基于动态深度学习的浅水方程超分辨率
机器学习
2025-03-12 v2 计算物理
流体动力学
摘要
以非线性浅水方程为基准，我们证明，使用ICON-O海洋模型进行20km分辨率的模拟，并频繁由U-net型神经网络校正，可以达到10km分辨率模拟的离散化误差。该网络最初是为后处理中基于图像的超分辨率开发的，经过训练以计算两个网格上解之间的差异，并用于每12小时校正粗网格。我们的设置是Galewsky测试案例，模拟斜压不稳定性向湍流的转变。我们表明，经过机器学习校正的粗分辨率运行正确地维持了平衡流，并捕捉到了与更高分辨率模拟一致的湍流转变。在模拟8天后，校正运行的误差与在更细网格上运行的模拟相似。虽然校正运行中质量守恒，但我们观察到一些虚假的动能产生。
引用
@article{arxiv.2404.06400,
title = {Dynamic Deep Learning Based Super-Resolution For The Shallow Water Equations},
author = {Maximilian Witte and Fabricio Rodrigues Lapolli and Philip Freese and Sebastian Götschel and Daniel Ruprecht and Peter Korn and Christopher Kadow},
journal= {arXiv preprint arXiv:2404.06400},
year = {2025}
}
备注
17 pages, 12 figures