湍流场高分辨重构的时程深度学习方法.pdfVIP

第29卷第1期船舶力学Vol.29No.1

2025年1月JournalofShipMechanicsJan.2025

文章编号：1007-7294（2025）01-0001-11

湍流场高分辨重构的时程深度学习方法

1，212

战庆亮，白春锦，葛耀君

（1.大连海事大学交通运输工程学院，辽宁大连116026；2.同济大学桥梁结构抗风技术

交通行业重点实验室，上海200092）

摘要：湍流的研究离不开高分辨率的流场数据，但受测量方法、计算效率和数据存储等多方面限制，高分辨率湍

流数据的直接获取仍比较困难。本文基于流场时程数据的低维表征模型，提出基于神经网络的特征编码预测

模型与高分辨率的湍流重构方法。首先，基于一维卷积方法建立湍流时程的低维表征模型；然后，基于人工神

经网络模型建立测点坐标与特征编码之间的映射关系，实现未知测点的特征编码预测；最后，利用所预测的特

征编码结合表征模型的解码器生成求解域内任意位置处的湍流时程。对Re=2.2×10的方柱湍流场进行低维表4

征，进而实现高分辨率流场时程数据的重构，并验证方法的准确性。本文所提方法是一种在时间维度上具有高

精度的湍流重构方法，且是一种无监督训练方法，可广泛应用于基于一点的传感器数据处理，是一种适用于湍

流流场时程数据重构的新方法。

关键词：湍流重构；湍流流场时程；深度学习；特征提取；无监督模型

中图分类号：Q357.5TP18文献标识码：Adoi：10.3969/j.issn.1007-7294.2025.01.001

Highresolutionturbulenceflowreconstruction

usingflowtimehistorydeeplearning

1,212

ZHANQing-liang,BAIChun-jin,GEYao-jun

(1.CollegeofTransportationandEngineering,DalianMaritimeUniversity,Dalian116026,China;

2.KeyLaboratoryofTransportIndustryofWindResistantTechnologyforBridgeStructures,Tongji

University,Shanghai200092,China)

Abstract:High-resolutiontimevariantflowfielddataisthekeytothestudyofturbulenceflow.Limitedby

measurementmethods,simulationefficiencyanddatastorage,itisstilldifficulttoobtainhigh-resolutiontur⁃

bulentflowdatadirectlyinsomecircumstances.Inthispaper,basedonthelow-dimensionalrepresentation

modelofflowtime-historydata,aneuralnetwork-basedfeaturecodingpredictionmodelandhigh-resolution

turbulenceflowreconstructionmethodwereproposed.Firstly,alow-dimensionalrepresentationmodelofthe

turbulenceflowwasestablishedbasedontheone-dimensionalco