Turbulent and numerical mixing in a salt wedge estuary: Dependence on grid resolution, bottom roughness, and turbulence closure
Notice bibliographique
Résumé
Abstract The Connecticut River is a tidal salt wedge estuary, where advection of sharp salinity gradients through channel constrictions and over steeply sloping bathymetry leads to spatially heterogeneous stratification and mixing. A 3‐D unstructured grid finite‐volume hydrodynamic model (FVCOM) was evaluated against shipboard and moored observations, and mixing by both the turbulent closure and numerical diffusion were calculated. Excessive numerical mixing in regions with strong velocities, sharp salinity gradients, and steep bathymetry reduced model skill for salinity. Model calibration was improved by optimizing both the bottom roughness ( z 0 ), based on comparison with the barotropic tidal propagation, and the mixing threshold in the turbulence closure (steady state Richardson number, Ri st ), based on comparison with salinity. Whereas a large body of evidence supports a value of Ri st ∼ 0.25, model skill for salinity improved with Ri st ∼ 0.1. With Ri st = 0.25, numerical mixing contributed about 1/2 the total mixing, while with Ri st = 0.10 it accounted for ∼2/3, but salinity structure was more accurately reproduced. The combined contributions of numerical and turbulent mixing were quantitatively consistent with high‐resolution measurements of turbulent mixing. A coarser grid had increased numerical mixing, requiring further reductions in turbulent mixing and greater bed friction to optimize skill. The optimal Ri st for the fine grid case was closer to 0.25 than for the coarse grid, suggesting that additional grid refinement might correspond with Ri st approaching the theoretical limit. Numerical mixing is rarely assessed in realistic models, but comparisons with high‐resolution observations in this study suggest it is an important factor.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».