Reconstructing the time evolution of wall-bounded turbulent flows from non-time resolved PIV measurements
由于硬件条件的限制，粒子图像测速（PIV）系统在完全分辨湍流中固有的时空波动方面往往受到限制。在这项研究中，我们开发的快速畸变理论（RDT）和泰勒假设（TH）的基础上重建的湍流场的时间演化的中间期连续PIV快照之间使用非时间分辨系统。使用PIV快照作为初始条件，线性控制方程在时间上向前和向后演化。然后，通过对前向和后向估计进行加权和来重建中间时段中的流场。该时空加权函数被设计为考虑RDT和TH方程的平流性质。重建精度作为空间分辨率和重建时间范围的函数使用直接数值模拟数据的湍流通道流从约翰霍普金斯湍流数据库进行评估。该方法很好地重建了单点湍流统计，并在高于采集系统的时间奈奎斯特限制的频率下解决了速度谱。使用TH下的流场的基于特征的演变获得的重建被证明是更准确的RDT和TH的离散形式的数值积分获得的重建相比。测量噪声对重建误差的影响也进行了评估。
2020-04-14 physics.flu-dyn
HATIR: Heat-Aware Diffusion for Turbulent Infrared Video Super-Resolution
Northwestern Polytechnical University（西北工业大学）；Dalian University of Technology（大连理工大学）；Zhejiang University（浙江大学）；Dalian Maritime University（大连海事大学）
HATIR通过热感知变形先验联合建模湍流退化与结构细节损失，提出相位引导流估计器和湍流感知解码器，构建首个湍流红外视频超分辨率数据集FLIR-IVSR，提升非均匀退化下的结构恢复精度。
2026-01-08 cs.CV
High Frequency Matters: Uncertainty Guided Image Compression with Wavelet Diffusion
Xidian University（西安电子科技大学）
本文提出了一种基于小波扩散的不确定性引导图像压缩方法，通过高频压缩和残差编解码器提升图像压缩的保真度和效率。
2025-12-22 cs.CV eess.IV
Model-based multi-sensor fusion for reconstructing wall-bounded turbulence
由于这种流动固有的空间和时间尺度的宽度，在实验中测量壁边界湍流可能具有挑战性。能够获得时间分辨数据的仪器（例如，热线风速计）往往限于空间定位点测量;同样，能够实现空间分辨场测量的仪器（例如，粒子图像测速法（Particle Image Velocimetry）往往缺乏在许多这样的流中获得时间分辨率所需的采样率。在这项研究中，我们建议融合多速率和多保真度传感器的测量与基于物理的模型的预测，以重建有壁湍流的时空演变。一个“快速”过滤器制定同化高速率点测量与估计从线性模型推导出的纳维-斯托克斯方程。此外，“慢”滤波器用于在每次新的现场测量变得可用时更新重建。通过在时间上向前和向后行进通过数据，我们能够以比单独的感测模态更大的时空分辨率来重建湍流。我们证明了这种方法使用直接的数值模拟的湍流通道流从约翰霍普金斯湍流数据库。基于模型的多传感器融合方法的统计分析也进行了。
2021-01-13 physics.flu-dyn
Reducing data resolution for better super-resolution: Reconstructing turbulent flows from noisy observation
本文提出一种超分辨率方法，通过粗网格平均降噪并利用动态观测器重建NS流，理论分析与数值实验表明降低分辨率可减少重建偏差，存在临界长度尺度。
2024-11-07 math.DS physics.flu-dyn
High-fidelity reconstruction of turbulent flow from spatially limited data using enhanced super-resolution generative adversarial network
在这项研究中，应用基于深度学习的方法，目的是使用最小流场数据重建高分辨率的湍流场。提出了一种基于物理损失函数的多尺度增强超分辨率生成对抗网络模型来重建高分辨率流场。利用绕方柱层流的数据，检验了模型重建高分辨率层流的能力。结果表明，即使在有限的空间信息下，该模型也能准确地再现高分辨率的流场。湍流槽道流的情况下，用于评估模型的能力，以重建高分辨率的壁有界的湍流场。从该模型获得的瞬时和统计结果与地面真实数据吻合良好，表明该模型可以成功地学习一次将粗糙流场映射到高分辨率。此外，经过仔细检查，发现所提出的模型的计算成本实际上很低。这表明，使用高保真训练数据与基于物理指导的生成对抗网络模型，在从极其粗糙的数据重建高分辨率湍流场方面实际上是有效的。
2021-09-10 physics.flu-dyn
Reconstructing Rayleigh-Benard flows out of temperature-only measurements using Physics-Informed Neural Networks
Universidad de San Andrés（圣安德烈斯大学）；Institute of Science and Technology Austria（奥地利科学技术研究所）
我们调查的能力，物理信息神经网络（PINNs）重建湍流瑞利-贝纳德流只使用温度信息。我们进行定量分析的质量重建在不同数量的低通滤波的信息和湍流强度。我们比较我们的结果与通过轻推，一个经典的方程知情的数据同化技术。在低瑞利数下，PINN能够以高精度重建，与轻推实现的精度相当。在高瑞利数，PINNs优于轻推，并能够实现令人满意的重建速度场，只有当温度数据提供高的空间和时间密度。当数据变得稀疏时，PINN的性能不仅在点对点误差意义上，而且在统计意义上，与轻推相反，正如在概率密度函数和能量谱中所看到的那样。
2023-01-18 cs.LG cs.NA math.NA
Super-resolution of turbulent reacting flows on complex meshes using graph neural networks
FLAME Laboratory, Department of Computational and Data Sciences, Indian Institute of Science, Bengaluru, 560012, India（印度科学研究院流体动力学与能源实验室，班加罗尔）；CAPS Laboratory, Department of Mechanical and Process Engineering, ETH Zürich, 8092 Zürich, Switzerland（苏黎世联邦理工学院机械与过程工程实验室，苏黎世）；Jülich Supercomputing Centre, Forschungszentrum Jülich GmbH, Jülich, 52425, Germany（尤利希超算中心，尤利希）
本文提出利用图神经网络在复杂网格上实现湍流反应流的超分辨率重建，通过两个案例验证了方法在准确恢复细尺度特征方面的有效性。
2026-03-01 cs.LG physics.flu-dyn
Physics-Guided Machine Learning for Predictive Turbulent Combustion Simulation
Indian Institute of Technology Gandhinagar（印度理工学院甘地纳加尔分校）
本文针对湍流燃烧预测模拟的挑战，综述了将先验知识融入建模流程的物理引导机器学习（PGML）在湍流-化学相互作用建模中的应用，以解决纯数据驱动模型的缺陷。
2026-09-01 physics.flu-dyn
Modeling Continuous Spatial-temporal Dynamics of Turbulent Flow with Test-time Refinement
University of Pittsburgh（匹兹堡大学）
本文提出一种利用物理知识和测试时退化细化策略的流动重建方法，仅用低分辨率LES数据即可重建高保真DNS数据，并支持多分辨率重建。
2024-12-27 cs.AI physics.flu-dyn
Physics-guided surrogate learning enables zero-shot control of turbulent wings
University of Michigan（密歇根大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Forschungszentrum Jülich GmbH（于利希研究中心）
本文提出利用物理引导的代理学习方法，通过湍流通道流训练策略直接应用于NACA4412机翼，实现零样本控制，有效降低皮肤摩擦阻力和总阻力。
2026-10-12 cs.AI physics.flu-dyn
Reconstruction of three-dimensional turbulent flows from sparse and noisy planar measurements: A weight-sharing neural network approach
Imperial College London（帝国理工学院）；Politecnico di Torino（都灵理工大学）
本文提出一种权重共享神经网络方法，用于从稀疏噪声平面测量中重建三维湍流流动，展示了其在泛化能力、参数效率和鲁棒性方面的优势。
2025-09-23 physics.flu-dyn
Artificial Neural Networks and Guided Gene Expression Programming to Predict Wall Pressure Spectra Beneath Turbulent Boundary Layers
本文提出ANN辅助、高低频引导和阶梯式训练等改进GEP策略，用于预测湍流边界层壁面压力谱，精度和可靠性显著优于传统Goody模型。
2023-06-14 physics.flu-dyn
Learning Temporally Consistent Turbulence Between Sparse Snapshots via Diffusion Models
School of Engineering, The University of Manchester（工程学院，曼彻斯特大学）；School of Mathematics, The University of Manchester（数学学院，曼彻斯特大学）；IBM Research Europe, Daresbury, Warrington（IBM欧洲研究院，达尔斯伯里，沃林顿）
本文提出通过扩散模型在稀疏快门间重建湍流动力学，验证了其在二维柯尔莫哥洛夫流和三维凯尔文-赫姆霍兹不稳定性中的有效性。
2025-12-31 cs.LG physics.flu-dyn
Characterizing Data Assimilation in Navier-Stokes Turbulence with Transverse Lyapunov Exponents
本文利用横向Lyapunov指数建立数据同化理论框架，揭示临界长度尺度与Reynolds数的关系，并为湍流小尺度结构重建提供新算法方向。
2023-07-12 physics.flu-dyn
Super-resolution reconstruction of turbulent flows from a single Lagrangian trajectory
Northwestern Polytechnical University（西北工业大学）；National Key Laboratory of Aircraft Configuration Design, Key Laboratory for Extreme Mechanics of Aircraft of Ministry of Industry and Information Technology（飞机外形设计全国重点实验室，工业和信息化部飞机极端力学重点实验室）
本文提出T2F模型用于从单一拉格朗日轨迹重建湍流场，结合物理信息损失函数的T2F+PINN模型进一步提升了梯度相关量的重建精度。
2026-01-14 physics.comp-ph physics.flu-dyn
Prediction of Reynolds Stresses in High-Mach-Number Turbulent Boundary Layers using Physics-Informed Machine Learning
University of Notre Dame（圣母大学）；Missouri University of Science and Technology（密苏里科技大学）；Virginia Tech（弗吉尼亚理工大学）
模拟雷诺应力是雷诺平均纳维尔-斯托克斯（RANS）模拟中模型形式不确定性的主要来源。最近，物理信息机器学习（PIML）方法已被提出用于重建RANS模型雷诺应力的差异。PIML框架的优点已经在几个典型的不可压缩流中得到了证明。然而，它在高马赫数流动中的性能仍然不清楚。在这项工作中，我们使用PIML的方法来预测的差异RANS模拟雷诺应力在高马赫数平板湍流边界层通过使用现有的DNS数据库。具体而言，差异函数首先使用DNS训练流构造，然后用于校正在不同于DNS的流动条件下的RANS预测的雷诺应力。机器学习技术显着改善RANS建模的湍流正应力，湍流动能，和的湍流应力各向异性。当使用不同的训练数据集时，始终观察到改进。此外，高维可视化技术和距离度量用于提供仅基于RANS模拟的预测置信度的先验评估。这项研究表明，PIML方法是一种计算负担得起的技术，用于提高精度的RANS模拟雷诺应力高马赫数湍流时，缺乏实验和高保真度的模拟。
2018-08-19 cs.LG physics.comp-ph physics.flu-dyn
Reconstructing Rayleigh-Bénard flows out of temperature-only measurements using nudging
轻推是一种数据同化技术，已被证明能够从一组部分时空测量数据重建几个高度湍流。在这项研究中，我们应用nudging协议的温度场在瑞利-贝纳德对流系统在不同程度的湍流。我们评估的全球，以及规模的规模，成功地重建的流量和过渡到完全同步，同时变化的数量和质量的稀疏测量提供的信息无论是在欧拉或拉格朗日域。我们评估的统计再现的动态行为的系统，通过研究的频谱的轻推领域以及正确的预测的传热性能所测量的努塞尔数。此外，我们分析的结果在各种瑞利数的解决方案的复杂性，并讨论了更一般的问题，预测系统的所有状态变量的部分或全部测量的字段的一个子集，特别是温度。这项研究揭示了热驱动流中速度和温度之间的相关性，以及通过仅作用于温度来控制它们的可能性。
2022-05-03 physics.flu-dyn
Machine Learning for Vortex Induced Vibration in Turbulent Flow
涡激振动（VIV）发生在涡脱落频率接近结构的固有频率时。涡激振动的研究在减灾、能源开采等方面具有重要的应用价值。根据机器学习在层流涡激振动研究中的最新进展，本文采用基于物理信息神经网络（PNS-PINN）的参数化纳维-斯托克斯方程，将其扩展到湍流区域。以雷诺数$Re$ = $10^4$的湍流为例，研究了圆柱体涡激振动的流动。在PNS-PINN中，在纳维-斯托克斯方程中引入人工粘性$ν_t$，并将其视为隐藏输出变量。最近开发的基于纳维-斯托克斯方程的PINN，称为NSFnets（Jin \textit{et al.}，J COMPUT PHYS 426：109951，2021），也被考虑用于比较。从计算流体动力学（CFD）模拟的散射速度和染料痕量浓度快照的训练数据集，为PNS-PINN和NSFnets准备。结果表明，与NSFnets相比，PNS-PINN在涡激振动环境下的湍流流动的推断和重建方面更为有效。PNS-PINN还显示了处理VIV中的非定常和多尺度流动的能力。PNS-PINN方法受雷诺平均Navier-Stokes方程（RANS）的启发，通过引入附加的人工粘性系数，避免了复杂的湍流模型封闭，从而可以应用于更一般、更复杂的湍流。
2021-03-10 physics.flu-dyn
SIMR-NO: A Spectrally-Informed Multi-Resolution Neural Operator for Turbulent Flow Super-Resolution
Department of Mechanical and Aerospace Engineering, University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校机械与航空航天工程系）
本文提出SIMR-NO，一种多分辨率神经算子，通过频谱信息和多尺度结构恢复湍流流场的高分辨率。在Kolmogorov强迫的二维湍流中，从极粗的观测重建高分辨率流场，取得更低的误差和更准确的频谱复现。
2026-03-30 cs.LG physics.flu-dyn
Learning Turbulent Flows with Generative Models: Super-resolution, Forecasting, and Sparse Flow Reconstruction
School of Engineering（工程学院）；Division of Applied Mathematics（应用数学系）
本文提出将算子学习与生成模型结合，解决传统神经算子在湍流超分辨率、预测和稀疏重建中的过度平滑问题，显著降低误差并实现近实时推理。
2025-09-10 cs.AI cs.LG physics.flu-dyn
Bayesian inference of mean velocity fields and turbulence models from flow MRI
University of Cambridge（剑桥大学）
该研究提出一种贝叶斯逆RANS方法，通过血流MRI数据联合重建时均流场并学习湍流模型参数，成功应用于FDA喷嘴湍流射流，避免过拟合，且适用于可微的任意湍流模型。
2024-12-15 cs.LG math.OC physics.flu-dyn
Physics-enhanced Neural Operator for Simulating Turbulent Transport
University of Pittsburgh（匹兹堡大学）
本文提出物理增强神经算子PENO，融合PDE物理知识并引入自增强机制，用于高效准确地模拟湍流输运，在三维和二维流动数据上展现出良好的重建、物理一致性与泛化能力。
2024-05-31 cs.LG physics.comp-ph physics.flu-dyn
Gradient enhanced multi-fidelity regression with neural networks: application to turbulent flow reconstruction
提出一种梯度增强的多保真度神经网络回归模型，通过自动微分引入低保真度数据梯度信息，有效融合大量低保真与少量高保真数据，在湍流速度场重构中显著优于传统模型并能精确捕获小尺度结构。
2023-11-19 physics.comp-ph physics.flu-dyn
Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models
Department of Mechanical and Materials Engineering, Queen’s University（皇后大学机械与材料工程系）；Institute of Mechanics, Chinese Academy of Sciences（中国科学院力学研究所）
本文提出用卷积神经网络调制EPM扰动幅值的混合方法，在保持物理一致性的同时改善湍流模型不确定性量化的校准效果，实验表明其不确定性估计比纯EPM更紧致且校准更优。
2025-11-07 cs.LG physics.flu-dyn
VIVALDy: A Hybrid Generative Reduced-Order Model for Turbulent Flows, Applied to Vortex-Induced Vibrations
PPRIME Institute, CNRS, Université de Poitiers, ISAE-ENSMA（PPRIME研究所，法国国家科学研究中心，普瓦捷大学，ISAE-ENSMA）；University of Michigan（密歇根大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出VIVALDy模型，结合β-VAE-GAN和Transformer，用于降阶建模湍流流动，应用于涡激振动能量收集系统。
2026-04-10 physics.flu-dyn
SCoReT: Super-Resolution Compression and Reconstruction of Turbulent Flows
Indian Institute of Technology, Madras（印度马德拉斯理工学院）；Nanyang Technological University, Singapore（新加坡南洋理工大学）
研究湍流重建的两种范式，即监督重建和物理信息重建，引入涡度增强监督方法和物理信息方法，通过基于三维非定常可压缩纳维-斯托克斯方程的部分辅助可压缩PINN公式实现，评估不同稀疏度下的重建性能并分析两种方法优缺点。
2026-07-07 physics.flu-dyn
Reconstruction of turbulent data with deep generative models for semantic inpainting from TURB-Rot database
Istituto Italiano di Tecnologia（意大利理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们研究了计算机视觉社区开发的用于特征学习和语义图像修复的工具的适用性，以执行流体湍流配置的数据重建。目的有两个。首先，我们在定量的基础上探索了嵌入深度生成对抗模型（Deep-GAN）的卷积神经网络在湍流（一种典型的高维混沌系统）中生成缺失数据的能力。特别是，我们调查他们在重建二维损坏的快照中提取的一个大型数据库中的三维湍流的数值配置中存在的旋转，多尺度随机功能的情况下，大规模的有组织的结构和小规模的高度间歇性和非高斯波动。其次，遵循逆向工程方法，我们的目标是根据其定性和定量重要性对输入流属性（特征）进行排名，以获得更好的重建场集。我们提出了两种基于上下文编码器的方法。第一个通过L2像素重建损失的最小化加上小的对抗性惩罚来推断缺失数据。第二个搜索从先前训练的生成器的损坏的流配置的最接近的编码。最后，我们提出了一个不同的数据同化工具，Nudging，方程知情的无偏协议，众所周知的数值天气预报社区的基础上进行比较。TURB-Rot数据库http://smart-turb.roma2.infn.it发布了大约300 K的2d湍流图像，并提供了如何下载它的详细信息。
2021-06-14 cond-mat.stat-mech cs.CV cs.LG
Inferring parameters and reconstruction of two-dimensional turbulent flows with physics-informed neural networks
本文提出利用物理信息神经网络（PINN），从稀疏含噪速度数据中重建二维湍流速度场并推断压力、驱动力、粘度和摩擦系数，有望增强粒子测速能力。
2024-09-11 physics.data-an physics.flu-dyn
Super-resolution of turbulent velocity and scalar fields using different scalar distributions
本文评估了超分辨率生成对抗网络在湍流混合中的泛化能力，发现加入双帕累托和半高斯等极端标量分布训练后可显著提升模型对速度场和未见标量分布的重建性能。
2025-03-11 physics.flu-dyn
Unsupervised deep learning for super-resolution reconstruction of turbulence
最近尝试使用深度学习进行湍流的超分辨率重建，使用了监督学习，这需要成对的数据进行训练。这种局限性阻碍了超分辨率重建的更多实际应用。因此，我们提出了一种无监督学习模型，该模型采用周期一致的生成对抗网络，可以用未配对的湍流数据进行训练，以进行超分辨率重建。我们的模型进行了验证，使用三个例子：（i）恢复原始流场的过滤数据使用直接数值模拟（DNS）的均匀各向同性湍流;（ii）重建全分辨率场使用部分测量数据从DNS的湍流通道流;和（iii）生成DNS分辨率流场的大涡模拟（LES）数据的湍流通道流。在示例（i）和（ii）中，配对数据可用于监督学习，我们的无监督模型在定性和定量上表现出与最佳监督学习模型相似的性能。更重要的是，在示例（iii）中，在不可能进行监督学习的情况下，我们的模型成功地从LES数据重建了统计DNS质量的高分辨率流场。这表明湍流数据的无监督学习确实是可能的，为湍流场的超分辨率重建的广泛应用打开了一扇新的大门。
2020-07-30 physics.flu-dyn
High-fidelity Three-Dimensional Flow Field Reconstruction Driven by Turbulent Fluid Dynamics
State Key Lab of Brain-Machine Intelligence, Zhejiang University（浙江大学脑机智能全国重点实验室）；Shanghai Innovation Institute（上海创新研究院）；Zhejiang Key Laboratory of Industrial Intelligence and Digital Twin, Eastern Institute of Technology（东方理工工程学院工业智能与数字孪生浙江省重点实验室）；Zhejiang Sci-Tech University（浙江理工大学）
该研究针对从粗粒度数据重建高保真三维流场的挑战，提出湍流感知框架，耦合多尺度神经算子与状态空间模型，结合纳维-斯托克斯残差约束和混合专家机制，在多类数据上优于基线方法。
2026-10-14 cs.AI cs.LG physics.flu-dyn
Super-resolution of turbulent velocity fields in two-way coupled particle-laden flows
本文提出一种基于条件生成对抗网络的超分辨率框架，通过显式引入颗粒质量密度和亚网格动能等物理条件，利用DNS数据训练，实现了双向耦合颗粒负载湍流速度场的高精度重建，并验证了其在不同颗粒参数和未知流动状态下的泛化能力。
2025-07-04 physics.comp-ph physics.flu-dyn
The Interaction of High-Speed Turbulence with Flames: Global Properties and Internal Flame Structure
我们研究了湍流火焰的动力学和性质，在亚音速，高速，均匀，各向同性Kolmogorov型湍流的存在下形成的无约束系统。直接数值模拟进行雅典娜RFX，大规模并行，完全可压缩，高阶，尺寸不分裂，反应流代码。简化的反应扩散模型代表化学计量的H2-空气混合物。被建模的系统表示湍流燃烧，达姆科勒数Da = 0.05，并且在能量注入尺度下的湍流速度比层流火焰速度大30倍。模拟结果表明，火焰与高速湍流的相互作用形成了稳定传播的湍流火焰，火焰刷宽度约为能量注入规模的两倍，速度为层流火焰速度的四倍。本文描述了一种重建火焰内部结构的方法，并用来表明湍流火焰由紧密折叠的火焰团组成。这些的反应区结构实际上与平面层流火焰的反应区结构相同，而预热区被加宽了大约两倍。因此，该系统的演变代表湍流燃烧在薄反应区制度。湍流级联未能穿透内部火焰结构，因此小尺度湍流的作用在大部分火焰中被抑制。最后，我们的研究结果表明，化学计量的H2-空气混合物，任何实质性的火焰加宽的湍流的行动，不能预期在所有亚音速制度。
2011-06-19 astro-ph.HE physics.flu-dyn
Stochastic Reconstruction of Gappy Lagrangian Turbulent Signals by Conditional Diffusion Models
University of Rome ‘Tor Vergata’（罗马第二大学）；INFN（意大利国家核物理研究所）；Scripps Institution of Oceanography（斯克里普斯海洋研究所）
提出基于条件生成扩散模型的随机方法，重建湍流被动平流物体轨迹缺失数据，保留非高斯间歇特性，精度优于高斯过程回归，适用于多物理场景。
2024-10-31 cs.LG nlin.CD physics.ao-ph
Physics-Informed Neural Network Approaches for Sparse Data Flow Reconstruction of Unsteady Flow Around Complex Geometries
Department of Ocean Engineering, Indian Institute of Technology, Madras, Chennai - 600036. INDIA（海洋工程系，印度理工学院，马德拉斯，钦奈 - 600036. 印度）
本研究提出利用物理信息神经网络（PINNs）从稀疏数据重建复杂几何周围非定常流动，涵盖二维圆柱绕流和三维超大型集装箱船湍流案例，验证了该方法在有限计算资源下的有效性。
2025-08-02 cs.LG physics.flu-dyn
Reconstructing unsteady flows from sparse, noisy measurements with a physics-constrained convolutional neural network
Department of Aeronautics, Imperial College London（航空航天系，伦敦帝国学院）；The Alan Turing Institute, London（艾伦·图灵研究所，伦敦）
本文提出一种物理约束卷积神经网络，通过软约束、快照强制和均值强制三种损失函数，从稀疏含噪的不完整测量数据中重建非定常流场，实验证明强约束损失在高低噪声下均更具鲁棒性。
2024-08-30 cs.LG physics.flu-dyn
Operator Learning for Reconstructing Flow Fields from Sparse Measurements: an Energy Transformer Approach
Division of Applied Mathematics, Brown University（布朗大学应用数学系）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
针对流体力学中从稀疏部分观测重构完整流场的难题，提出受联想记忆模型启发的Energy Transformer算子学习框架，在三类不同数据的流场算例中实现90%缺失数据下的准确重构，且单GPU训练推理快速。
2025-01-02 cs.AI cs.CE physics.flu-dyn
Physics-Informed CNNs for Super-Resolution of Sparse Observations on Dynamical Systems
Imperial College London（帝国理工学院）；Alan Turing Institute（艾伦·图灵研究所）
在缺乏高分辨率样本的情况下，动力系统稀疏观测的超分辨率是一个具有挑战性的问题，在实验环境中具有广泛的应用。我们展示了基于物理信息的卷积神经网络在网格上稀疏观测的超分辨率中的应用。结果显示为混沌湍流Kolmogorov流，证明了这种方法的潜力，解决更精细尺度的湍流相比，经典的插值方法，从而有效地重建丢失的物理。
2022-11-07 cs.LG physics.flu-dyn
Relative periodic orbits form the backbone of turbulent pipe flow
低维系统的混沌动力学，如洛伦兹流或罗斯勒流，是由它们的奇异吸引子中嵌入的无穷多个周期轨道引导的。对于纳维-斯托克斯方程的无限维动力学是否也是这种情况，人们一直在猜测，这是一个正在进行的研究课题。周期解和相对周期解已被证明参与了向湍流的转变。它们与湍流动力学的相关性-特别是，周期轨道在高维非线性系统中是否起着与在低维系统中同样的作用，如纳维-斯托克斯方程-是本研究的重点。我们在这里进行了详细的研究管流的相对周期轨道的能量和平均耗散接近湍流值。我们概述了几种方法来减少系统的平移对称性。我们研究管流在一个最小的计算单元，并报告一个图书馆的不变的解决方案，发现与援助的方法切片。这些解决方案的样本的不稳定流形的详细研究是一致的图片，即相对周期轨道嵌入在混沌鞍，他们引导湍流动力学。
2017-08-03 physics.flu-dyn
Validation and parameterization of a novel physics-constrained neural dynamics model applied to turbulent fluid flow
本研究构建了受物理约束的Navier-Stokes方程数据驱动降阶模型，结合不可压缩约束与神经常微分方程，在三维中等雷诺数湍流上验证了其大尺度流动重建能力，并明确了物理可解释参数对模型性能的量化影响。
2021-10-22 physics.flu-dyn
Generative Learning of the Solution of Parametric Partial Differential Equations Using Guided Diffusion Models and Virtual Observations
School of Engineering and Applied Sciences, Harvard University（哈佛大学工程与应用科学学院）
本文提出一种生成学习框架，通过梯度引导和虚拟观测建模高维参数系统，通过两个案例研究展示其在无结构网格和有结构网格上的有效性，减少计算成本，提高流体动力学预测效率。
2024-07-31 cs.LG physics.comp-ph physics.flu-dyn
State estimation in turbulent channel flow from limited observations
本文用伴随变分法研究了由有限数据估计槽道湍流初始状态的问题。的数据是从一个参考直接数值模拟（DNS），这是在不同的时空分辨率子采样。当速度数据为DNS时空分辨率的1/4096时，真实状态与伴随变分估计状态之间的相关系数超过99%。证明了算法对观测噪声的鲁棒性。此外，估计质量的数据的时空密度的影响进行了评估，并建立了一个分辨率阈值，一个成功的重建。临界展向数据分辨率与泰勒微尺度成比例，泰勒微尺度表征观测位置的依赖域。由于平均平流，无论是流向或时间数据分辨率必须满足一个标准的基础上流向泰勒微尺度。第二种配置被认为是亚采样的数据是由在外层和壁面剪应力的速度。近壁流动统计和相干结构，虽然没有采样，准确地重建，这是可能的，因为外部流动和近壁运动之间的耦合。最后，最具挑战性的配置是解决只有时空分辨壁应力观察。估计在粘性子层内保持准确，并且随着离壁的距离而显著恶化。在壁单元中，这种趋势几乎与所考虑的雷诺数无关，并且表明从壁数据重建壁分离运动的基本困难。
2020-11-07 physics.flu-dyn
Multi-scale data reconstruction of turbulent rotating flows with Gappy POD, Extended POD and Generative Adversarial Networks
INFN（意大利国家核物理研究所）；Southern University of Science and Technology（南方科技大学）
本研究对比基于POD的线性方法与GAN，开展带空间缺损的旋转湍流快照多尺度数据重构，发现GAN在统计多尺度特性与极端事件预测上更优，逐点精度未超线性POD，还分析了缺损参数、对抗比率与噪声鲁棒性的影响。
2023-11-03 cs.CV cs.LG nlin.CD
SURFNet: Super-resolution of Turbulent Flows with Transfer Learning using Small Datasets
University of California, Irvine（加州大学尔湾分校）；Advanced Micro Devices, Inc.（超威半导体公司）
深度学习（DL）算法正在成为计算昂贵的CFD模拟的关键替代方案。然而，最先进的DL方法需要大量高分辨率的训练数据来学习准确的模型。这些数据集的大小和可用性是下一代数据驱动的湍流替代模型开发的主要限制。本文介绍了SURFNet，一个基于迁移学习的超分辨率流网络。SURFNet主要在低分辨率数据集上训练DL模型，并在少数高分辨率流动问题上转移学习模型-加速传统的数值求解器，而与输入大小无关。我们提出了两种用于超分辨率任务的迁移学习方法，即一次性学习和增量学习。这两种方法都只需要对一种几何形状进行迁移学习，以解决细网格流场的问题，与粗模型的微小分辨率（64 x256）相比，高分辨率输入的训练数据少15倍，大大减少了数据收集和训练的时间。我们通过求解湍流状态下的纳维-斯托克斯方程，在输入分辨率高达粗模型的256倍的情况下，对SURFNet的性能进行了经验评估。在四个测试几何形状和八个在训练过程中看不见的流动配置上，我们观察到OpenFOAM物理求解器的一致2- 2.1倍加速，与测试几何形状和分辨率大小（高达2048 x2048）无关，证明了分辨率不变性和泛化能力。我们的方法解决了从使用低分辨率输入（超分辨率）训练的粗网格模型重建高分辨率解决方案的挑战，而不会损失准确性，并且需要有限的计算资源。
2021-08-17 cs.AI physics.flu-dyn
Turbulent Injection assisted by Diffusion Models for Scale Resolving Simulations
提出利用扩散模型生成湍流入口条件注入大涡模拟与直接数值模拟的省内存方法，在衰减均匀各向同性湍流上训练，准确复现能谱等统计量，且不增加发展距离。
2025-08-06 physics.flu-dyn
Patch-Based 3D Variational Autoencoder for Super-Resolution of Turbulent Channel Flow
Indian Institute of Science, Bangalore, India（印度科学研究所，班加罗尔，印度）
提出基于块的3D-VAE，从粗粒化场重构湍流通道流的局部高分辨率块，在超分辨率任务中优于传统插值方法，且展现出良好迁移能力。
2026-08-03 cs.AI cs.LG physics.flu-dyn
Physics-Guided Actor-Critic Reinforcement Learning for Swimming in Turbulence
University of Arizona（亚利桑那大学）
本文提出物理引导的演员-评论家强化学习策略，用解析物理函数替代神经网络评论家，在湍流中维持粒子靠近被动对应物，数值实验证明其优于标准强化学习方法。
2024-11-10 cs.LG cs.SY eess.SY
Hybrid Reduced-Order Models for Turbulent Flows Using Recurrent Neural Architectures
本文提出将POD-Galerkin降阶模型与LSTM循环神经网络结合的物理引导机器学习混合模型，用于雷诺数1000圆柱绕流湍流预测，并证明其优于传统ROM和LES启发ROM。
2025-03-07 physics.flu-dyn
Time-resolving PIV measurements and modal analysis of turbulent flow in a bench-scale hydrodynamic separator
本研究利用时间分辨PIV与模态分解技术分析了水力分离器内的湍流，量化了测量参数对统计收敛性的影响，基于POD和SPOD构建了降阶模型，并建立了开源湍流数据库以指导系统设计与CFD开发。
2024-07-22 physics.flu-dyn
Flow Reconstruction Using Spatially Restricted Domains Based on Enhanced Super-Resolution Generative Adversarial Networks
提出基于ESRGAN的空间受限域流场重建方法，经DNS层流、湍流槽道流及PIV实验验证，可由局部数据可靠重建完整流场并降低计算成本。
2024-08-03 physics.flu-dyn
Spatiotemporal dynamics of transonic shock-wave/turbulent-boundary-layer interactions in an overexpanded planar nozzle
本文结合实验与三维DDES数值模拟，研究过膨胀平面喷管中弱跨声速激波/湍流边界层相互作用的时空动力学，揭示分离泡下游扰动通过气动声学反馈回路维持低频激波非定常性的机制。
2023-04-13 physics.flu-dyn
Unified Flow and Thermal Law-of-the-wall for Type-A and B Turbulent Boundary Layers
通过对直接数值模拟（DNS）中已有统计数据的系统研究，根据时均壁面剪应力的分布模式，对一般湍流边界层（TBL）进行了合理而重要的分类，即A、B和C型TBL。在这三种类型中，A型和B型TBL的速度和温度与雷诺数（Re）和普朗特数（Pr）无关的普遍统计规律进行了研究。参考von Karman在发展A型TBL传统壁面定律时的分析，本研究首先从物理上区分了时间平均局部速度标度和系综平均速度标度，并基于壁面热流恰当地定义了TBL温度标度，类似于众所周知的基于壁面剪应力的摩擦速度标度。然后，使用这些尺度的壁面公式的统一规律推导出的A型和B型热TBL的内层。通过在内层引入一般的阻尼和增强函数，构造了TBL方程，并根据TBL速度剖面的多尺度特性，将这些函数推广到对数坐标系下。通过DNS引导的B型TBL控制方程的近壁积分验证了该定律，揭示了该定律的Re和Pr独立性机制。本研究发展了传统TBL理论的现有认识，发展了A型和B型TBL壁面（包括内层、过渡层、对数层和尾流层）规律的完整解析形式。
2018-11-29 physics.flu-dyn
Diff-SPORT: Diffusion-based Sensor Placement Optimization and Reconstruction of Turbulent flows in urban environments
KTH Royal Institute of Technology（皇家理工学院）；Stanford University（斯坦福大学）；Nugen Intelligence
Diff-SPORT利用扩散先验和Shapley值归因，实现城市湍流的高保真重建与最优传感器布置，在极端稀疏下误差降低57%，速度远超传统模拟。
2026-09-17 cs.AI physics.flu-dyn
