用于二维地幔对流代理建模的深度学习
地球与行星天体物理
2021-11-08 v2 机器学习
流体动力学
地球物理
摘要
传统上，基于标度律的一维模型被用于参数化类地行星（如地球、火星、水星和金星）内部岩石的对流热传递，以应对二维或三维高保真正演计算的计算瓶颈。然而，这些方法在可建模的物理量（例如深度依赖的材料属性）方面存在局限，且只能预测平均量如平均地幔温度。我们最近表明，使用大量二维模拟训练的前馈神经网络（FNN）可以克服这一限制，并可靠地预测复杂模型中整个一维横向平均温度剖面随时间的演化。我们现在扩展该方法以预测完整的二维温度场，其以热羽流和冷下降流等对流结构的形式包含更多信息。使用一个包含10,525个火星类行星地幔热演化二维模拟的数据集，我们展示了深度学习技术能够生成底层偏微分方程的可靠参数化代理（即仅基于参数预测温度和状态变量等的代理）。我们首先使用卷积自编码器将温度场压缩142倍，然后使用FNN和长短期记忆网络（LSTM）预测压缩场。平均而言，相对于未见的模拟，FNN预测准确率为99.30%，LSTM预测准确率为99.22%。对LSTM和FNN预测的本征正交分解（POD）表明，尽管平均绝对相对精度较低，LSTM比FNN更好地捕捉了流动动力学。求和后，FNN预测和LSTM预测的POD系数分别相对于原始模拟的系数占96.51%和97.66%。
引用
@article{arxiv.2108.10105,
title = {Deep learning for surrogate modelling of 2D mantle convection},
author = {Siddhant Agarwal and Nicola Tosi and Pan Kessel and Doris Breuer and Grégoire Montavon},
journal= {arXiv preprint arXiv:2108.10105},
year = {2021}
}