基于非线性动力学稀疏辨识的大气化学代理建模
计算物理
2024-01-12 v1 大气与海洋物理
摘要
大气化学建模计算成本高昂，限制了大气化学传输模型的广泛应用。这种计算成本源于求解高维刚性微分方程组。先前的研究已证明机器学习（ML）在加速空气质量模型模拟方面的潜力，但在长期模拟中存在数值不稳定性。这可能是因为先前基于ML的方法依赖于显式欧拉时间积分——已知其对刚性系统不稳定——并使用了容易过拟合的神经网络。我们假设，构建简约模型并结合现代数值积分技术可以克服这一局限。利用一个小规模光化学机理来探索这些方法的潜力，我们通过以下步骤创建了一个机器学习代理模型：（1）使用奇异值分解降维，创建一个可解释压缩的低维潜在空间；（2）使用非线性动力学稀疏辨识（SINDy）在压缩的潜在空间中创建一个基于微分方程的底层化学动力学表示，并降低了数值刚性。ML模型对臭氧浓度九天预测的均方根误差为测试数据集中所有模拟均方根浓度的37.8%。与参考模型相比，代理模型速度提升11倍，积分时间步减少12倍，且在所有测试模拟中数值稳定。总体而言，我们发现SINDy可用于创建简单光化学机理的快速、稳定且准确的代理模型。在未来的工作中，我们将探索将此方法应用于更详细的机理及其在大规模模拟中的使用。
引用
@article{arxiv.2401.06108,
title = {Atmospheric chemistry surrogate modeling with sparse identification of nonlinear dynamics},
author = {Xiaokai Yang and Lin Guo and Zhonghua Zheng and Nicole Riemer and Christopher W. Tessum},
journal= {arXiv preprint arXiv:2401.06108},
year = {2024}
}