[论文解读] DeepClouds.ai: Deep learning enabled computationally cheap direct numerical simulations

Moumita Bhowmik, Manmeet Mahinderjit Singh+2 more|arXiv (Cornell University)|Aug 18, 2022

Meteorological Phenomena and Simulations被引用 8

一句话总结

DeepClouds.ai 提出一种3D-UNET深度学习模型，通过学习将小尺度DNS输出外推至更大域，实现了计算高效的、大范围的湍流云流直接数值模拟（DNS）。该框架在模拟速度和水汽混合比分布方面表现出高保真度，为推进云微物理和数值天气预报提供了可扩展的替代方案。

ABSTRACT

Simulation of turbulent flows, especially at the edges of clouds in the atmosphere, is an inherently challenging task. Hitherto, the best possible computational method to perform such experiments is the Direct Numerical Simulation (DNS). DNS involves solving non-linear partial differential equations for fluid flows, also known as Navier-Stokes equations, on discretized grid boxes in a three-dimensional space. It is a valuable paradigm that has guided the numerical weather prediction models to compute rainfall formation. However, DNS cannot be performed for large domains of practical utility to the weather forecast community. Here, we introduce DeepClouds.ai, a 3D-UNET that simulates the outputs of a rising cloud DNS experiment. The problem of increasing the domain size in DNS is addressed by mapping an inner 3D cube to the complete 3D cube from the output of the DNS discretized grid simulation. Our approach effectively captures turbulent flow dynamics without having to solve the complex dynamical core. The baseline shows that the deep learning-based simulation is comparable to the partial-differential equation-based model as measured by various score metrics. This framework can be used to further the science of turbulence and cloud flows by enabling simulations over large physical domains in the atmosphere. It would lead to cascading societal benefits by improved weather predictions via advanced parameterization schemes.

研究动机与目标

• 解决由于资源需求过高而导致在大范围大气域内执行直接数值模拟（DNS）的计算不可行性问题。
• 通过实现可扩展的DNS类模拟，弥合小尺度云微物理与大尺度大气动力学之间的差距。
• 开发一种数据驱动的深度学习框架，学习将小DNS域外推至更大的物理域，而无需求解纳维-斯托克斯方程。
• 为未来在大气湍流和云过程数据驱动DNS研究方面提供基准框架。
• 通过实现对降水形成至关重要的微物理过程的高分辨率模拟，提升数值天气预报能力。

提出的方法

• 训练3D-UNET架构，将较小的3D DNS网格（A）映射到更大的周围域（B），其中A被嵌入在B中。
• 使用上升云湍流的高保真DNS模拟作为训练数据，捕捉速度、压力和水汽混合比场。
• 利用3D卷积层对湍流速度场在三维空间中的依赖关系进行建模，以模拟物理真实性。
• 通过损失函数优化模型，使预测结果与DNS在速度分量（u, v）、压力和水汽混合比（q_v）上的差异最小化。
• 通过递归推理实现逐步扩展的更大域模拟，从而实现大气云动力学的可扩展模拟。
• 通过在生成的流场中保持质量守恒和绝热条件，确保物理一致性。

实验结果

研究问题

• RQ1 深度学习模型是否能够在不求解纳维-斯托克斯方程的情况下，准确地将小尺度DNS输出外推以模拟大范围的湍流云流？
• RQ2 与DNS相比，3D-UNET在模拟上升云系统中非均匀的湍流速度分布和湿度分布方面表现如何？
• RQ3 该模型在多大程度上保持了关键物理特征，例如由于水滴蒸发导致域边界附近水汽混合比高的现象？
• RQ4 该框架是否可作为大气科学应用中传统DNS的可扩展、计算高效的替代方案？
• RQ5 该模型在速度方差和混合比分布等多个流场指标上，与DNS相比的定量性能如何？

主要发现

• 3D-UNET模型成功捕捉了流向（u）和横向（v）速度分量中的非均匀湍流结构，其空间分布和强度与DNS一致。
• 该模型再现了域边界附近水汽混合比（q_v）的特征性增加，与DNS中观察到的水滴蒸发现象一致。
• 预测的q_v分布与DNS输出高度相似，边缘处混合比升高而中心区域较低，表明对微物理反馈的准确模拟。
• 该模型通过保持绝热条件，实现了对水分守恒的物理一致性，时间步长间模拟域内水分保持稳定。
• 视觉和定量比较证实，该模型捕捉了复杂流体动力学，包括由上升运动和水滴相互作用引起的速度差异。
• 该框架仅依赖小尺度DNS数据即可实现大域的递归模拟，证明了其在可扩展、低成本DNS类模拟中的可行性。