[논문 리뷰] Nonlinear Continuous Data Assimilation

Adam Larios, Yuan Pei|arXiv (Cornell University)|2017. 03. 10.

Meteorological Phenomena and Simulations참고 문헌 41인용 수 24

한 줄 요약

이 논문은 1D Kuramoto-Sivashinsky 방정식의 진짜 해로의 수렴 속도를 선형 AOT 알고리즘보다 크게 향상시키는 세 가지 비선형 연속 데이터 융합 알고리즘을 제안한다. 소규모 오차에 대해 초선형 페널티를 적용하고, 하이브리드/볼록-오목한 구조를 도입함으로써 비선형 피드백 항을 도입함으로써, 초기수렴이 달성되며, 약 17.4 시간 단위 내에 머신 정밀도에 도달한다. 이는 선형 방법 대비 2.8배 빠른 속도 향상이다.

ABSTRACT

We introduce three new nonlinear continuous data assimilation algorithms. These models are compared with the linear continuous data assimilation algorithm introduced by Azouani, Olson, and Titi (AOT). As a proof-of-concept for these models, we computationally investigate these algorithms in the context of the 1D Kuramoto-Sivashinsky equation. We observe that the nonlinear models experience super-exponential convergence in time, and converge to machine precision significantly faster than the linear AOT algorithm in our tests.

연구 동기 및 목표

• 선형 AOT 방법보다 수렴 속도를 빠르게 하는 비선형 데이터 융합 알고리즘을 개발하는 것.
• PDE 수준에서의 비선형 피드백 제어가 부분 관측에서의 동역학계 재구성 속도를 향상시킬 수 있는지 조사하는 것.
• 선형 항보다 소규모 오차를 더 강하게 처벌하는 비선형 피드백 항의 효능을 시험하는 것.
• 작은 오차에 대해 오목하고 큰 오차에 대해 볼록한 비선형성의 구조가 수렴 동역학에 미치는 영향을 탐색하는 것.
• Navier-Stokes 방정식과 유사한 특성을 지닌 혼돈적인 PDE인 1D Kuramoto-Sivashinsky 방정식의 맥락에서 개념 증명을 제공하는 것.

제안 방법

• 선형 피드백 항 $\mu(I_h(u) - I_h(v))$ 를 비선형 함수 $\mathcal{N}$ 로 대체함으로써 AOT 데이터 융합 알고리즘의 비선형 수정을 제안하며, 여기서 $\mathcal{N}$ 은 비선형 함수이다.
• 세 가지 특정 비선형 피드백 함수를 도입한다: $0 < \gamma < 1$ 인 $\mathcal{N}_1(x) = x|x|^{-\gamma}$, $\mathcal{N}_1$ 과 선형 항의 하이브리드인 $\mathcal{N}_2(x)$, 그리고 오목 및 볼록 행동을 조합한 조각 함수인 $\mathcal{N}_3(x)$.
• 테스트 베드로 1D Kuramoto-Sivashinsky 방정식을 사용하며, 고해상도(8192 모드) 스펙트럼 방법을 사용해 수치적으로 해를 구하여 혼돈적인 역학을 시뮬레이션한다.
• 진짜 해와 동일한 초기 조건을 사용하며, 융합 모델은 $v_0 \equiv 0$ 로 초기화하여 진짜 초기 상태를 사전에 알지 못한 상태에서 수렴을 시험한다.
• 융합된 해 $v(t)$ 와 진짜 해 $u(t)$ 의 오차에 대한 $L^2$ 및 $H^1$ 노름을 사용해 수렴을 측정한다.
• 시간에 따른 오차의 로그-선형 플롯과 푸리에 모드에 대한 스펙트럼 오차 분석을 통해 방법 간 성능를 비교한다.

실험 결과

연구 질문

• RQ1 비선형 피드백이 연속 데이터 융합에서 선형 AOT 방법보다 진짜 해로의 수렴 속도를 빠르게 할 수 있는가?
• RQ2 선형 항보다 소규모 오차를 더 강하게 처벌하는 비선형 피드백 항이 초기수렴을 유도하는가?
• RQ3 작은 오차와 큰 오차에 대해 서로 다른 행동을 보이는 하이브리드 비선형성은 수렴 속도를 어떻게 향상시키는가?
• RQ4 오목-볼록 비선형성의 구조는 모든 오차 영역에서 성능을 향상시킬 수 있는가?
• RQ5 제안된 방법은 혼돈적인 초기 조건과 장시간 역학에서도 뛰어난 성능을 유지하는가?

주요 결과

• 오목-볼록 비선형성인 $\mathcal{N}_3(x)$ 를 사용한 비선형 데이터 융합 알고리즘은 약 $t \approx 17.4$ 시간 단위 내에 머신 정밀도에 도달하며, 선형 AOT 방법이 필요한 $t \approx 49.8$ 보다 2.8배 더 빠른 속도 향상을 보인다.
• $\mathcal{N}_1$ 비선형성은 $t \approx 27.3$ 에 수렴을 달성하며, 선형 AOT보다는 빠르지만 하이브리드 및 오목-볼록 방법보다는 느린 수렴 속도를 보인다.
• 하이브리드 비선형성 $\mathcal{N}_2$ 는 처음에는 선형 AOT 방법과 유사하게 행동하지만, 짧은 일시적 기간 이후 초기수렴으로 전환되며, 이후 모든 다른 방법보다 뛰어난 성능을 보인다.
• 혼돈의 발생 이전, 동안, 이후 모든 테스트 시간에 대해 $\mathcal{N}_3$ 방법은 모든 푸리에 모드에서 가장 작은 오차를 생성하며, 이는 강력한 스펙트럼 정확도를 의미한다.
• 비선형 방법의 뛰어난 성능는 참조 해가 혼돈 상태에서 초기화된 경우에도 유지되며, 초기 조건의 불확실성에 대한 강건성을 확인한다.
• 결과는 비선형 피드백 제어가 초기수렴을 유도할 수 있으며, 이는 선형 AOT 알고리즘에서 관찰되지 않는 행동임을 시사한다.