喷射事件相关的学习关联.
“虽然使用本研究中使用的技术进行识别是一个重要的目标, 对这些连贯结构的控制和调节有着无数的科学和实际应用, 比如减少船舶阻力或提高公用事业基础设施的效率,” Eric Jagodinski博士.D., 是能力工程与计算机科学学院的博士校友，也是诺斯罗普·格鲁曼公司的首席人工智能工程师. “然而, 由于相干结构固有的非线性演化，湍流的控制一直是一个具有挑战性的问题, 因此，准确识别它们是至关重要的.”
能力研究人员修改了CNN架构和GradCAM技术，使它们更适合分析湍流结构. 使用修改后的CNN-GradCAM框架, 他们检查了间歇性的喷射事件, 已知哪些因素会影响边界层内湍流动能的产生.
“这项重要的研究提供了利用深度学习对壁面湍流的新理解,” Stella Batalama , Ph.D.现任农大工程与计算机科学学院院长. “我们的研究人员开发的技术 允许在大量中发现非线性关系, 复杂的系统，比如经常在流体动力学模拟中发现的数据.”
朱兴全(山) , Ph.D.他是大学的教授 电气工程与计算机科学系 能力工程与计算机科学学院的教授是这项研究的合著者.
本研究由美国国家科学基金会(NSF)资助(拨款CBET- 2103536)，计算资源由国家科学基金会(拨款CNS-1828181)提供。.
能力,