A one-step blended soundproof-compressible model with balanced data assimilation: theory and idealised tests
本研究针对大气流动模拟中局部贝叶斯数据同化易引入不平衡的问题，升级了混合数值建模策略并结合贝叶斯局部集合数据同化方法，通过单步伪不可压缩模式切换抑制不平衡，经理想化实验验证可有效消除声学不平衡、得到平衡分析场。
2021-07-17 cs.NA math.NA physics.ao-ph
Optimized parametric inference for the inner loop of the Multigrid Ensemble Kalman Filter
多网格Enlightenment卡尔曼滤波器的基本特征（G。摩尔多瓦湾莱赫纳施湖Cordier，M. Meldi，A multigrid/ensemble Kalman filter strategy for assimilation of nonstable flows，Journal of计算物理443-110481）最近提出的流体流数据同化方法进行了研究和评估。分析的重点是性能的改善，由于内环。在这一步中，来自在多重网格方法的较高分辨率水平上计算的解的数据被用作替代观测，以改进网格的粗网格水平上的模型预测。后者表示用于运行用于全球数据同化的集合成员的分辨率水平。两个经典的一维问题，即线性平流问题和Burgers方程的方法进行了测试。分析包括许多不同的方面，例如不同的网格分辨率。结果表明，内循环的贡献是必不可少的，在获得准确的流动重建和全局参数优化。这些发现打开了令人兴奋的应用前景，广泛用于复杂流动的流体力学应用，如大涡模拟（LES）的网格相关的降阶模型。
2022-10-18 physics.flu-dyn
Feature-preserving Latent-EnKF for Data Assimilation of Flows with Shocks
Department of Mechanical Engineering, Johns Hopkins University（约翰霍普金斯大学机械工程系）
针对含激波流动中EnKF因多模态统计产生伪振荡的问题，提出在学习的低维潜在空间进行集合更新以保持激波特征，并通过共享解码器恢复物理状态，数值实验验证了无伪振荡的准确特征恢复。
2026-10-16 cs.LG cs.NA math.NA
Multi-fidelity Ensemble Kalman Filter algorithms enhanced by Convolutional Neural Networks
本文提出用卷积神经网络增强多保真集合卡尔曼滤波数据同化算法，通过NACA 0012叶栅流动验证，证明该方法能以极小的计算开销显著提升低保真模型精度并加速算法收敛。
2025-07-18 physics.flu-dyn
Continuous data assimilation of large eddy simulation by lattice Boltzmann method and local ensemble transform Kalman filter (LBM-LETKF)
本研究针对二维受迫各向同性湍流，验证了局部集合变换卡尔曼滤波（LETKF）用于格子玻尔兹曼方法（LBM）大涡模拟数据同化的有效性，其在稀疏含噪观测下精度远高于nudging法，可通过增加集合成员抑制灾难性滤波发散。
2023-10-16 physics.comp-ph physics.flu-dyn
A unified method of data assimilation and turbulence modeling for separated flows at high Reynolds numbers
Northwestern Polytechnical University（西北工业大学）
近年来，以深度神经网络（DNN）为代表的机器学习方法已经成为湍流建模的新范式。然而，在高雷诺数的情况下，仍然存在一些瓶颈，包括缺乏高保真数据以及湍流模型与RANS求解器耦合过程中的收敛性和稳定性问题。本文提出了一种改进的集合卡尔曼反演方法，作为高雷诺数下分离流数据同化和湍流模拟的统一方法。在RANS方程和DNN涡粘性模型相互耦合的框架下，根据给定的实验表面压力系数优化DNN的可训练参数。该方法将资料同化和模式训练结合在一起，有效地得到了与试验结果吻合较好的高精度湍流模式。通过高雷诺数下绕翼型（S809）的分离流算例验证了该方法的有效性。结果表明，通过对几个实验状态的联合同化，可以得到对不同攻角的附着流和分离流都具有较好通用性的湍流模型。与传统SA模型相比，大迎角下升力系数的误差显著减小了3倍以上。所得到的模型也表现出良好的稳定性和鲁棒性。
2022-11-01 cs.LG physics.flu-dyn
Ensemble Kalman Filter for Data Assimilation coupled with low-resolution computations techniques applied in Fluid Dynamics
本文提出一种结合低分辨率计算与低成本奇异值分解的降阶集合卡尔曼滤波数据同化方法，在保持估计精度的同时大幅降低流体动力学仿真的计算时间与内存占用。
2025-07-02 cs.CE physics.flu-dyn
An Efficient Continuous Data Assimilation Algorithm for the Sabra Shell Model of Turbulence
复杂的非线性湍流动力系统在许多领域都是普遍存在的。恢复不可观测的状态变量是湍流系统资料同化的一个重要课题。在这篇文章中，一个有效的连续时间数据同化方案的发展，利用封闭的解析公式更新未观测到的状态变量。因此，它在计算上是高效和准确的。新的数据同化方案是结合一个简单的降阶建模技术，涉及到一个廉价的封闭近似和噪声膨胀。这样，许多复杂的湍流动力系统可以满足所提出的高效数据同化方案的数学结构的要求。新的数据同化方案，然后应用到萨布拉壳模式，这是一个概念模式的非线性湍流。目标是恢复在不同的空间尺度上未观察到的壳速度。结果表明，新的资料同化方案是巧妙地捕捉湍流的非线性特征，包括在混沌和湍流动力学制度的不稳定性和极端事件。它还表明，新的数据同化方案是更准确和计算成本更低，比标准的集合卡尔曼滤波和轻推数据同化方案同化的Sabra壳模型。
2021-05-20 physics.flu-dyn
Integrating multi-fidelity blood flow data with reduced-order data assimilation
对心血管流动和血液动力学进行高保真的患者特定建模是具有挑战性的。利用诸如4D流动磁共振成像（4D flow MRI）的体内测量模态在体内进行直接血流测量遭受低分辨率和采集噪声。体外实验建模和患者特定的计算流体动力学（CFD）模型受制于患者特定边界条件和模型参数的不确定性。此外，收集近壁区域中的血流数据（例如，壁剪切应力）与实验测量模式的结合提出了额外的挑战。本文提出了一种计算效率高的数据同化方法--降阶建模卡尔曼滤波（ROM-KF），它将序贯卡尔曼滤波与使用动态模式分解（DMD）提供的线性模型进行降阶建模相结合。ROM-KF的目标是克服低分辨率和噪声的实验和心血管流的CFD建模的不确定性。使用1D Womersley血流、2D理想化动脉瘤和3D患者特定脑动脉瘤模型评估该方法的准确性。合成实验数据用于使用基准数据集直接量化误差。ROM-KF重建近壁血流动力学的准确性进行了评估，通过应用该方法的问题，近壁血流数据丢失的实验数据集。ROM-KF方法提供的血流数据比计算和合成实验数据集更准确，并改善了近壁血流动力学定量。
2021-06-09 physics.flu-dyn
Combined State and Parameter Estimation in Level-Set Methods
University of Cambridge（剑桥大学）；Technical University of Munich（慕尼黑工业大学）
基于水平集方法的降阶模型被广泛用于定性地捕捉和跟踪界面的非线性动力学。本文的目的是开发一个物理信息，数据驱动，统计严格的学习算法的状态和参数估计水平集方法。介绍了一种基于数据同化的贝叶斯方法。集合卡尔曼滤波器和平滑器使数据同化成为可能，它们用于概率公式。在一维和二维试验案例中对水平集数据同化框架进行了验证，进行了状态估计、参数估计和不确定性量化。提出的集合卡尔曼滤波器和平滑器的统计性能进行量化的孪生实验。在两个实验中，状态和参数联合估计完全恢复了参考解，验证了所提出的算法。水平集数据同化框架，然后应用于预测的非线性动力学的强制预混火焰，表现出形成尖锐的尖点和复杂的拓扑变化，如夹断事件。所提出的物理信息统计学习算法为在参考数据可用的任何时候使界面的降阶模型具有定量预测性开辟了新的可能性。
2019-09-06 cs.LG physics.comp-ph physics.data-an
Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems
Rice University（莱斯大学）；École Normale Supérieure（巴黎高等师范学院）；PSL University（巴黎文理研究大学）；California Institute of Technology（加州理工学院）
数据同化是科学和工程中许多预报模型的关键组成部分。DA允许一个估计更好的初始条件，使用一个不完美的动态模型的系统和噪声/稀疏观测系统。包络卡尔曼滤波器（EnKF）是一种广泛应用于高维非线性动态系统的DA算法。然而，EnKF需要使用系统的动态模型来发展大的预测集合。这通常在计算上变得难以处理，特别是当系统的状态数量非常大时，例如，用于天气预测。在小集合的情况下，EnKF算法中估计的背景误差协方差矩阵受到采样误差的影响，导致对分析状态（下一个预测周期的初始条件）的错误估计。在这项工作中，我们提出了混合集合卡尔曼滤波器（H-EnKF），这是适用于一个两层准地转流系统作为测试用例。该框架利用预先训练的基于深度学习的数据驱动代理，该代理廉价地生成并演化系统状态的大数据驱动集合，以准确地计算具有较少采样误差的背景误差协方差矩阵。H-EnKF框架估计更好的初始条件，而不需要任何特定的定位策略。H-EnKF可以扩展到任何基于集成的DA算法，例如，粒子滤波器，其目前难以用于高维系统。
2022-06-09 cs.LG physics.comp-ph physics.data-an
Multigrid sequential data assimilation for the large-eddy simulation of a massively separated bluff-body flow
本文评估了数据驱动应用于湍流尺度分辨模拟的潜力。本文采用多重网格序列数据同化算法对高雷诺数下纵横比为5：1的矩形柱绕流的大涡模拟进行了数值模拟。选择此测试用例是因为许多物理复杂性，这些复杂性无法使用降阶数值模拟进行准确表示。速度和压力流场的统计矩的结果表明，所采用的数据驱动技术，这是基于包围卡尔曼滤波器，能够显着提高求解器的预测功能，降低网格分辨率。此外，据观察，尽管在数据驱动的过程中的稀疏和不对称分布的观察，数据增强的结果表现出完美的对称统计和显着提高的精度也远离传感器的位置。
2022-12-28 physics.flu-dyn
Feature preserving data assimilation via feature alignment
针对现有数据同化方法因反复平均抹平激波等特征的问题，本文提出一种结合序列对齐与集合变换粒子滤波的新型特征保持数据同化方法，通过沿特征对齐的特征线执行粒子最优传输，在可压缩Euler方程测试中有效保持了物理特征。
2025-05-01 math.OC physics.flu-dyn
Multi-Scale Data Assimilation in Turbulent Models
Telecom Paris（巴黎电信学院）；University of Rome “Tor Vergata”（罗马托维加塔大学）；INFN “Tor Vergata”（罗马托维加塔国立核物理研究所）；University of Bologna（博洛尼亚大学）；CNR-ISC, Istituto dei Sistemi Complessi（意大利国家研究委员会复杂系统研究所）；Guangdong Technion – Israel Institute of Technology（广东以色列理工学院）
本研究通过壳模型湍流的多尺度框架，探讨数据同化方法中EnKF在提升大尺度和小尺度预测方面的有效性，并提出定制化的膨胀技术以稳定同化过程。
2026-01-14 nlin.CD physics.flu-dyn
Toward Principled Generative Data Assimilation of Turbulent Flows from Sparse Observations
University of Stuttgart（斯图加特大学）；Stuttgart Center for Simulation Science（斯图加特模拟科学中心）；Institute of Aerospace Thermodynamics（航空热力学研究所）
针对湍流数据同化，提出一种原则性生成式框架，在干净状态空间同化观测并显式引入观测误差协方差，在Lorenz-63和二维瑞利-贝纳德对流中验证了其有效性与物理合理性。
2026-09-30 physics.flu-dyn
Deep Learning and Data Assimilation for Real-Time Production Prediction in Natural Gas Wells
TNO（荷兰应用科学研究组织）
由于成熟气井的复杂寿命行为，其天然气产量的预测是具有挑战性的，并且对于操作决策是至关重要的。在本文中，我们应用一个修改后的深层LSTM模型来预测成熟气井的气体流量，包括输入参数的不确定性。此外，由于系统随时间的变化，并且为了增加预测的准确性和鲁棒性，使用EnligHTN卡尔曼滤波器（EnKF）来基于新的观察结果更新流速预测。所开发的方法进行了测试，从两个成熟的天然气生产井，他们的生产是高度动态的，并遭受盐沉积的数据。结果表明，流量预测使用EnKF模型更新方案导致更好的Jeffreys的J-发散比没有EnKF模型更新方案的预测。
2018-02-15 cs.AI cs.LG physics.flu-dyn
Phase-resolved ocean wave forecast with ensemble-based data assimilation
通过基于集合的资料同化（DA），我们解决了相位分辨海浪预报中最臭名昭著的困难之一，关于数值解偏离真实的表面高程，由于混沌性质和在非线性波模型中的代表性不足的物理。特别是，我们开发了一种耦合的高阶谱（HOS）方法与集合卡尔曼滤波（EnKF），通过它的测量数据可以被纳入模拟，以提高预测性能。这种耦合的一个独特特征是可预测区域和测量区域之间的不匹配，这是通过一种特殊的算法来修改EnKF中的分析方程。我们使用合成数据和真实雷达测量来测试新的EnKF-HOS方法的性能。对于这两种情况（虽然细节上有所不同），新方法比仅用HOS的方法获得了更高的精度，并且可以在任意长的预报时间内保留不规则波场的相位信息。
2020-11-19 physics.ao-ph physics.flu-dyn
Augmented state estimation of urban settings using intrusive sequential Data Assimilation
结合非均质实验样本和RANS计算流体动力学，对高层建筑绕流进行了数据驱动的研究。耦合使用基于Enhancement卡尔曼滤波器（EnKF）的技术来执行，包括诸如定位和膨胀之类的高级操作。通过EnKF获得的增广状态估计也被用来通过优化用于闭合方程的$\mathcal{K}-\varepsilon$湍流模型的五个自由全局模型常数来改善模型的预测特性。优化值是非常远离经典的值规定的一般建议和实施的代码，但也不同于其他数据驱动的分析文献中报道的。用这种新的优化参数描述得到的结果表明，速度场和压力场的全局改善。此外，在远离传感器位置的下游观察到流动组织的一些拓扑改进。
2023-01-26 cs.CE physics.flu-dyn
Data Assimilation-based Simultaneous Phase-Resolved Ocean Wave and Ship Motion Forecast
提出耦合HOS、EnKF和Cummins船舶模型的DA方法，实现相位分辨海浪与船舶运动同步预报，较HOS-CMI精度更高，并准确估计船舶参数。
2025-04-16 cs.SY eess.SY physics.flu-dyn
A Closed-Form Nonlinear Data Assimilation Algorithm for Multi-Layer Flow Fields
针对单层部分观测下的多层湍流状态估计难题，提出基于条件高斯非线性系统的多步闭式数据同化方法，可捕捉间歇性与极端事件，并在两层准地转系统中优于线性单步方法。
2025-09-29 math.DS physics.flu-dyn
Reconstructing the Tropical Pacific Upper Ocean using Online Data Assimilation with a Deep Learning model
University of Washington（华盛顿大学）
本文在热带太平洋结合transformer深度学习模型与集合卡尔曼滤波，利用模拟珊瑚代用指标的海温观测重建上层海洋，并通过后报噪声膨胀克服信号阻尼，取得优于线性逆模型的结果。
2024-06-11 cs.AI physics.ao-ph physics.flu-dyn
