从障碍问题到神经网络建模：针对格陵兰冰盖厚度的全连接神经网络建模
数值分析
2025-04-30 v1 数值分析
摘要
本研究将冰盖建模中的 established 障碍问题公式与最前沿的深度学习方法结合起来，增强对格陵兰冰盖厚度的预测精度。通过将数学结构与针对神经网络近似的能量最小化框架相协调，我们的方法通过1维和2维数值模拟得到验证。利用NSIDC-0092数据集针对格陵兰冰盖进行建模，并纳入岩石基岩地形进行模型预训练，我们在预测精度方面取得了显著进展。我们的研究强调了传统数学模型与先进计算技术相结合，能够提供精确的冰盖厚度估计。
关键词
引用
@article{arxiv.2407.19529,
title = {From Obstacle Problems to Neural Insights: Feed Forward Neural Network Modeling of Ice Thickness},
author = {Kapil Chawla and William Holmes and Roger Temam},
journal= {arXiv preprint arXiv:2407.19529},
year = {2025}
}