Adaptive meshes have the potential to improve the accuracy and efficiency of atmospheric modelling by increasing resolution where it is most needed. Mesh re-distribution, or r-adaptivity, adapts by moving the mesh without changing the connectivity. This avoids some of the challenges with h-adaptivity (adding and removing points): the solution does not need to be mapped between meshes, which can be expensive and introduces errors, and there are no load balancing problems on parallel computers. A long standing problem with both forms of adaptivity has been changes in volume of the domain as resolution changes at an uneven boundary. We propose a solution to exact local conservation and maintenance of uniform fields while the mesh changes volume as it moves over orography. This is solved by introducing a volume adjustment parameter which tracks the true cell volumes without using expensive conservative mapping. A finite volume solution of the advection equation over orography on moving meshes is described and results are presented demonstrating improved accuracy for cost using moving meshes. Exact local conservation and maintenance of uniform fields is demonstrated and the corrected mesh volume is preserved. We use optimal transport to generate meshes which are guaranteed not to tangle and are equidistributed with respect to a monitor function. This leads to a Monge-Amp\`{e}re equation which is solved with a Newton solver. The superiority of the Newton solver over other techniques is demonstrated in the appendix. However the Newton solver is only efficient if it is applied to the left hand side of the Monge-Amp\`{e}re equation with fixed point iterations for the right hand side.


翻译:适应性衬垫有潜力提高大气建模的精确度和效率, 增加最需要的分辨率。 网状重新分布或正适应性, 通过移动网格来调整, 而不改变连通性。 这避免了 h适应性( 添加和删除点) 的一些挑战: 解决方案不需要在模贝之间绘制, 它可能昂贵, 并引入错误, 平行计算机没有负负平衡问题 。 两种适应性形式的长期问题在于: 在不均匀的边界, 分辨率变化时, 域内方程式的数量会发生变化 。 我们提出一个解决方案, 精确本地保存和维护统一字段, 而网格在移动或绘图时会改变其体积 。 通过引入量调整参数, 在不使用昂贵的保守映像图的情况下跟踪真实的单元格数量 。 对调色调方程式的有限量解决方案, 显示使用移动胶片的精度。 本地的精度保存和校正的网格数量。 我们使用优化的边端运输方法, 生成正向正向正态的矩形图, 它不会被显示为固定的正态。 。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
154+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
177+阅读 · 2019年10月11日
MIT新书《强化学习与最优控制》
专知会员服务
277+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
已删除
将门创投
4+阅读 · 2018年11月20日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月1日
Arxiv
0+阅读 · 2021年9月30日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
已删除
将门创投
4+阅读 · 2018年11月20日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员