准地转湍流参数化的后验学习：关于积分步长的实验
机器学习
2021-11-30 v2 大气与海洋物理
流体动力学
摘要
对简化模型的亚网格尺度动力学建模是一个长期未决的开放问题，在无法直接数值模拟(DNS)的海洋、大气和气候预测中有应用。尽管神经网络(NNs)已成功应用于一系列三维流，二维流更具挑战性，因为存在从小尺度到大尺度的能量反级联。我们表明，将模型与动力学求解器以及有意义的基于\textit{后验}的损失函数联合学习，在应用于准地转湍流时可得到稳定且真实的模拟。
引用
@article{arxiv.2111.06841,
title = {A posteriori learning of quasi-geostrophic turbulence parametrization: an experiment on integration steps},
author = {Hugo Frezat and Julien Le Sommer and Ronan Fablet and Guillaume Balarac and Redouane Lguensat},
journal= {arXiv preprint arXiv:2111.06841},
year = {2021}
}
备注
6 pages, 3 figures, presented at the Fourth Workshop on Machine Learning and the Physical Sciences (NeurIPS 2021)