MARC

 008260126s2025        us                              c    eng  d
■001000017360747
■00520260202105613
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265429414
■035    ▼a(MiAaPQ)AAI32316430
■035    ▼a(MiAaPQ)Stanfordrs703xb0989
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aLiu,  Emma  Weijia.
■24510▼aUnderstanding  Shear  Localizations  in  Glaciers  Using  High-Performance  Computing  and  Machine  Learning
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a187  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Suckale,  Jenny.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aAccurately  projecting  the  future  evolution  of  ice  sheets  requires  a  deep  understanding  of  the  complex,  multiscale  processes  that  govern  ice  deformation.  While  most  of  the  ice  sheet  deforms  slowly  through  distributed  flow,  fast-flowing  regions  account  for  the  majority  of  ice  discharge  and  thus  dominate  mass  loss.  The  transition  between  slow  and  fast  flow  is  usually  confined  to  narrow,  highly  dynamic  zones  where  multiple  interacting  processes,  including  basal  conditions,  internal  deformation,  and  microstructural  evolution,  govern  the  onset  and  localization  of  rapid  flow.I  investigate  two  types  of  localized  deformation  zones  in  glaciers:  the  transition  from  internal  ice  deformation  to  basal  sliding,  and  shear  margins.  At  the  transition  from  flow  to  sliding,  I  find  that  basal  topography  can  induce  highly  localized  deformation  regions,  identified  as  internal  shear  bands  within  the  ice  flow,  connecting  topographic  highs.  The  power-law  exponent  in  ice  rheology  amplifies  the  feedback  between  shear  heating  and  shear  localization,  resulting  in  the  spontaneous  formation  of  these  internal  shear  bands,  which  can  induce  flow  separation  within  the  ice.  I  develop  a  regime  diagram  summarizing  conditions  under  which  topography  of  specific  amplitude  and  wavelength  leads  to  shear  band  formation  for  a  given  ice  rheology.I  further  demonstrate  that  ice  microstructural  features,  particularly  grain  size  and  ice  fabric  orientations,  significantly  amplify  localization.  By  constructing  a  two-way  coupled  modeling  framework  that  integrates  microscale  ice  evolution  with  macroscale  glacier  dynamics  using  a  Fourier  Neural  Operator,  I  illustrate  how  grain-scale  softening  and  anisotropy  profoundly  influence  flow  dynamics.  I  also  found  that  this  feedback  between  micro-  and  macroscale  physics  is  not  monotonic.  Instead,  it  can  change  dramatically  in  different  flow  regimes.  When  ice  flows  slowly,  thermal  effect  dominates  over  strain  induced  recrystallization  processes.  This  leads  to  large  grain  size  formation  and  weak,  slow  ice  anisotropy  development  in  the  basal  region,  which  reduces  the  ice  flow  through  rheology.  When  ice  flows  fast,  strain  induced  recrystallization  processes  dominates  over  thermal  effects.  This  leads  to  new  grains  forming  and  strong,  fast  ice  anisotropy  development,  which  accelerates  the  ice  flow.Applying  this  multiscale  modeling  approach  to  the  eastern  shear  margin  of  Thwaites  Glacier,  I  show  that  ice  within  the  shear  margin  exhibits  substantial  anisotropy,  with  weakening  localized  within  a  very  narrow  zone,  aligning  closely  with  radar  observations.  However,  comparisons  between  model  predictions  and  observational  data  reveal  limitations  in  current  fabric  models  and  emphasize  the  critical  need  to  incorporate  brittle  processes  and  the  historical  context  of  past  shearing.Finally,  recognizing  that  ice-sheet-scale  models  often  remain  computationally  intensive  despite  parallelization  efforts,  I  enhance  computational  efficiency  by  integrating  temporal  parallelization  into  the  ice  sheet  model  BISICLES.  This  advancement  enables  more  scalable  and  efficient  simulations,  thereby  facilitating  improved  long-term  climate  projections.
■590    ▼aSchool  code:  0212.
■650  4▼aPressure  distribution
■650  4▼aEigenvalues
■650  4▼aGrain  size
■650  4▼aViscosity
■650  4▼aDeformation
■650  4▼aRheology
■650  4▼aShear  strain
■650  4▼aGeomorphology
■650  4▼aPhysics
■690    ▼a0800
■690    ▼a0484
■690    ▼a0605
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360747▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books