L’apprentissage profond dévoile les mystères des événements extrêmes dans les fluides

Identifier la cause sous-jacente des événements extrêmes tels que les inondations, les fortes pluies ou les tornades est un défi immense pour les scientifiques.

Dans cet article, nous explorons comment une équipe de chercheurs a utilisé l’apprentissage profond pour analyser et comprendre les événements extrêmes dans les écoulements turbulents.

La physique des fluides et les écoulements turbulents

Les événements extrêmes peuvent avoir un impact significatif sur divers problèmes scientifiques et situations pratiques. Au cœur de la compréhension de ces événements se trouve la physique des fluides, plus précisément les écoulements turbulents, qui présentent un large éventail de comportements intéressants dans le temps et l’espace.

Un écoulement turbulent est un écoulement irrégulier où se produisent des tourbillons, des remous et des instabilités de débit. En raison de leur nature aléatoire et irrégulière, les écoulements turbulents sont notoirement difficiles à comprendre ou à modéliser par des équations.

L’apprentissage profond pour analyser les événements extrêmes

Des chercheurs de l’Université Florida Atlantic ont utilisé une technique d’apprentissage profond basée sur la vision par ordinateur pour analyser les événements extrêmes dans les écoulements turbulents limités par une paroi.

L’étude, publiée dans la revue Physical Review Fluids, a porté sur la reconnaissance et la régulation des structures organisées au sein de ces écoulements en utilisant diverses techniques d’apprentissage automatique pour surmonter leur nature non linéaire.

Les chercheurs ont utilisé une architecture de réseau neuronal appelée Convolutional Neural Network (CNN) pour estimer l’intensité relative des structures d’éjection dans les simulations d’écoulement turbulent sans aucune connaissance préalable de la dynamique de l’écoulement. Le cadre général qu’ils ont formulé est suffisamment général pour être étendu à d’autres domaines scientifiques où la dynamique spatiale sous-jacente régissant l’évolution des phénomènes critiques peut ne pas être connue à l’avance.

Les implications de cette recherche

Les résultats de cette étude montrent que la technique employée par les chercheurs peut être précieuse pour identifier avec précision les sources d’événements extrêmes de manière entièrement basée sur les données. La compréhension et le contrôle de la turbulence limitée par une paroi ont de nombreuses applications scientifiques et pratiques, comme la réduction de la traînée sur les navires ou l’efficacité des infrastructures de services publics.

Les chercheurs de l’Université Florida Atlantic ont modifié l’architecture CNN et la technique GradCAM pour les rendre plus adaptées à l’analyse des structures d’écoulement turbulent.

En utilisant le cadre CNN-GradCAM modifié, ils ont examiné les événements d’éjection intermittents, qui sont connus pour influencer la génération d’énergie cinétique turbulente dans les couches limites.

En synthèse

Identifier la cause sous-jacente des événements extrêmes tels que les inondations, les fortes pluies ou les tornades est un défi immense pour les scientifiques. Cette étude apporte une nouvelle compréhension des écoulements turbulents limités par une paroi en utilisant l’apprentissage profond.

« Cette étude importante apporte une nouvelle compréhension des écoulements turbulents délimités par des parois grâce à l’apprentissage profond« , a précisé Stella Batalama, Ph.D., doyenne du College of Engineering and Computer Science de la FAU. « Les techniques développées par nos chercheurs permettent de découvrir des relations non linéaires dans des systèmes massifs et complexes tels que les données fréquemment trouvées dans les simulations de dynamique des fluides. »

Pour une meilleure compréhension

1. Qu’est-ce qu’un écoulement turbulent ?

Un écoulement turbulent est un écoulement irrégulier où se produisent des tourbillons, des remous et des instabilités de débit. En raison de leur nature aléatoire et irrégulière, les écoulements turbulents sont notoirement difficiles à comprendre ou à modéliser par des équations.

2. Comment les chercheurs ont-ils utilisé l’apprentissage profond ?

Les chercheurs ont utilisé une architecture de réseau neuronal appelée Convolutional Neural Network (CNN) pour estimer l’intensité relative des structures d’éjection dans les simulations d’écoulement turbulent sans aucune connaissance préalable de la dynamique de l’écoulement.

3. Quelle est l’importance de la compréhension de la turbulence limitée par une paroi ?

La compréhension et le contrôle de la turbulence limitée par une paroi ont de nombreuses applications scientifiques et pratiques, comme la réduction de la traînée sur les navires ou l’efficacité des infrastructures de services publics.

4. Qu’est-ce que la technique GradCAM ?

GradCAM (gradient-weighted class activation mapping) est une technique qui fournit une interprétation explicative des associations apprises par un réseau neuronal convolutif (CNN) en relation avec les événements d’éjection dans les écoulements turbulents limités par une paroi.

5. Quelles sont les implications de cette recherche ?

Les résultats de cette étude montrent que la technique employée par les chercheurs peut être précieuse pour identifier avec précision les sources d’événements extrêmes de manière entièrement basée sur les données. Le cadre général qu’ils ont formulé est suffisamment général pour être étendu à d’autres domaines scientifiques où la dynamique spatiale sous-jacente régissant l’évolution des phénomènes critiques peut ne pas être connue à l’avance.

Légende illustration principale : Les chercheurs ont tiré parti d’une technique d’apprentissage en profondeur de la vision par ordinateur et l’ont adaptée à l’analyse non linéaire des événements extrêmes dans les écoulements turbulents limités par des parois. Credit : FAU College of Engineering and Computer Science

Article : « Inverse identification of dynamically important regions in turbulent flows using three-dimensional convolutional neural networks » – DOI: 10.1103/PhysRevFluids.8.094605