基于距离的掩码与自适应alpha-shape方法：面向CNN就绪的任意二维CFD流场重建

将散乱的CFD数据集插值到均匀笛卡尔网格上会扭曲真实几何形状，产生凸包型包络并激活非物理区域。本文提出一种重建框架，在导出CNN就绪场之前恢复物理一致的掩码。该框架引入了两种新策略：基于距离的掩码和一种利用局部数据分辨率对alpha进行归一化的自适应alpha-shape公式，并将它们与经典的alpha-shape边界恢复方法进行了评估。引入了一套定量的、拓扑感知的度量套件，用于评估保留率、非支撑区域的抑制、重叠一致性和连通性。在相同阈值规则下（tau设为最小CFD网格间距），所提出的基于距离的方法在所考虑的几何形状上均表现稳健，且比经典alpha-shape方法快500-800倍。当控制参数设为1时，自适应alpha-shape保持稳定，且比需要针对特定几何形状调整alpha的经典变体快1.7-2.6倍。一种使用最小膨胀的轻量级边界膨胀后处理过程进一步将保留率提高了最多2.96%，且非支撑激活可忽略不计（小于0.08%）。总体而言，基于距离的方法因其准确性、稳定性、最少调参和低成本而被推荐为默认方法，而当用于阈值选择的网格间距信息不可用时，自适应alpha-shape是一个强有力的替代方案。一个配套的Web应用程序实现了端到端的工作流程，支持二维ASCII数据集上传、参数调优、掩码和边界生成以及CNN就绪输出的导出。