機械学習を用いた新たな砕波モデルの開発

  • 研究報告

アミン・シャブシュブ特定准教授らの論文Nonlinear wave evolution with data-driven breakingが、2022年4月29日付けNature Communications 誌に掲載されました。

 

 

今回、研究グループは、波がどのように砕けるかをモデル化する新しい方法を開発しました。研究チームは、機械学習と波浪水槽実験によるデータを用いて、新たな砕波モデルを開発しました。このモデルでは砕波をより正確に予測することができます。従来の波浪方程式よりも、砕ける直前の波の急峻さや、砕けた後の波のエネルギーと振動数をより正確に推定しました。

この成果は、砕けた波が周囲の水にどのような影響を与えるかを理解するのに役立つと考えられます。波がどのように相互作用するかを正確に把握することで、海洋構造物の設計や、海と大気の相互作用についての予測などを向上させることが期待されます。

 

詳細は以下のとおりです。

 

 

  • Authors: D. Eeltink, H. Branger, C. Luneau, Y. He, A. Chabchoub, J. Kasparian, T. S. van den Bremer & T. P. Sapsis
  • Title: Nonlinear wave evolution with data-driven breaking
  • Abstract: Wave breaking is the main mechanism that dissipates energy input into ocean waves by wind and transferred across the spectrum by nonlinearity. It determines the properties of a sea state and plays a crucial role in ocean-atmosphere interaction, ocean pollution, and rogue waves. Owing to its turbulent nature, wave breaking remains too computationally demanding to solve using direct numerical simulations except in simple, short-duration circumstances. To overcome this challenge, we present a blended machine learning framework in which a physics-based nonlinear evolution model for deep-water, non-breaking waves and a recurrent neural network are combined to predict the evolution of breaking waves. We use wave tank measurements rather than simulations to provide training data and use a long short-term memory neural network to apply a finite-domain correction to the evolution model. Our blended machine learning framework gives excellent predictions of breaking and its effects on wave evolution, including for external data.
  • Published: