English(EN) Parametrization of subgrid scales in long-term simulations of the shallow-water equations using machine learning and convex limiting

机器学习对流体动力学模拟中的亚网格尺度进行参数化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-06 04:00

研究人员开发了一种新颖的流体动力学模拟方法，通过使用前馈神经网络来学习浅水方程中的亚网格通量。该方法采用具有四点模板的局部参数化，优于全局耦合方法。机器学习技术在长期湍流模拟中显示出改善的能量平衡，并且可以与通量限制相结合，以提高激波附近的精度，即使在未训练的动力学状态下也是如此。 AI

影响引入了一种新颖的用于流体动力学模拟的机器学习方法，有可能提高长期湍流建模的准确性和效率。

排序理由详细介绍一种新的机器学习方法的学术论文，用于流体动力学模拟。

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Md Amran Hossan Mojamder, Zhihang Xu, Min Wang, Ilya Timofeyev · 2026-05-06 04:00

使用机器学习和凸限制对浅水方程长期模拟中的亚网格尺度进行参数化

arXiv:2602.00378v2 Announce Type: replace-cross Abstract: We present a method for parametrizing sub-grid processes in the Shallow Water equations. We define coarse variables and local spatial averages and use a feed-forward neural network to learn sub-grid fluxes. Our method resu…