学习的一维平流求解器以加速空气质量建模
摘要：用学习的代理模型加速偏微分方程数值积分是空气污染模型领域一个有前景的研究领域。之前的研究主要集中在学习化学算子上，虽然机器学习流体动力学在机器学习社群中也是一个蓬勃发展的领域。在这里，我们展示了在真实的风速数据集上的空气质量模型中加速平流算子的第一个测试。我们设计了一个基于卷积神经网络的求解器，给出了积分平流方程的系数。我们使用了一个二阶Van Leer类型的方案生成了一个训练数据集，其中包括39°N北美的东西向10天风速数据。经过粗化训练的模型整体上表现良好，但在少数情况下出现不稳定。我们的方法实现了高达12.5倍的加速。学习到的方案在泛化测试中也显示出良好的结果。
作者：Manho Park, Zhonghua Zheng, Nicole Riemer, Christopher W. Tessum
论文ID：2211.03906
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2022-11-09