机器学习揭示湍流极端事件可预测性等级制度
混沌动力学
2026-03-17 v1 机器学习
动力系统
计算物理
流体动力学
摘要
湍流中的极端事件可预测性强度随状态而变，但若无 governing equations 或高成本扰动集合，难以量化事件级可预测性预估。本文基于二维Kolmogorov流的直接数值模拟训练自回归条件扩散模型，并采用CRPS（Continuous Ranked Probability Score）基于技能评分定义事件级可预测性时限。涡旋浓度极端值呈现显著的等级结构：预测技能在约1个Lyapunov时间至超过4个Lyapunov时间之间持续。谱滤波显示，这些时限主要由大尺度结构控制。极端事件前会出现强烈应变核组织化的四极涡旋包，其寿命尖锐地分隔了长时限与短时限事件。这些结果识别出相干结构持续性作为湍流极端事件可预测性的支配性机制，并为从观测数据中诊断可预测性极限提供了数据驱动的路径。
引用
@article{arxiv.2603.13789,
title = {Hierarchy of extreme-event predictability in turbulence revealed by machine learning},
author = {Yuxuan Yang and Chenyu Dong and Gianmarco Mengaldo},
journal= {arXiv preprint arXiv:2603.13789},
year = {2026}
}