XiaoMi-AI文件搜索系统
World File Search System涡流模拟
全球变暖的涡流模拟中更强的海洋二氧化碳
海洋CO 2水槽的强度是由两种机制之间的平衡设置的。海洋对拟人化CO 2的摄取主要是对大气CO 2升高的化学反应，迫使二氧化碳（PCO2）在空气海界面上的不平衡不平等。碳浓缩反馈参数是一种通常用于衡量的含量的人为CO 2，海洋被海洋吸收了多少CO 2的每个单位（以PPM表示）添加到大气中，假设海洋动力学和热纳米态保持不变（Arora等人，Arora等人，2020年； boera＆arora; fried。 ＆Williams，2021年； Roy等人，2011年；然而，大气上的上升也导致了全球变暖，这改变了海洋状态。尤其是地表水的变暖和与之相关的海洋分层的增加往往会减慢碳周期，从而导致天然碳的净量超过量，并在全球范围内减少了人为碳的吸收。这种负碳气候反馈
全面的气象建模系统-RAMS
本文介绍了区域大气建模系统（RAMS）的一系列应用，这是一个全面的中尺度气象建模系统。本文中讨论的应用包括大型涡流模拟（LES）和雷暴模拟，积云场，中尺度的构造系统，中纬度卷卷云，冬季风暴，机械和热效应的中尺度和中镜系统以及中镜系统的大气分散。还提供了当前RAMS选项的摘要。对当前正在进行的RAM的改进包括对云辐射，云微物理学，积云和表面土壤/营养参数化方案的改进，代码的并行化，更广泛的可视化能力的发展以及对中间级别的Cumulus cumulus参数化的研究。
Alya tor exascale：使用psctoolkit
摘要在本文中，我们描述了Alya代码的升级，并在数值过程的每个时间步骤中都可以在压力场计算中实现可靠性，效率和可扩展性，以求解不可压缩的Navier-Stokes方程的大型涡流模拟公式。我们在Alya的内核中开发了一个软件模块，以接口当前版本的PSCToolKit中包含的库，PSCToolKit（稀疏线性系统的迭代解决方案）在并行分布式内存计算机上，由Krylov meths构造，并耦合到代数Multigridigrid promigrid Preponditioners。该工具包在EOCOE-II项目中经历了各种扩展，其主要目标是面对Exascale挑战。在风电场应用中对气流模拟的现实基准测试结果表明，PSCToolKit求解器在Alya内核中可用的可伸缩性和并行效率方面可用的共轭梯度方法的原始版本明显胜过，并且代表了将Alya Code移至Exascale的非常有希望的软件层。
以FESOM 2.5的计算成本降低探索海中尺度：适用于南方海洋的有效建模策略
摘要。由于长期运行高分辨率模型的高计算成本，因此气候变化的模型投影通常不包括解决方案良好的海洋尺度。这项挑战是使用效率最大化的建模策略来应对的，该策略适用于过去，现在和自由气候的3公里模拟。模型设置利用了降低分辨率的旋转和瞬态模拟，以在短时间内初始化区域性的高分辨率海洋模型。将结果与卫星高度学数据和更传统的涡流仿真进行了比较，并根据其复制观察到的中尺度效果的能力进行了评估，并揭示了对与自然变异性不同的气候变化的反应。高分辨率模拟良好地产生了观察到的南洋涡流能量（EKE）的幅度，但局部大小和EKE的分布仍然存在差异。较粗糙的涡流集合模拟了类似的EKE模式，但主张不足的水平观察到了55％。在变暖的大约1°C时，高分辨率模拟不会导致整体EKE的变化，而与完全合奏在涡流模拟中的EKE同意相比。在变暖的大约4°C下，两个数据集都以相对术语增长了EKE的一致水平，尽管不是绝对幅度，并且EKE变量的增加。模拟的Eke上升集中在已经知道的地区的流动范围
使用机器学习的空气动力学优化...
本文提出了一种空气动力学优化方法，该方法利用机器学习技术来增强稳态雷诺（Reynolds Parynolds Parynolds Parynolds Parynolds Parynolds Parynolds Perrynolds perrands vere的Navier-Stokes（RANS）模拟）模拟的湍流模型，这些模拟容易出现，这些模拟很容易出现，以使其不准确，以使复杂流动的复杂流动涉及分离等现象。我们采用了场的反转和机器学习（FIML）方法，通过解决一些高实现数据的逆问题（对于不同的形状和/或流条件），从而渗透模型差异，并使用机器学习（例如神经网络）来概括差异Ellds for Unseseenseenseenseenseenseenseenseenseenseenseenseenseenseenneclesnementity。作为概念证明，我们使用直接数值模拟（DNS）数据进行一组参数化的周期性山丘，以增强使用FIML的两种方程式𝑘-𝜔-𝜔SST模型，然后将其合并到CFD求解器中以进行空气动力学形状优化，而在成本优化的情况下，将其纳入最小化。为了说明对湍流模型选择的固有优化敏感性，我们还使用Wilcox𝑘 -𝜔模型进行比较。一旦为不同的湍流模型实现了最佳形状，我们就建议使用混合Rans-LES改进延迟的分离涡流模拟（IDDES）来验证流量预测，这反过来又对可用DNS数据进行了验证。结果强调了在存在流量分离的情况下优化对湍流模型的敏感性，而FIML启动的𝑘-𝜔SST模型能够实现更高的拖动降低（20。8-25。3％）与IDDES预测（在速度和皮肤摩擦方面）达成公平同意。基线SST模型可实现4。5-6。5％，速度和皮肤摩擦与IDDES结果相比差。
基于学习的深度涡流粘度建模，用于改善虚张声势的风压
准确预测建筑物的风压对于设计安全有效的结构至关重要。现有的计算方法，例如Reynolds-平均Navier-Stokes（RANS）模拟，通常无法在分离区域准确预测压力。本研究提出了一种新型的深度学习方法，以增强涡轮闭合泄漏范围内的涡流建模的准确性和性能，尤其是改善了虚张声板体空气动力学的预测。经过大型涡流模拟（LES）数据的深度学习模型，用于各种虚张声势的身体几何形状，包括扁平屋顶的建筑物和前进/向后的台阶，用于调整RANS方程式中的涡流粘度。结果表明，合并机器学习预测的涡流粘度可显着改善与LES结果和实验数据的一致性，尤其是在分离气泡和剪切层中。深度学习模型采用了一个神经网络体系结构，具有四个隐藏层，32个神经元和Tanh激活功能，该功能使用ADAM优化器进行培训，学习率为0.001。训练数据由LES模拟组成，用于向前/向后面向宽度比率为0.2至6的步骤。研究表明，机器学习模型在涡流粘度方面达到了平衡，从而延迟了流动的重新安装，从而比传统的湍流闭合（如K-ωSST和K-ε），导致更准确的压力和速度预测。灵敏度分析表明，涡流粘度在控制流，重新分布和压力分布中的关键作用。此外，研究强调了RANS和LES模型之间的涡流粘度值的差异，从而强调了增强湍流建模的需求。本文提出的发现提供了实质性的见解，可以告知针对工程应用程序量身定制的更可靠的计算方法，包括结构性设计的风负荷考虑以及不稳定空气动力学现象的复杂动态。