大气污染物扩散的参数化大涡模拟简化建模
摘要：在城市区域中追踪意外毒气云散布的接近场污染物浓度的映射非常重要。通过解决大部分湍流频谱，大涡模拟（LES）有潜力准确地表示污染物浓度的空间变化。找到一种将这大量信息综合起来以提高低保真度操作模型的准确性（例如提供更好的湍流闭合项）的方法是特别吸引人的。在多查询的环境下，LES将变得费用高昂，无法部署以了解云气流和示踪剂扩散如何随各种大气和源参数的变化而变化。为了克服这个问题，我们提出了一种非侵入式的降阶模型，结合适应函数分解（POD）和高斯过程回归（GPR），来预测与示踪剂浓度相关的LES场统计量。通过POD信息的最大后验（MAP）过程，逐分量优化GPR超参数。我们对一个二维案例研究的降阶模型性能进行了详细分析，该案例研究对应于在面贴障碍物上的湍流大气边界层流动。我们展示了在障碍物上游源处的浓度异质性需要很多POD模态来很好地捕捉。我们还展示了分量逐分量优化可以捕捉POD模态中空间尺度的范围，特别是高阶模态中较短的浓度模式。如果学习数据库由至少50到100个LES快照组成，那么降阶模型预测仍然是可以接受的，从而提供了迈向更实际的大气扩散应用所需预算的第一个估计。
作者：Bastien X Nony, M''elanie Rochoux, Thomas Jaravel (CERFACS), Didier Lucor (LISN)
论文ID：2208.01518
分类：Machine Learning
分类简称：stat.ML
提交时间：2022-08-03