arXiv cs.AI· Hanlin Kong, Jianan Wei, Yuntian Chen, Yujia Wang, Wenguan Wang·· 3 天前AI 评分20
湍流流体动力学驱动的高保真三维流场重建
High-fidelity Three-Dimensional Flow Field Reconstruction Driven by Turbulent Fluid Dynamics
AI 导读
研究者提出一种湍流感知框架，用于从粗粒化数据重建时间分辨的三维流场，该框架将多尺度神经算子与状态空间模型耦合，并以 Navier-Stokes 残差作为软约束，还引入混合专家机制以无监督适应未知粗粒化方式。在典型湍流系统和大气再分析数据上，该框架相比基于学习和经典基线降低了重建误差，同时更好地保留了多尺度空间结构与相干时间演化。
正文 · AI 翻译
摘要：高保真三维湍流场对于科学和工程分析至关重要，但通过直接数值模拟或高分辨率测量获得这些流场仍然成本高昂。因此，从粗粒化数据进行超分辨率重建提供了一种有前景的替代方案，但由于细尺度结构本质上是三维的且在尺度间动态耦合，这仍然具有根本性的挑战。现有的数据驱动方法仍难以恢复多尺度体积结构及其相干时间演化。为解决这些局限，我们提出了一种面向湍流的时间分辨三维流场重建框架。该框架将旨在恢复体积结构的多尺度神经算子与状态空间模型相耦合，以促进重建动力学中的时间一致性。此外，将 Navier-Stokes 残差作为软约束引入，以将重建正则化至物理上合理的动力学。还引入了一种专家混合机制，以支持对未知粗粒化的无监督适应。在对典型湍流系统和大气再分析数据的评估中，所提出的框架相对于基于学习的基线和经典基线降低了重建误差，同时更好地保留了多尺度空间结构和相干时间演化。这些结果验证了所提出框架在从粗粒化数据重建高保真三维流场方面的有效性。
| 评论： | 66 页，9 幅正文图和 1 张正文表；包括补充信息，含 14 幅图和 22 张表 |
| 主题： | 流体动力学（physics.flu-dyn）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.18045 [physics.flu-dyn] |
| （或 arXiv:2610.18045v1 [physics.flu-dyn] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.18045 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hanlin Kong [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 09:36:28 UTC（26,538 KB）
来源：arXiv cs.AI · arxiv.org