来自单个拉格朗日轨迹的湍流流场超分辨率重建

我们研究了从由主动迁移的拉格朗日代理人记录的轨迹数据中重建湍流流场的方法。我们提出了一种深度学习模型 track-to-flow (T2F)，其采用视觉变换器作为编码器以捕获单个代理人轨迹的时空特征，并使用卷积神经网络作为解码器以重建流场。为增强 T2F 模型的物理一致性，我们进一步采用基于物理信息神经网络 (PINN) 框架的物理信息损失函数，得到一种称为 T2F+PINN 的变体模型。我们首先在滞流圆柱尾流中进行评估，其雷诺数为 $Re = 800$，作为概念验证。结果表明，T2F 模型在速度重建精度方面相当于现有流场重建方法，而 T2F+PINN 模型在涡度重建中归一化误差相对于 T2F 模型有所降低。随后我们在雷诺数为 $Ra = 10^8$ 且普朗特数为 $Pr = 0.71$ 的雷利-贝纳对流中应用这些模型。结果表明，T2F 模型能够准确重建速度和温度场，而 T2F+PINN 模型进一步提高了与梯度相关的物理量（如温度梯度、涡度和 Q 值）重建精度，最大改进约为60%。总体而言，T2F 模型更适合重建原始流变量，而 T2F+PINN 模型在重建梯度相关量方面具有优势。我们的模型为从单个拉格朗日轨迹实现准确流场重建开辟了可前景。