用于大气边界层大涡模拟中亚网格尺度湍流建模的深度学习
流体动力学
2019-10-29 v1 大气与海洋物理
计算物理
摘要
在大涡模拟中，亚网格尺度（SGS）过程被参数化为滤波后的网格尺度变量的函数。基于涡黏假设的一阶代数 SGS 模型并不总是适用于湍流。在此，我们应用有监督深度神经网络（DNNs）从大气边界层直接数值模拟（DNSs）的一组相邻粗粒化速度中学习 SGS 应力，摩擦雷诺数 Re_{\tau} 高达 1243，且不 invoking 涡黏假设。发现 DNN 模型在地表层和混合层中产生比 Smagorinsky 模型和 Smagorinsky-Bardina 混合模型更高的 SGS 应力相关性，并可应用于不同网格分辨率和从近中性到极不稳定各种稳定度条件。发现关于位温和压力的附加信息对 SGS 建模无用。因此，深度学习在地球物理湍流的 LESs 中展现出巨大潜力。
引用
@article{arxiv.1910.12125,
title = {Deep learning for subgrid-scale turbulence modeling in large-eddy simulations of the atmospheric boundary layer},
author = {Yu Cheng and Marco Giometto and Pit Kauffmann and Ling Lin and Chen Cao and Cody Zupnick and Harold Li and Qi Li and Ryan Abernathey and Pierre Gentine},
journal= {arXiv preprint arXiv:1910.12125},
year = {2019}
}
备注
33 pages, 11 figures, 3 tables