利用机器学习加速行星内部动力学稳态的发现
流体动力学
2024-09-02 v1 地球与行星天体物理
人工智能
机器学习
摘要
模拟地幔对流通常需要达到计算成本高昂的稳态，这对于推导热力学和动力学流动特性的标度律以及基准测试数值解至关重要。地幔岩石流变学的强温度依赖性导致粘度变化达数个数量级，形成了一个热传导占主导地位、演化缓慢的停滞盖层，覆盖在一个快速演化且强烈对流的区域之上。时间步进法虽然对常粘度流体有效，但受Courant准则限制，该准则根据系统的最大速度和网格大小限制时间步长。因此，由于控制停滞区域和对流区域的时间尺度差异巨大，达到稳态需要大量的时间步。我们提出了一种利用机器学习加速地幔对流模拟的概念。我们生成了一个包含128个二维模拟的数据集，这些模拟具有混合的底部和内部加热以及依赖压力和温度的粘度。我们在97个模拟上训练了一个前馈神经网络来预测稳态温度分布。然后，这些预测可用于初始化不同模拟参数下的数值时间步进方法。与典型的初始化相比，达到稳态所需的时间步数中位数减少了3.75倍。该方法的优势在于仅需极少的模拟进行训练，在初始化数值方法时提供无预测误差的解，并且在推理时产生最小的计算开销。我们展示了该方法的有效性，并讨论了加速模拟对推进地幔对流研究的潜在影响。
引用
@article{arxiv.2408.17298,
title = {Accelerating the discovery of steady-states of planetary interior dynamics with machine learning},
author = {Siddhant Agarwal and Nicola Tosi and Christian Hüttig and David S. Greenberg and Ali Can Bekar},
journal= {arXiv preprint arXiv:2408.17298},
year = {2024}
}