Heyder, Florian
[Author]
;
Schumacher, Jörg
[Degree supervisor];
Mäder, Patrick
[Degree supervisor];
Mellado, Juan Pedro
[Degree supervisor]Technische Universität Ilmenau
Reduced order modeling of thermal convection flows: a reservoir computing approach
University thesis:
Dissertation, Technische Universität Ilmenau, 2024
Footnote:
Tag der Verteidigung: 20.02.2024
Description:
In dieser Arbeit wird das Potenzial von Machine-Learning-Algorithmen (ML) zur Verbesserung der Parametrisierung von großskaligen atmosphärischen Simulationen untersucht. Herkömmliche Ansätze verwenden oft Vereinfachungen oder rechenintensive Methoden. Diese Arbeit beabsichtigt, einen physikalisch konsistenten und rechnerisch effizienten Ansatz einzuführen, der Reservoir Computing (RC) und Datenkompression nutzt, um subgitter-skalige Merkmale aus direkten numerischen Simulationen (DNS) der thermischen Konvektion zu extrahieren. Hierbei wird der hochaufgelöste Simulationsdatensatz zuerst durch Proper Orthogonal Decomposition (POD) oder ein Autoencoder-Netzwerk (AE) vorverarbeitet, um die Datenmenge zu reduzieren. Anschließend wird ein RC-Modell auf diesem reduzierten Datenraum trainiert, um zukünftige Strömungszustände ohne die Lösung der nichtlinearen Bewegungsgleichungen vorherzusagen. Die Vorhersagen des kombinierten POD-RC-Modells werden anhand der Originalsimulationen validiert. Das Modell reproduziert die strukturellen und statistischen Merkmale von trockenen und feuchten Konvektionsströmungen und eröffnet somit neue Wege für die dynamische Parametrisierung des subgrid-skaligen Transports in grob aufgelösten Zirkulationsmodellen. Des Weiteren untersucht die Studie die Verallgemeinerungseigenschaften eines AE-RC-Modells basierend auf einem wärmeflussgetriebenen zweidimensionalen turbulenten Konvektionssystem. Dabei zeigt sich, dass das AE-RC-Modell die räumliche Struktur und statistischen Eigenschaften der ungesehenen physikalischen Felder korrekt wiedergibt. Schließlich liegt der Fokus auf der Parametrisierung der konvektiven Grenzschicht (CBL) mithilfe eines Generative Adversarial Networks (GAN), das auf hochaufgelösten DNS-Daten einer dreidimensionalen CBL trainiert wird. Es wird gezeigt, dass die Methode durch eine physikalisch informierte Reskalierung der begrenzten Trainingsdaten in der Lage ist, das CBL-Wachstum und die damit verbundene Musterbildung zu reproduzieren. Die GAN-Ergebnisse stimmen mit Standard Mass-Flux Parametrisierungen überein und liefern zusätzlich die horizontale Anordnung der turbulenten Strömung, die mit dem Mass-Flux-Ansatz nicht erreicht werden kann. Obwohl die Implementierung von ML-basierten Parametrisierungsschemata in großskaligen Modellen nicht im Fokus steht, trägt diese Arbeit dazu bei, unser Verständnis des Potenzials und der Grenzen dieser Modelle im Kontext der Klimamodellierung und numerischen Wettervorhersage zu vertiefen.