HAL Id: hal-01891160
https://hal.archives-ouvertes.fr/hal-01891160
Submitted on 9 Oct 2018
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub-
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non,
Modélisation physique des erreurs de modèles pour les écoulements fluides géophysiques
Valentin Resseguier, Pierre Dérian, Etienne Mémin, Bertrand Chapron
To cite this version:
Valentin Resseguier, Pierre Dérian, Etienne Mémin, Bertrand Chapron. Modélisation physique des erreurs de modèles pour les écoulements fluides géophysiques. CNA 2018 - Colloque National d’Assimilation de Données, Nov 2016, Grenoble, France. pp.1-12. �hal-01891160�
Modélisation physique des erreurs de modèles pour les
écoulements fluides géophysiques
Valentin Resseguier, Pierre Dérian, Etienne Mémin, Bertrand Chapron
Motivations
• Identifier rigoureusement l’effet de la dynamique sous-maille
• Injecter une dynamique petite échelle plausible
• Etudier les bifurcations et les attracteurs
• Quantifier les erreurs de modèle
Projection climatique
•
Dynamique randomisée
•
SQG sous incertitude modérée (SQG MU)
•
Lorenz sous incertitude de position
Plan
Dynamique
randomisée
Introduction d’aléas
• Conditions initiales aléatoires
• Forçage Gaussien arbitraire
• Moyennage,
homogénéisation
Ajout d’une vitesse
Sous-dispersif +
Nécessite un large ensemble
Rajoute de l’énergie + Mauvaise phase
Problèmes d’hypothèses et de conservation de l’énergie
v = w + B ˙
Advection d’un traceur Θ
D ⇥
Dt = 0
Advection d’un traceur Θ
Advection d’un traceur Θ
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Advection d’un traceur Θ
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Diffusion
Advection d’un traceur Θ
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Diffusion
Advection d’un traceur Θ
Correction du drift
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Diffusion
Advection d’un traceur Θ
Correction du drift
Forçage aléatoire
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Diffusion
Advection d’un traceur Θ
Correction du drift
Forçage aléatoire
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Diffusion
Advection d’un traceur Θ
Correction du drift
Forçage aléatoire
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Advection
Diffusion
Advection d’un traceur Θ
Correction du drift
Forçage
aléatoire Echanges
énergétiques
@
t⇥ + w
?· r ⇥ + B ˙ · r ⇥ = r ·
✓ 1
2 a r ⇥
◆
Modèles aléatoires dérivés
Conservations (masse,
quantité de mouvement, …)
D Dt
Navier-Stokes
Boussinesq
Modèles aléatoires dérivés
Conservations (masse,
quantité de mouvement, …)
D Dt
Navier-Stokes
Boussinesq
Incertitude
QG MU
SQG MU SQG SU
Modèles aléatoires dérivés
Conservations (masse,
quantité de mouvement, …)
D Dt
Navier-Stokes
Boussinesq
Incertitude
QG MU
SQG MU SQG SU
Modèles aléatoires dérivés
Conservations (masse,
quantité de mouvement, …)
D Dt
Navier-Stokes
Boussinesq
Incertitude
QG MU
SQG MU SQG SU
Modèles aléatoires dérivés
Conservations (masse,
quantité de mouvement, …)
D Dt
Navier-Stokes
Boussinesq
SQG sous incertitude modérée
SQG MU
Code disponible en ligne
Simulation de référence:
SQG
deterministe
512 x 512
Simulation de référence:
SQG
deterministe
512 x 512
Une réalisation
x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s
Une réalisation
x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s
x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s
Ensemble
x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s
Ensemble
x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s
Ensemble
x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s x ( m)
y(m)
t= 17 d ay s
0 2 4 6 8 10
x 105 0
2 4 6 8
x 105
10−5 10−4
10−6 10−4 10−2
|ˆb(κ)|2
κ! r a d . m−1"
t= 17 d ay s
Ensemble
Résumé des modèles QG sous incertitude de position
• Petites échelles plus réalistes
• Estimation de la position et de l’amplitude des erreurs
• Évènements extrêmes
• Bifurcations
• sous incertitude forte:
Description 2D simple de la frontolyse/frontogénèse
pdf of the 1stPCA coefficient along time
20 30 40 50 60 70 80
Time (day) -4
-2 0 2 4
1stPCAcoefficient
×10-4
0 2000 4000 6000 8000 10000
y(m)
x(m) t= 0 d ay s
0 2468
x 105 0 2 4 6 8 x 105
−1
−0.5 0 0.5 1 x 10−3
y(m)
x(m) t= 70 d ay s
0 5 10
x 105 0 2 4 6 8 x 105
−1
−0.5 0 0.5 1 x 10−3
y(m)
x(m) t= 70 d ay s
02468
x 105 0 2 4 6 8 x 105
−1
−0.5 0 0.5 x 101−3
Modèle de Lorenz sous incertitude
de position
Est-ce que les modèles grande échelle (diffusifs) sur-représentent les états stables
dans les simulations d’ensemble?
Modèle(s) de Lorenz
• modèle déterministe classique ~ DNS, précis mais inaccessible en pratique
• modèle (déterministe) diffusif ~ LES
• stochastique : modèle sous incertitude de position
dX
dt = Pr (Y X) 4
2⌥X dY = h
X(⇢ Z) Y 4
2⌥Y i
dt + ⇢ Z
⌥1/2 dBt dZ = h
XY bZ 8
2⌥bZi
dt + Y
⌥1/2 dBt
time error
distribution over many ensembles mean
particle reference
closest particle
bias
min distance
RMS distance
Comportement à temps court
Comparaison ensemble ↔ référence
3 métriques: distance minimum, biais, RMSE
time error
distribution over many ensembles mean
particle reference
closest particle
bias
min distance
RMS distance
Comportement à temps court
Comparaison ensemble ↔ référence
3 métriques: distance minimum, biais, RMSE
Comportement
à temps long
Comportement
à temps long
Comportement
à temps long
Taux de visite
de l’attracteur
Taux de visite
de l’attracteur
Conclusion
Conclusion
•
Transport aléatoire applicable à n’importe quelle dynamique
•
Petites échelles plus réalistes
•
Dispersion efficace des ensembles
•