为宁静太阳三维辐射流体动力学模拟开发亚网格湍流输运的机器学习模型

太阳等离子体动力学的数值模拟受计算网格分辨率的影响。这通常需要估计与小尺度流动湍流相关的亚网格过程，因为这些过程在动量输运和能量耗散中起着关键作用。在这项工作中，我们研究了使用深度学习技术作为宁静太阳现实流体动力学模拟中亚网格湍流输运的替代模型。我们描述了开发一个3D卷积神经网络（CNN）来捕捉3D速度场中的空间依赖性，利用了不同的激活函数以及不同的架构设计。我们特别关注雷诺应力张量分量的预测。由此产生的模型整合了速度矢量分量和标量特征（如等离子体密度）以提高预测精度。我们将3DCNN模型与其他类型的模型（如多层感知器（MLP）和基于物理的梯度与Smagorinsky模型）进行比较，并表明最终模型设计能更准确地重建雷诺应力张量分量。具体来说，3DCNN模型在应力张量的对角分量上实现了约31%的平均改进，在非对角分量上实现了约8%的改进。此外，我们表明，对目标应力张量分量应用对数数据变换以处理严重偏斜的数据，可以提高模型性能。结果证明了深度学习，特别是CNN，在近似太阳上部对流区和低层大气的雷诺应力张量分量方面的潜力，使其成为模拟亚网格过程的可行候选方案，并成为传统湍流模型的有前景的替代方案。