論文の概要: Generative convective parametrization of dry atmospheric boundary layer
- arxiv url: http://arxiv.org/abs/2307.14857v1
- Date: Thu, 27 Jul 2023 13:37:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 14:33:40.505159
- Title: Generative convective parametrization of dry atmospheric boundary layer
- Title（参考訳）: 乾式大気境界層の生成対流パラメトリゼーション
- Authors: Florian Heyder and Juan Pedro Mellado and J\"org Schumacher
- Abstract要約: 乱流のパラメトリゼーションは、キロスケールの地球系モデルにおいて、必要なビルディングブロックとして残る。
本稿では, 直交対向ネットワークに基づく乾式対流境界層に対するパラメトリゼーションを提案する。
我々の研究は、他の自然流における効率的なデータ駆動対流パラメトリゼーションへの道を開いた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Turbulence parametrizations will remain a necessary building block in
kilometer-scale Earth system models. In convective boundary layers, where the
mean vertical gradients of conserved properties such as potential temperature
and moisture are approximately zero, the standard ansatz which relates
turbulent fluxes to mean vertical gradients via an eddy diffusivity has to be
extended by mass flux parametrizations for the typically asymmetric up- and
downdrafts in the atmospheric boundary layer. In this work, we present a
parametrization for a dry convective boundary layer based on a generative
adversarial network. The model incorporates the physics of self-similar layer
growth following from the classical mixed layer theory by Deardorff. This
enhances the training data base of the generative machine learning algorithm
and thus significantly improves the predicted statistics of the synthetically
generated turbulence fields at different heights inside the boundary layer. The
algorithm training is based on fully three-dimensional direct numerical
simulation data. Differently to stochastic parametrizations, our model is able
to predict the highly non-Gaussian transient statistics of buoyancy
fluctuations, vertical velocity, and buoyancy flux at different heights thus
also capturing the fastest thermals penetrating into the stabilized top region.
The results of our generative algorithm agree with standard two-equation or
multi-plume stochastic mass-flux schemes. The present parametrization provides
additionally the granule-type horizontal organization of the turbulent
convection which cannot be obtained in any of the other model closures. Our
work paves the way to efficient data-driven convective parametrizations in
other natural flows, such as moist convection, upper ocean mixing, or
convection in stellar interiors.
- Abstract（参考訳）: 乱流パラメトリゼーションは、キロスケールの地球系モデルにおいて必要不可欠な構成要素である。
ポテンシャル温度や湿度などの保存特性の平均鉛直勾配がほぼゼロの対流境界層では、乱流フラックスを渦拡散によって平均鉛直勾配に関連付ける標準的なアンサッツは、大気境界層における通常非対称な上下流の質量流束パラメトリゼーションによって拡張されなければならない。
本稿では,生成的逆ネットワークに基づく乾燥対流境界層に対するパラメトリゼーションを提案する。
このモデルは、ディアドルフの古典的混合層理論に続く自己相似層成長の物理学を取り入れている。
これにより、生成機械学習アルゴリズムのトレーニングデータベースを強化し、境界層内の異なる高さにおける合成生成乱流場の予測統計を大幅に改善する。
アルゴリズムトレーニングは完全に3次元の直接数値シミュレーションデータに基づいている。
確率的パラメトリゼーションと異なり, モデルでは, 浮力変動, 鉛直速度, 浮力フラックスの非ゲージ過渡統計量から, 安定なトップ領域に浸透する高速熱を捉えることができる。
生成アルゴリズムの結果は, 標準2等式あるいはマルチプルム確率的質量流束スキームと一致した。
現在のパラメトリゼーションは、他のモデル閉包では得られない乱流対流の顆粒型水平構造を提供する。
我々の研究は、湿潤対流、上部海混合、恒星内部の対流などの他の自然流における効率的なデータ駆動対流パラメトリゼーションへの道を開いた。
関連論文リスト
- Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models [1.7810134788247751]
本研究では, 乱流によって受動的に対流する小物体の軌道に沿って, 空間・速度の欠落を再現する手法を提案する。
近年提案されているデータ駆動機械学習技術である条件付き生成拡散モデルを利用する。
論文 参考訳（メタデータ） (2024-10-31T14:26:10Z) - Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence [0.0]
本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。
我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。
我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
論文 参考訳（メタデータ） (2024-10-17T20:53:04Z) - Hierarchic Flows to Estimate and Sample High-dimensional Probabilities [8.548100130679614]
エネルギーと密度をまたいだロバストなマルチスケール近似を持つ低次元モデルを導入する。
本研究では,これらのウェーブレットモデルを用いて乱流の2次元渦場と暗黒物質の画像を生成する。
論文 参考訳（メタデータ） (2024-05-06T13:44:51Z) - Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。
本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
論文 参考訳（メタデータ） (2023-01-18T11:29:49Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Accessing the topological Mott insulator in cold atom quantum simulators
with realistic Rydberg dressing [58.720142291102135]
本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。
本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。
さらに、平均場近似における温度に対する相の安定性について検討する。
論文 参考訳（メタデータ） (2022-03-28T14:55:28Z) - Direct data-driven forecast of local turbulent heat flux in
Rayleigh-B\'{e}nard convection [0.0]
Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流
縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。
12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
論文 参考訳（メタデータ） (2022-02-26T12:39:19Z) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳（メタデータ） (2021-07-30T18:43:14Z) - Learning the structure of wind: A data-driven nonlocal turbulence model
for the atmospheric boundary layer [0.0]
我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。
このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
論文 参考訳（メタデータ） (2021-07-23T06:41:33Z) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳（メタデータ） (2020-09-21T13:57:10Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。