shallow water equations
PulseAugur coverage of shallow water equations — every cluster mentioning shallow water equations across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的深度学习框架MuRFiV增强了时空动力学预测能力
研究人员开发了一个新的深度学习框架MuRFiV，该框架受有限体积法启发，旨在提高复杂时空动力学预测的准确性。该框架通过将偏微分方程信息直接嵌入神经网络架构中，整合了物理信息学习。在应用于Burgers方程、浅水方程和不可压缩Navier-Stokes方程等系统时，MuRFiV在长期预测精度和稳定性方面优于传统的纯数据驱动神经网络。
-
物理约束深度学习提升洪水预测精度
研究人员开发了一个新的基于物理约束的深度学习框架，用于先进洪水预测。该混合模型结合了UNet和傅里叶神经网络算子（FNO）架构，将多模态遥感数据与浅水方程的约束相结合。与现有方法相比，该方法在预测洪水范围和水位方面显著提高了准确性。
-
新的神经网络算子整合物理对称性以提高泛化能力
研究人员开发了一种新的神经网络算子，称为 PACE-FNO，通过整合已知的演化方程的连续对称性，能够更好地处理分布外场景。该模型将估计输入帧对齐和预测物理演化的任务分开，提高了泛化能力。在各种一维和二维方程上的实验表明，PACE-FNO 在分布内精度上与标准方法相当，同时显著减少了分布外误差。
-
AI模型大幅加速数字孪生洪水模拟
研究人员开发了一种名为CLDNet的新型AI模型，用于创建更快的数字孪生来模拟大都市洪水。传统的浅水方程建模方法计算量大，需要近一个小时才能完成96小时的预报。CLDNet是一种潜在的神经ODE，可显著加速这些模拟，在大约29秒内完成整个流域的预报，速度提高了115倍。这种AI方法与现有基线相比，准确性也更高，并且能够原生处理不规则的流域地形。
-
机器学习对流体动力学模拟中的亚网格尺度进行参数化
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。