Nonlinear wave evolution with data-driven breaking.
Nonlinear wave evolution with data-driven breaking.
复制标题
DOI：
10.1038/s41467-022-30025-z
复制
发表时间：
2022-04-29
影响因子：
16.6
通讯作者：
中科院分区：
文献类型：
--
作者：
波浪破碎是消散由风输入到海浪中并通过非线性在频谱上传输的能量的主要机制。它决定了海洋状态的特性，并在海洋-大气相互作用、海洋污染和狂浪中发挥着至关重要的作用。由于其湍流性质，除非在简单、短持续时间的情况下，否则波浪破碎的计算量仍然太大，无法使用直接数值模拟来解决。为了克服这一挑战，我们提出了一种混合机器学习框架，其中将基于物理的深水非破碎波非线性演化模型和循环神经网络相结合来预测破碎波的演化。我们使用波浪池测量而不是模拟来提供训练数据，并使用长短期记忆神经网络对进化模型应用有限域校正。我们的混合机器学习框架可以对破裂及其对波浪演化的影响（包括外部数据）提供出色的预测。与海洋-大气相互作用和异常波浪建模相关的波浪破碎机制在计算上仍然具有挑战性。作者提出了一种机器学习框架，用于预测破裂及其对波浪演化的影响，可用于预测现实世界的海况。
Wave breaking is the main mechanism that dissipates energy input into ocean waves by wind and transferred across the spectrum by nonlinearity. It determines the properties of a sea state and plays a crucial role in ocean-atmosphere interaction, ocean pollution, and rogue waves. Owing to its turbulent nature, wave breaking remains too computationally demanding to solve using direct numerical simulations except in simple, short-duration circumstances. To overcome this challenge, we present a blended machine learning framework in which a physics-based nonlinear evolution model for deep-water, non-breaking waves and a recurrent neural network are combined to predict the evolution of breaking waves. We use wave tank measurements rather than simulations to provide training data and use a long short-term memory neural network to apply a finite-domain correction to the evolution model. Our blended machine learning framework gives excellent predictions of breaking and its effects on wave evolution, including for external data. Wave breaking mechanisms relevant for modelling of ocean-atmosphere interaction and rogue waves, remain computationally challenging. The authors propose a machine learning framework for prediction of breaking and its effects on wave evolution that can be applied for forecasting of real world sea states.
登录
查看更多内容
影响因子：
3.5
作者：
Ardhuin, Fabrice;Rogers, Erick;Collard, Fabrice
通讯作者：
Collard, Fabrice
影响因子：
3.7
作者：
BENJAMIN, TB;FEIR, JE
通讯作者：
FEIR, JE
影响因子：
4.6
作者：
Galvagno, M.;Eeltink, D.;Stuhlmeier, R.
通讯作者：
Stuhlmeier, R.
影响因子：
3.7
作者：
Deike, Luc;Popinet, Stephane;Melville, W. Kendall
通讯作者：
Melville, W. Kendall
影响因子：
3.7
作者：
DOMMERMUTH, DG;YUE, DKP
通讯作者：
YUE, DKP