[论文解读] Strategies for Reduced-Order Models for Predicting the Statistical Responses and Uncertainty Quantification in Complex Turbulent Dynamical Systems

Andrew J. Majda, Di Qi|arXiv (Cornell University)|Feb 20, 2018

Model Reduction and Neural Networks参考文献 64被引用 4

一句话总结

本文提出了一套系统化的降阶模型（ROM）构建框架，能够准确预测高维湍流动力系统中的统计响应并量化不确定性。通过结合经验信息论与统计线性响应理论进行模型校准，并利用总统计能量动力学提升模型敏感性，该方法仅使用全系统0.15%的模态即实现了高精度——在随机三体系统和两层斜压湍流中得到验证。

ABSTRACT

Turbulent dynamical systems characterized by both a high-dimensional phase space and a large number of instabilities are ubiquitous among many complex systems in science and engineering. The existence of a strange attractor in the turbulent systems containing a large number of positive Lyapunov exponents results in a rapid growth of small uncertainties, requiring naturally a probabilistic characterization for the evolution of the turbulent system. Uncertainty quantification in turbulent dynamical systems is a grand challenge where the goal is to obtain statistical estimates such as the change in mean and variance for key physical quantities in their nonlinear responses to changes in external forcing parameters or uncertain initial data. One central issue in contemporary research is the development of a systematic methodology that can recover the crucial features of the natural system in statistical equilibrium (model fidelity) and improve the imperfect model prediction skill in response to various external perturbations (model sensitivity). A general mathematical framework to construct statistically accurate reduced-order models that have skill in capturing the statistical variability in the principal directions with largest energy of a general class of damped and forced complex turbulent dynamical systems is discussed here. The methods are developed under a universal class of turbulent dynamical systems with quadratic nonlinearity that is representative in many applications in applied mathematics and engineering. The validity of general framework of reduced-order models is demonstrated on instructive stochastic triad models. Recent applications to two-layer baroclinic turbulence in the atmosphere and ocean with combinations of turbulent jets and vortices are also surveyed.

研究动机与目标

• 解决高维、不稳定湍流系统中不确定性量化（UQ）这一重大挑战，其中模型误差与计算限制阻碍了精确预测。
• 开发一种系统化方法，确保在统计平衡下模型保真度高，并在对底层物理知识不完全的情况下仍能保持对外部扰动的敏感性。
• 通过构建仅使用远少于全系统模态数的ROM，显著降低计算成本，具体而言，使用少于总自由度0.15%的模态来捕捉关键统计特征。
• 通过校准的误差模型与能量一致的动力学，提升对外部强迫和初始条件扰动的响应预测能力。

提出的方法

• 采用三阶段建模策略：模型选择、基于经验信息论与统计线性响应理论的校准，以及不确定性量化的预测。
• 利用统计能量动力学——即平均能量与涨落能量之和——推导出总统计能量的闭式方程，避免显式计算高阶矩。
• 应用总统计能量动力学，在强外部扰动下提升模型敏感性，实现在无需解析复杂三阶矩的情况下实现精确预测。
• 利用经验信息论校准模型参数，以最小化训练阶段中ROM与真实系统统计量之间的差异。
• 基于具有二次非线性的随机三体模型，推导出均值与方差的动力学方程，包含阻尼、强迫与非线性相互作用。
• 通过仅保留最活跃模态并利用能量守恒对称性，实现统计闭合，从而简化方差动力学。

实验结果

研究问题

• RQ1 如何系统化地校准降阶模型，以在具有多个正李雅普诺夫指数的湍流系统中实现高统计保真度？
• RQ2 何种数学框架可实现高维湍流系统中统计响应对外部强迫的精确不确定性量化？
• RQ3 总统计能量动力学是否可替代ROM中对三阶矩与交叉协方差的显式计算？
• RQ4 在100,000个自由度的系统中，极少数模态（如200个）在多大程度上能准确表征其统计行为？
• RQ5 信息论校准与基于能量的动力学相结合，如何提升模型对扰动的敏感性？

主要发现

• 该降阶模型仅使用3个模态，即可在全系统具有100,000个自由度的情况下，准确捕捉随机三体模型中的统计响应与不确定性量化。
• 该方法仅使用总谱模态数的0.15%以下——具体为100,000个模态中的200个——即实现高精度，证明了在不损失统计保真度的前提下实现了极端的模型降维。
• 源自能量守恒与三体对称性的统计能量动力学，可精确计算总二阶统计量，而无需解析高阶矩或交叉协方差。
• 经验信息论与统计线性响应理论使模型参数在训练阶段实现最优校准，显著提升了对扰动的预测能力。
• 该框架在具有急流与涡旋的两层斜压湍流中成功预测了非线性统计响应，证实了其在复杂大气海洋流动中的鲁棒性。
• 由于能量一致的动力学机制，模型在强外部扰动下仍能保持精度，该机制有效维持了模型的敏感性与稳定性。