数字孪生地球——海岸：通过神经算子开发快速且物理基准的近似模型，用于沿海洪水。
摘要：发展快速准确的物理驱动的沿海和海洋模型替代品是迫切需要的，这是由于海平面上升加速导致的沿海洪水风险以及确定性数值模型的计算费用。为此，我们使用了新的物理驱动机器学习技术扩展了最先进的神经操作器，开发了地球海岸线的第一个数字孪生。作为一个概念验证研究，我们在行业标准洪水和海洋模型（NEMO）的模拟上建立了Fourier神经操作器（FNO）替代品。结果显示，所得到的FNO替代品准确预测了大多数区域的海面高度，并实现了NEMO 45倍以上的加速。我们以端到端和模块化的方式提供了一个开源的CoastalTwin平台，以便将其他模拟和基于机器学习的替代方法轻松扩展到该平台上。我们的结果和可交付物为大规模加速沿海动力学模拟器提供了一种有希望的方法，这可以使科学家能够高效地执行许多模拟来进行决策，不确定性量化和其他研究活动。
作者：Peishi Jiang, Nis Meinert, Helga Jord~ao, Constantin Weisser, Simon Holgate, Alexander Lavin, Bj"orn L"utjens, Dava Newman, Haruko Wainwright, Catherine Walker, Patrick Barnard
论文ID：2110.07100
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2021-10-15