用于二维湍流湿性 Rayleigh-Bénard 对流的回声状态网络
流体动力学
2021-05-26 v2 机器学习
混沌动力学
摘要
循环神经网络是一类适用于预测时间序列的机器学习算法。回声状态网络是此类神经网络的一种具体实现，它可以通过监督式机器学习描述动力系统的演化，而无需求解底层的非线性数学方程。在本工作中，我们应用回声状态网络来逼近二维湿性 Rayleigh-Bénard 对流的演化及其所产生的低阶湍流统计特征。我们进行了长期的_direct numerical simulation（直接数值模拟）_以获取算法的训练与测试数据。两组数据均通过基于快照法的本征正交分解（POD）进行预处理，以减少数据量。训练数据包含前 150 个最具能量 POD 系数的长时间序列。随后将 reservoir（储备池）由这些数据驱动，并得出对未来流动状态的预测。这些预测通过原始模拟的数据进行了充分验证。我们的结果显示低阶统计特征具有良好的一致性。这也包含了导出的统计矩，例如对流层顶部附近的云量以及跨越区域的液态水通量。我们得出结论：我们的模型能够学习由湍流与汽液两相变非线性热力学紧密相互作用所引入的复杂动力学。我们的工作为更大尺度环流模型中亚网格尺度输运的动态参数化开辟了新途径。
引用
@article{arxiv.2101.11325,
title = {Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard convection},
author = {Florian Heyder and Jörg Schumacher},
journal= {arXiv preprint arXiv:2101.11325},
year = {2021}
}