[논문 리뷰] Dynamical random multiplicative cascade model in 1+1 dimensions

Juergen Schmiegel, H. C. Eggers외 1명|arXiv (Cornell University)|2001. 06. 18.

Complex Network Analysis Techniques참고 문헌 1인용 수 3

한 줄 요약

이 논문은 1+1 차원 시공간에서 정적 다중분포 모델을 일반화하기 위해 연속적이고 인과적인 확률적 진동을 포함하는 동적 랜덤 곱셈 캐스케이드 모델을 제안한다. 에너지 소산 장을 시간 및 공간에 따라 변하는 창 함수를 가진 안정적인 백색 잡음 장 위의 로그-안정 이동 평균으로 정의함으로써, 동일 시간 및 시간에 따른 두 점 상관관계에서 다중분포 스케일링을 재현하며, 대규모 보정을 적용할 경우 기하학적 모델과 동일한 스케일링 지수를 갖는다.

ABSTRACT

Geometrical random multiplicative cascade processes are often used to model positive-valued multifractal fields such as for example the energy dissipation field of fully developed turbulence. A dynamical generalisation of these models is proposed, which describes the continuous and homogeneous stochastic evolution of the field in one space and one time dimension. Two-point correlation functions are calculated.

연구 동기 및 목표

• 에너지 소산과 같은 양의 다중분포 장의 확률적 진동을 기술할 수 있는 기하학적 랜덤 곱셈 캐스케이드 모델(RMCM)의 인과적이고 연속적인 시간 일반화를 개발하는 것.
• 원래 기하학적 RMCM의 다중분포 스케일링 성질을 유지하면서 시간 진동과 인과성을 통합하는 모델을 확보하는 것.
• 등시 및 시간에 따른 두 점 상관함수를 유도하고 분석하여, 모델이 정적 모델과 동일한 다중분포 스케일링 지수를 나타내는지 검증하는 것.
• 모델의 통계적 성질, 즉 모멘트와 승수 분포가 난류 에너지 소산의 실험 관측과 일치하는지 보여주는 것.

제안 방법

• 에너지 소산 장 ε(x,t)는 안정적인 백색 잡음 장 γ(x,t)의 지수 함수적 기능으로 구성되며, 인과성(시간 t<0일 때 f=0)을 보장하는 시공간 창 함수 f(x,t)에 대해 통합된다.
• 창 함수 g(t)는 시간 스케일의 척도 불변 계층을 생성하도록 정의되어 기하학적 RMCM의 이산적 스케일 계층을 연속적인 시간 진동으로 변환한다.
• 모델은 α ∈ (0,2]인 안정적인 Lévy 잡음 장을 사용하여 로그 장의 안정적 증분을 보장하고 특성 함수를 통한 정확한 모멘트 계산을 가능하게 한다.
• 두 점 상관함수는 서로 다른 시공간 점에 대한 통합 영역의 겹침 부피를 계산하여 유도되며, 이는 시공간 겹침 부피 V(l) 또는 V(t)를 포함한 표현식으로 이어진다.
• 다중분포 스케일링 지수 τ(n)는 안정 분포 성질을 통해 정의되며, τ(n) ∝ σ^α / cos(πα/2) × V(l) × (n - n^α)로 표현되어 모델의 통계가 기저의 잡음과 기하학과 연결된다.
• 두 점 상관함수의 대규모 편차를 보정하기 위해 창 함수를 t = -T를 초과해 약간 연장함으로써, 모든 스케일에서 정확한 거듭제곱 법칙 스케일링을 복원한다.

실험 결과

연구 질문

• RQ1 1+1 차원에서 기하학적 랜덤 곱셈 캐스케이드 모델을 일반화하면서도 다중분포 스케일링 성질을 유지하는 연속적이고 인과적인 확률 모델을 구성할 수 있는가?
• RQ2 그러한 동적 모델에서 등시 및 시간에 따른 두 점 상관함수는 어떻게 행동하는가? 그리고 정적 경우와 동일한 다중분포 스케일링을 나타내는가?
• RQ3 시공간 겹침 부피는 상관함수의 스케일링 지수를 결정하는 데 어떤 역할을 하는가?
• RQ4 두 점 상관함수의 대규모 편차는 어떻게 수정할 수 있으며, 모든 스케일에서 정확한 거듭제곱 법칙 스케일링을 복원할 수 있는가?

주요 결과

• 등시 두 점 상관함수는 C_{n1,n2}(l) = (L/l)^{τ[n1,n2]} × exp(−τ[n1,n2](1−l/L))로 주어지며, η < l ≪ L 범위에서 다중분포 스케일링을 보인다.
• 창 함수를 t = -T를 초과해 ΔT = (T−tη)η/(L−η)만큼 연장함으로써 대규모 편차가 상쇄되며, 이로 인해 모든 η ≤ l ≤ L 범위에서 정확한 거듭제곱 법칙 스케일링이 복원된다: C_{n1,n2}(l) = (L/l)^{τ[n1,n2]}.
• 시간에 따른 두 점 상관함수는 C_{n1,n2}(t) ≈ (T/t)^{τ[n1,n2]}로 스케일링되며, 등시 경우와 동일한 스케일링 지수를 갖는다.
• 다중분포 스케일링 지수는 τ(n) = τ(2)(n−n^α)/(2−2^α)로 정의되며, τ(2)는 σ^α / cos(πα/2) × ηL(T−tη)/(L−η)에 비례하여 모델이 안정 잡음 매개변수와 연결된다.
• 모델의 모멘트, 승수 분포 및 고차 상관관계는 난류 에너지 소산 장의 실험 데이터와 일치한다.