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

提供元, 利用サービス

arxiv.jp, Google