elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Using machine learning to predict 1D steady-state temperature profiles from compressible mantle convection simulations

Agarwal, Siddhant und Tosi, Nicola und Breuer, Doris und Kessel, Pan und Montavon, Grégoire (2019) Using machine learning to predict 1D steady-state temperature profiles from compressible mantle convection simulations. In: APS Division of Fluid Dynamics (Fall) 2019. 72nd Annual Meeting of the American Physical Society’s Division of Fluid Dynamics, 2019-11-23 - 2019-11-26, Seattle, USA.

[img] PDF
4MB

Offizielle URL: https://ui.adsabs.harvard.edu/abs/2019APS..DFDP13008A/abstract

Kurzfassung

Thermal evolution simulations of planetary mantles in 2D and 3D are computationally intensive. A low-fidelity alternative is to use scaling laws based on boundary-layer theory to express Nusselt Number (Nu) as a function of Rayleigh Number (Ra). Such a Ra-Nu relation can be used to run `0D' parametrized evolution models by solving a simple energy balance equation. Yet scaling relations are available only for simple flows that cannot capture the full complexity of mantle dynamics. We propose leveraging Machine Learning to find a higher-dimensional mapping from five different parameters to the entire 1D temperature profile. The parameters are Ra, internal heating Ra, dissipation number and the maximum viscosity contrast between top and bottom due to temperature and pressure. We train a Neural Network (NN) to take these inputs and predict the resulting steady-state temperature profile. The training data comes from a subset of 20,000 compressible simulations on a 2D cylindrical grid. This results in predictions with an average error of 1.6% on the test set. The NN can potentially be used to build a 1D evolution model by stacking several steady-state temperature profiles together, with each prediction serving as an input at the next time-step.

elib-URL des Eintrags:https://elib.dlr.de/136679/
Dokumentart:Konferenzbeitrag (Vorlesung)
Titel:Using machine learning to predict 1D steady-state temperature profiles from compressible mantle convection simulations
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Agarwal, SiddhantSiddhant.Agarwal (at) dlr.dehttps://orcid.org/0000-0002-0840-2114NICHT SPEZIFIZIERT
Tosi, Nicolanicola.tosi (at) dlr.dehttps://orcid.org/0000-0002-4912-2848NICHT SPEZIFIZIERT
Breuer, DorisDoris.Breuer (at) dlr.dehttps://orcid.org/0000-0001-9019-5304NICHT SPEZIFIZIERT
Kessel, Panpan.kessel (at) campus.tu-berlin.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Montavon, Grégoiregregoire.montavon (at) tu-berlin.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:November 2019
Erschienen in:APS Division of Fluid Dynamics (Fall) 2019
Referierte Publikation:Nein
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:Mantle Convection, Machine Learning, Fluid Dynamics, Surrogate Modelling, Neural Networks
Veranstaltungstitel:72nd Annual Meeting of the American Physical Society’s Division of Fluid Dynamics
Veranstaltungsort:Seattle, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:23 November 2019
Veranstaltungsende:26 November 2019
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erforschung des Weltraums
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EW - Erforschung des Weltraums
DLR - Teilgebiet (Projekt, Vorhaben):R - Exploration des Sonnensystems
Standort: Berlin-Adlershof
Institute & Einrichtungen:Institut für Planetenforschung
Institut für Planetenforschung > Planetenphysik
Hinterlegt von: Agarwal, Siddhant
Hinterlegt am:16 Okt 2020 08:16
Letzte Änderung:24 Apr 2024 20:38

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.