Dynamic Deep Learning Based Super-Resolution For The Shallow Water Equations

要約

非線形浅海方程式をベンチマークとして使用し、U-net タイプのニューラル ネットワークによって頻繁に補正される 20km 解像度の ICON-O 海洋モデルによるシミュレーションが、10km 解像度のシミュレーションの離散化誤差を達成できることを実証します。
このネットワークは、もともと後処理における画像ベースの超解像度のために開発されたもので、両方のメッシュ上の解の差を計算するようにトレーニングされ、12 時間ごとに粗いメッシュを修正するために使用されます。
私たちの設定はガレフスキー テスト ケースであり、常圧不安定性から乱流への移行をモデル化しています。
ML で補正された粗い解像度の実行がバランス フローを正しく維持し、高解像度のシミュレーションと一致して乱流への移行を捕捉していることを示します。
8 日間のシミュレーション後、修正された実行の $L_2$-error は、より細かいメッシュで実行されたシミュレーションと同様になります。
修正された実行では質量は保存されていますが、運動エネルギーのスプリアスな生成が観察されます。

要約(オリジナル)

Using the nonlinear shallow water equations as benchmark, we demonstrate that a simulation with the ICON-O ocean model with a 20km resolution that is frequently corrected by a U-net-type neural network can achieve discretization errors of a simulation with 10km resolution. The network, originally developed for image-based super-resolution in post-processing, is trained to compute the difference between solutions on both meshes and is used to correct the coarse mesh every 12h. Our setup is the Galewsky test case, modeling transition of a barotropic instability into turbulent flow. We show that the ML-corrected coarse resolution run correctly maintains a balance flow and captures the transition to turbulence in line with the higher resolution simulation. After 8 day of simulation, the $L_2$-error of the corrected run is similar to a simulation run on the finer mesh. While mass is conserved in the corrected runs, we observe some spurious generation of kinetic energy.

arxiv情報

著者 Maximilian Witte,Fabricio Rodrigues Lapolli,Philip Freese,Sebastian Götschel,Daniel Ruprecht,Peter Korn,Christopher Kadow
発行日 2024-04-09 15:46:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 35-11, 65M99, 68T07, 86-08, cs.LG, physics.comp-ph, physics.flu-dyn パーマリンク