海洋学院与美国特拉华大学Fengyan Shi博士联合在人工智能与海岸工程数值模拟学科交叉领域的研究取得新成果。相关学术论文“A data-driven approach to modeling subgrid-scale shallow marsh hydrodynamics”，以海洋学院16级博士生叶洲腾为第一作者，近日在海洋工程领域重要学术期刊《Coastal Engineering》发表。

近年来，随着人工智能技术在各领域的深入应用，海洋开发呈现智能化发展趋势，智能海岸工程成为实施海洋强国战略的又一角逐“高地”。机嚣学习算法由于其在处理非线性问题中具有优越的性能，近年来引起了物理和工程领域的关注。而近岸水动力预测往往与流体力学有着密不可分的关系，涉及到复杂的非线性力学问题，使得机嚣学习在该领域具有非常大的潜力。

文章使用了随机森林算法建立亚网格浅水方程模型中的切应力关系，并使用自主研发的Fsklearn框架将机器学习算法和传统的Fortran浅水方程代码耦合进行计算（如图1所示）。即使在远超出河道宽度分辨率（如图2所示）下，随机森林算法仍然可以准确对亚网格切应力建模。相对于传统浅水方程模型，文章使用的亚网格浅水方程模型可以使用较少的计算网格实现近似的结果，在文章的算例中，可以达到1500倍的加速比，部分成果如图3所示。

图1 随机森林算法

图2 不同离散分辨率下的计算网格示意图

图3 不同测点下水位随时间变化

该项成果得到海洋学院赵西增教授课题组承担的国家自然科学基金面上项目的资助。

作者：叶文

排版编辑：曹郑雨

责任编辑：高楚清 郑恺