基于 AI 的衰减流体动力学湍流中湍流与相干背景流的分离

将湍流脉动与相干大尺度背景流分离是数值模拟和天文观测分析中的一项长期挑战。传统方法通常依赖于傅里叶或小波滤波等基于分解的技术，这些技术假设可以通过尺度选择实现有意义的分离。然而，在真实流动中，相干运动和湍流通常在很宽的尺度范围内重叠并发生非线性相互作用，使得唯一的分离本质上存在歧义。在本工作中，我们利用二维不可压缩 Navier-Stokes 衰减流体动力学湍流模拟，研究了一种基于 AI 的湍流-背景分离方法的鲁棒性。模拟以相干背景流和具有 Kolmogorov 谱的无散度湍流扰动进行初始化，并在无外部强迫下演化，提供了一个受控的物理测试平台。仅在静态合成图像上训练的神经网络被应用于不同演化阶段的模拟快照。当存在部分尺度分离时，模型在早期和中期阶段能恢复湍流脉动。在后期阶段，非线性相互作用使相干和湍流结构越来越多地混合，分离变得不那么明显；然而，恢复的场在视觉和光谱上仍与预期的湍流行为保持一致。与傅里叶滤波基线的定量比较表明，基于 AI 的方法实现了相当的重构精度，同时不需要显式的频谱截断尺度。这些结果表明，在静态数据上训练的 AI 模型可以为时间演化流动中的湍流-背景分离提供灵活的诊断工具，并在天体物理数据集中具有潜在应用价值。