[논문 리뷰] Two-Dimensional Convective Boundary Layer: Numerical Analysis and Echo State Network model

Florian Heyder, Juan Pedro Mellado외 1명|arXiv (Cornell University)|2021. 08. 13.

Meteorological Phenomena and Simulations참고 문헌 37인용 수 2

한 줄 요약

이 연구는 부오시에스프 근사에 기반한 얕은 대류 경계층에 대한 2차원 수치 모델을 제시하며, 직접 수치 시뮬레이션(DNS)을 사용하여 층 내에서의 난류 대류 유속을 분석한다. 얻어진 데이터는 고차원 저장소를 갖춘 에코 스테이트 네트워크(ESN)를 훈련시키는데 사용되며, 이는 기저의 나비에-스토크스 방정식을 풀지 않고도 난류 역학과 대류 유속의 통계적 성질을 정확하게 재현한다. 이는 미훈련된 유속 비율에 대해서도 강력한 일반화 능력을 보여준다.

ABSTRACT

The numerical study of global atmospheric circulation processes requires the parametrization of turbulent buoyancy fluxes in the lower convective boundary layer which typically cannot be resolved by the coarse-scale computational grids. In the present work, a two-dimensional model of a shallow convective boundary layer in the Boussinesq limit is investigated by direct numerical simulations. A series of simulation runs evaluates the turbulent transport properties as a function of the ratio between the prescribed buoyancy fluxes at the top and the bottom of the layer. Our model is able to reproduce essential properties of the lower convective boundary layer. The resulting data records are subsequently used to train and test a recurrent neural network which is realized by an echo state network with a high-dimensional reservoir. It is shown that the echo state network reproduces the turbulence dynamics and the statistical properties of the buoyancy flux across the layer very well and is thus able to model these transport processes without solving the underlying highly nonlinear equations of motion. Focus is given to the generalization properties of the echo state network, i.e., its ability to model unseen data records with a different flux ratio.

연구 동기 및 목표

• 다양한 하부 및 상부 대류 유속 비율 조건에서 2차원 얕은 대류 경계층 내 난류 운반 성질을 조사하기 위해.
• 기본 나비에-스토크스 방정식을 풀지 않고도 복잡한 난류 역학을 포괄하는 데이터 기반 대체 모델을 개발하기 위해.
• 특히 에코 스테이트 네트워크(ESN)의 반복 신경망이 훈련 데이터에 포함되지 않은 새로운 유속 비율 설정에 대해 얼마나 잘 일반화되는지 평가하기 위해.

제안 방법

• 부오시에스프 근사를 사용한 2차원 영역에서 직접 수치 시뮬레이션(DNS)을 수행하여 대류 경계층 역학을 해석한다.
• 다양한 상부 및 하부 층에서의 주어진 대류 유속 비율을 변화시켜 다양한 난류 데이터를 생성하기 위해 수많은 시뮬레이션 실행을 수행한다.
• 시간 역학을 포착하기 위해 고차원 저장소를 갖춘 에코 스테이트 네트워크(ESN) 아키텍처 기반의 반복 신경망을 사용한다.
• ESN은 DNS에서 생성된 데이터 기록을 기반으로 하여 층 내에서의 대류 유속의 통계적 및 역학적 행동을 학습한다.
• 훈련 세트에 포함되지 않은 유속 비율 조건에 대해 ESN의 일반화 성능을 평가하기 위해 평가를 수행한다.
• 통계적 일致성과 역학적 정확성 측면에서 원본 DNS 데이터와의 비교를 통해 모델 출력을 검증한다.

실험 결과

연구 질문

• RQ1 상부 대비 하부 대류 유속 비율을 변화시킬 경우, 2차원 얕은 대류 경계층 내 난류 운반 성질은 어떻게 영향을 받는가?
• RQ2 DNS 데이터로 훈련된 에코 스테이트 네트워크가 층 내에서 대류 유속의 통계적 및 역학적 행동을 얼마나 정확하게 재현할 수 있는가?
• RQ3 훈련 데이터에 포함되지 않은 새로운 유속 비율 설정에 대해 에코 스테이트 네트워크는 어느 정도 일반화할 수 있는가?
• RQ4 기본 운동 방정식을 풀지 않고도 ESN은 비선형적이고 시간에 따라 변화하는 난류 역학을 얼마나 잘 모델링하는가?

주요 결과

• 에코 스테이트 네트워크는 대류 경계층 내 대류 유속의 통계적 성질을 매우 높은 정확도로 재현하였다.
• ESN 모델은 기저의 나비에-스토크스 방정식을 명시적으로 통합하지 않더라도 난류의 복잡한 비선형 시간 역학을 포착하였다.
• 네트워크는 훈련 중에 나타나지 않은 유속 비율 조건에 대해서도 강력한 일반화 능력을 보였으며, 정확하게 시뮬레이션하였다.
• 저장소 기반 ESN 아키텍처는 난류 시계열 내 장기적 의존성을 효과적으로 인코딩하여 안정적이고 정확한 예측을 가능케 하였다.