基于生成对抗网络（GAN）的强迫 Burgers 方程未解析尺度子网格尺度参数化
计算物理
2021-12-01 v2 混沌动力学
大气与海洋物理
摘要
随机子网格尺度参数化旨在通过从通常由已解析模态所描述的分布中采样，将未解析过程的影响纳入有效模型。这是气候、天气与海洋科学中的活跃研究领域，其中过程演化跨越广泛的空间与时间尺度。本研究中，我们评估条件生成对抗网络（GAN）在有限差分离散的随机强迫 Burgers 方程中对子网格尺度效应进行参数化的性能。我们将已解析模态定义为局部空间平均，而这些平均的偏差即为未解析自由度。我们训练以已解析变量为条件的 Wasserstein GAN（WGAN）来学习子网格通量倾向对已解析模态的分布，从而表征未解析尺度的影响。所得 WGAN 随后被用于有效模型以重现已解析模态的统计特征。我们证明，该有效模型能良好近似谱、矩、自相关等多种平稳统计量。
引用
@article{arxiv.2007.06692,
title = {Subgrid-scale parametrization of unresolved scales in forced Burgers equation using Generative Adversarial Networks (GAN)},
author = {Jeric Alcala and Ilya Timofeyev},
journal= {arXiv preprint arXiv:2007.06692},
year = {2021}
}
备注
Submitted to TCFD