Основные понятия
심층 신경망을 이용하여 저해상도 ICON-O 모델의 솔루션을 고해상도 솔루션에 가깝게 보정할 수 있으며, 이를 통해 저해상도 모델에서도 고해상도 모델과 유사한 정확도를 달성할 수 있다.
Аннотация
이 연구는 천수 방정식을 기준으로 저해상도 ICON-O 모델에 심층 신경망 기반 초해상도 기법을 적용하여 고해상도 모델과 유사한 정확도를 달성하는 방법을 제안한다.
- 저해상도 ICON-O 모델(20km)과 고해상도 ICON-O 모델(2.5km)을 Galewsky 테스트 케이스에 적용하여 비교
- 저해상도 모델의 속도 장을 12시간마다 심층 신경망으로 보정하여 고해상도 모델과 유사한 정확도 달성
- 심층 신경망 모델은 U-Net 구조를 사용하며, 절대 오차와 상대 오차를 최소화하도록 학습
- 보정된 저해상도 모델은 균형 유동을 잘 유지하고 난류로의 천이를 고해상도 모델과 유사하게 모사
- 8일 적분 후 보정 모델의 L2 오차가 고해상도 모델과 유사한 수준
- 보정 모델은 질량 보존을 유지하지만 운동 에너지의 일부 생성이 관찰됨
Статистика
저해상도 모델의 속도 장에는 수치 진동이 존재하지만, 심층 신경망 보정을 통해 이를 효과적으로 제거할 수 있다.
보정 모델은 초기 몇 일 동안 오차가 증가하지만, 이후 고해상도 모델과 유사한 수준의 정확도를 유지한다.
보정 모델은 운동 에너지를 일부 생성하지만, 이는 수치적 안정성을 위협하지 않는 수준이다.
Цитаты
"심층 신경망을 이용하여 저해상도 ICON-O 모델의 솔루션을 고해상도 솔루션에 가깝게 보정할 수 있다."
"보정된 저해상도 모델은 균형 유동을 잘 유지하고 난류로의 천이를 고해상도 모델과 유사하게 모사한다."
"8일 적분 후 보정 모델의 L2 오차가 고해상도 모델과 유사한 수준이다."