Core Concepts
物理情報損失関数、ライブラリ、メトリックが正確で安定なクロージャーを発見する必要性。
Abstract
サブグリッドスケールの運動量/熱フラックスクロージャーは非線形勾配モデル(NGM)によって発見される。
NGMはエネルギー転送を完全に捉えられないため、2D乱流/対流ではオンラインシミュレーションが不安定になる。
物理情報損失関数、ライブラリ、メトリック、およびスパース性選択が正確で安定なクロージャーを発見する必要性。
現在の物理ベースのパラメータ化手法には重大な欠点があり、予測にバイアスと不確実性をもたらす。
深層ニューラルネットワークでは成功したパラメータ化も難解で説明困難。他の機械学習手法も同様。
1. 導入
DNSは高次元乱流流れの直接数値シミュレーションで計算的に扱いづらい。
LESは大規模な流れを明示的に解決し、解像度不足の小規模特徴(SGS)効果をパラメタ化する。
2. SGSクロージャーモデル作成方法
SGSクロージャーモデル作成方法:(a) 関数的 (b) 構造的アプローチ。
関数型SGSクロージャー:Smagorinskyモデルやその動的形式が一般的。
3. 機械学習とSGSクロージャーモデル開発
ML技術がSGSクロージャーモデル開発に新たな道具を提供している。
ディープニューラルネットワークに基づくSGSクロージャーデータ駆動型手法は成功しているが解釈可能性が低い。
4. 方程式発見手法と結果
RVMを使用してτおよびJの閉形式クロージャーを発見。α値の最適化で優れた事前性能を示す結果。
Stats
NGMは非常に類似した真値とNGM予測フラックス間で相関係数>0.95