[论文解读] Nonlinear Continuous Data Assimilation

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

Meteorological Phenomena and Simulations参考文献 41被引用 24

一句话总结

本文提出了三种非线性连续数据同化算法，与线性AOT算法相比，显著加速了对一维Kuramoto-Sivashinsky方程真实解的收敛。通过引入非线性反馈项——特别是对小误差采用超线性惩罚，以及采用混合/凸-凹结构——这些方法实现了超指数收敛，在约17.4个时间单位内达到机器精度，比线性方法快2.8倍。

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.

研究动机与目标

• 开发非线性数据同化算法，以相比线性AOT方法加速收敛。
• 研究在PDE层面采用非线性反馈控制是否能提升从部分观测中重建动力系统速度。
• 检验能比线性项更强地放大小误差的非线性反馈项的有效性。
• 探索非线性结构（如小误差时为凹性、大误差时为凸性）对收敛动力学的影响。
• 在一维Kuramoto-Sivashinsky方程背景下提供概念验证，该方程是具有与Navier-Stokes方程相似性的混沌PDE。

提出的方法

• 通过将线性反馈项 $\mu(I_h(u) - I_h(v))$ 替换为 $\mu\mathcal{N}(I_h(u) - I_h(v))$，其中 $\mathcal{N}$ 为非线性函数，对AOT数据同化算法进行非线性改进。
• 提出三种具体的非线性反馈函数：$\mathcal{N}_1(x) = x|x|^{-\gamma}$（$0 < \gamma < 1$），$\mathcal{N}_2(x)$ 为 $\mathcal{N}_1$ 与线性项的混合形式，$\mathcal{N}_3(x)$ 为分段函数，结合凹性与凸性行为。
• 以一维Kuramoto-Sivashinsky方程为测试平台，采用谱方法在高分辨率（8192个模态）下数值求解，以模拟混沌动力学。
• 对真实解和同化模型使用相同的初始条件，同化模型初始化为 $v_0 \equiv 0$，在未知真实初始状态的前提下测试收敛性。
• 通过同化解 $v(t)$ 与真实解 $u(t)$ 之间误差的 $L^2$ 和 $H^1$ 范数来度量收敛性。
• 通过误差随时间的对数线性图及各傅里叶模态的谱误差分析，比较各方法的性能。

实验结果

研究问题

• RQ1 与线性AOT方法相比，连续数据同化中的非线性反馈是否能加速收敛至真实解？
• RQ2 是否一种对小误差惩罚强于线性项的非线性反馈项能导致超指数收敛？
• RQ3 一种结合小误差与大误差不同行为的混合非线性性是否能提升收敛速度？
• RQ4 是否凹-凸非线性结构能增强所有误差区间下的性能？
• RQ5 所提方法在混沌初始条件和长时间动力学下是否仍保持优越性能？

主要发现

• 采用 $\mathcal{N}_3(x)$（即凹-凸非线性）的非线性数据同化算法在约 $t \approx 17.4$ 个时间单位内收敛至机器精度，比线性AOT方法（需 $t \approx 49.8$）快2.8倍。
• $\mathcal{N}_1$ 非线性在 $t \approx 27.3$ 时实现收敛，表明其收敛速度优于线性AOT但慢于混合与凹-凸方法。
• 混合非线性 $\mathcal{N}_2$ 初始行为类似线性AOT方法，但随后过渡至超指数收敛，在短暂瞬态期后优于所有其他方法。
• 在所有测试时间点——混沌发生前、期间及之后——$\mathcal{N}_3$ 方法在所有傅里叶模态中均产生最小误差，表明其具有鲁棒的谱精度。
• 即使参考解从混沌状态初始化，非线性方法的优越性能依然保持，证实其对初始条件不确定性的鲁棒性。
• 结果表明，非线性反馈控制可诱导超指数收敛，这种行为在传统线性AOT算法中未被观察到。