利用卷积神经网络从截面流场重建三维钝体尾流

高性能计算的最近发展使我们能够生成非线性动力系统的时空高分辨率数据，并分析它们以更深入理解其复杂本质。这一趋势可见于广泛的科学与工程领域，意味着未来必须对物理科学中的高效数据处理进行详细研究。本研究考虑使用卷积神经网络（CNNs）来实现源自非线性动力系统的科学大数据的高效存储与估计。该CNN用于以计算友好方式从少量二维截面重建三维数据。本模型是二维与三维CNN的组合，允许用户仅保存部分二维截面即可重建体数据。作为示例，我们考虑直径基雷诺数 $Re_D = 300$ 下方柱周围的流动。我们证明体流体流动数据可用本方法从少至五个截面重建。此外，我们提出将本基于CNN的重建与基于自适应采样的超分辨率分析相结合，以增强数据可压缩性。我们的报告可作为通往不仅流体力学而且广泛物理科学实用数据处理的桥梁。