Методы усвоения данных для моделей адвекции – диффузии – реакции Текст научной статьи по специальности «Компьютерные и информационные науки»

74

Секция 4

2. Рубцов С.Е., Павлова А.В., Родионов П.Р. К клеточно-автоматным моделям на триангуляционных сетках // Экологический вестн. науч. центров Черноморского экономического сотрудничества. 2018, № 2. С. 5-11

Методы усвоения данных для моделей адвекции - диффузии - реакции

А. В. Пененко

Институт вычислительной математики и математической геофизики СО РАН Новосибирский государственный университет Email: [email protected] DOI: 10.24411/9999-017A-2019-10151

Задачу усвоения данных для моделей адвекции - диффузии - реакции будем рассматривать как последовательность связанных обратных задач с увеличивающимися наборами данных измерений, которые поступают в процессе работы алгоритма. Требуется оценить функцию состояния модели. Усвоение данных осуществляется за счет поиска функции неопределенности, имеющих смысл источников примесей. Изучаются алгоритмы, в которых последовательные обратные задачи формулируется на отдельных временных шагах численной схемы, а также на последовательных временных интервалах. В первом случае для процессов переноса используются алгоритмы с квазинезависимым усвоением данных на отдельных стадиях схемы расщепления [1,2], а во втором для решения обратных задач применяются алгоритмы на основе ансамблей решений сопряженных уравнений [3]. Производится сравнение результатов решения в режиме усвоения и с "финальным" набором данных. Алгоритмы применяются в сценарии усвоения данных мониторинга в городских условиях.

Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (код проекта 17-01-00137) в части применения к городским сценариям и Российского научного фонда (код проекта 17-7110184) в части алгоритмов для работы с данными типа изображений на основе операторов чувствительности.

Список литературы

1. Пененко А., Пененко В., Цветова Е. Последовательные алгоритмы усвоения данных в моделях мониторинга качества атмосферы на базе вариационного принципа со слабыми ограничениями // Сиб. журн. вычисл. ма-тем., 2016. Т. 19, С. 401-418.

2. Пененко А., Мукатова Ж., Пененко В., Гочаков А., Антохин, П. Численное исследование прямого вариационного алгоритма усвоения данных в городских условиях // Оптика атмосферы и океана. 2018. Т. 31, С. 456-462.

3. Penenko, A. V Algorithms for the inverse modelling of transport and transformation of atmospheric pollutants // IOP Conference Series: Earth and Environmental Science, IOP Publishing. 2018. V. 211, P. 012052

Применение параметризаций обратного перераспределения энергии в модели океана NEMO на примере конфигурации Double Gyre

П. А. Пережогин

Институт вычислительной математики им. Г. И. Марчука РАН Email: [email protected] DOI: 10.24411/9999-017A-2019-10152

В данной работе исследуется применение параметризаций обратного перераспределения энергии (kinetic energy backscatter, KEB, [1], [2]) для того, чтобы усилить мезомасштабную динамику в модели океана NEMO, на примере конфигурации Double Gyre [3]. Выбранная нами модель является "вихредо-пускающей" (1/4 градуса), т.е. мезомасштабная динамика слабо разрешается на сетке. Параметризации KEB моделируют воздействие неразрешаемых на расчетной сетке вихрей. Нами были исследованы два типа KEB параметризаций: стохастическая и модель отрицательной вязкости. Для того чтобы оценить качество KEB параметризаций, мы сравниваем вихредопускающие модели с моделью более высокого разрешения (1/9 градуса). Применение параметризаций позволяет приблизить вихревой поток тепла, среднюю по времени ТПО и термохалинную функцию тока к соответствующим характеристикам модели высокого разрешения.

Работа выполнена при частичной поддержке Российского научного фонда (грант № 17-17-01210, разработка моделей подсеточной турбулентности) и Российского фонда фундаментальных исследований (проект 18-0560184, расчеты с идеализированной моделью океана и анализ результатов).