Die Geometrie des turbulenten Kanalflusses besteht aus zwei parallelen Ebenen im Abstand von 2h, wobei ein Druckgradient die Strömung in der Stromrichtung antreibt. Die Koordinaten x, y und z repräsentieren die Stromrichtung, die Wandnormale und die Spannweite. Länge und Breite des Kanals betragen Lx = 2πh und Lz = πh mit periodischen Bedingungen in Stromrichtung und Spannweite. Die Geschwindigkeitsvektoren sind als U(x, y, z, t) = (U, V, W) definiert, wobei t die Zeit angibt. Die Statistiken der Flussinformationen hängen hauptsächlich von y ab, wobei mittelwerte Größen durch einen Überstrich und fluktuierende Größen mit Kleinbuchstaben dargestellt sind. Die Simulation wurde bei einer Reibungszahl von Reτ = 125 durchgeführt.
Die Q-Ereignisse sind kohärente Bereiche von Reynolds-Stress mit hoher Instantanwerte. Quadranteneingaben können in verschiedene Typen unterteilt werden: Auswärtsbewegungen, Einstellungen, Einwärtsbewegungen und Auswärtsbewegungen. Die Instantanvisualisierung zeigt die verschiedenen turbulenten Strukturen sowie die SHAP-Werte und den Einfluss der verschiedenen Strukturen. Die Prädiktion des Geschwindigkeitsfeldes wird mithilfe eines U-Netzes vorgenommen, das in der Lage ist, das Geschwindigkeitsfeld im Voraus zu berechnen. Die Erklärbarkeit der U-Netzvorhersagen wird anhand von SHAP-Werten und unterschiedlichen turbulenten Strukturen bewertet.
Zusammenfassend zeigt die Explainable AI-Methodologie ein objektives Maß für die Wichtigkeit der verschiedenen kohärenten Strukturen im Kanalfluss. Die Methode kann die wichtigsten Strukturen im Fluss objektiver identifizieren als die Berechnung ihres Beitrags zur Reynolds-Schubspannung. Dies hat wichtige Auswirkungen auf experimentelle Kampagnen bei sehr hohen Reynolds-Zahlen jenseits der Reichweite von DNS. Die Methode bietet auch die Möglichkeit zur Anwendung auf experimentelle Daten bei höheren Reynolds-Zahlen, wodurch wichtige Unterschiede zwischen den relevanten Strukturen in der Strömung bei unterschiedlichen Reynolds-Zahlen deutlich werden.