Deep learning of mixing by two ‘atoms’ of stratified turbulence
Notice bibliographique
Résumé
Current global ocean models rely on ad hoc parameterizations of diapycnal mixing, in which the efficiency of mixing is globally assumed to be fixed at 20 %, despite increasing evidence that this assumption is questionable. As an ansatz for small-scale ocean turbulence, we may focus on stratified shear flows susceptible to either Kelvin–Helmholtz (KHI) or Holmboe wave (HWI) instability. Recently, an unprecedented volume of data has been generated through direct numerical simulation (DNS) of these flows. In this paper, we describe the application of deep learning methods to the discovery of a generic parameterization of diapycnal mixing using the available DNS dataset. We furthermore demonstrate that the proposed model is far more universal compared to recently published parameterizations. We show that a neural network appropriately trained on KHI- and HWI-induced turbulence is capable of predicting mixing efficiency associated with unseen regions of the parameter space well beyond the range of the training data. Strikingly, the high-level patterns learned based on the KHI and weakly stratified HWI are ‘transferable’ to predict HWI-induced mixing efficiency under much more strongly stratified conditions, suggesting that through the application of appropriate networks, significant universal abstractions of density-stratified turbulent mixing have been recognized.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».