本次研究《Super-resolution reconstruction and prediction of flow fields based on deep learning and modal decomposition》由来自西南交通大学力学与航空航天工程学院、四川省应用力学与结构安全重点实验室的王瑞、李汨剑和王恋舟（通讯作者）共同完成，并于2025年1月2日发表在物理学权威期刊《Physics of Fluids》上。该研究提出了一种创新的流场数据处理方法，融合深度学习与模态分解技术，旨在解决计算流体动力学（CFD）中流场数据在超分辨率（SR）重建和预测过程中出现的失真问题。
一、 研究背景与目标
该研究属于流体力学与人工智能交叉领域。随着深度学习技术的飞速发展，各类神经网络结构已被广泛应用于流场数据的超分辨率重建、预测和模态分析中。高分辨率（HR）流场数据能更精细地反映流动细节，但通过实验或高精度数值模拟直接获取这类数据往往成本高昂、耗时漫长。受图像超分辨率重建技术启发，研究人员开发了多种神经网络用于流场重建，例如基于卷积神经网络（CNN）、生成对抗网络（GAN）等架构的模型。然而，现有方法大多严重依赖大量高质量训练数据，且在处理单个流场快照（snapshot）的超分辨率重建时面临挑战。
在模态分析领域，传统方法如本征正交分解（POD）和动态模态分解（DMD）是提取流动特征的重要手段。稀疏促进动态模态分解（Sparsity Promoting Dynamic Mode Decomposition, SPDMD）算法能在保持流场特征的同时，显著减少所需模态数量，实现降维。但仅依靠少数模态进行流场预测时，精度仍有待提升。
基于此，本研究旨在开发一种不依赖于大量训练数据、且能有效结合物理规律的数据驱动方法。具体目标包括：1）构建一个结合物理信息神经网络（PINN）与卷积神经网络（CNN）优势的新型模型——物理信息卷积神经网络（Physics-Informed Convolutional Neural Network, PICNN），用于对单个流场快照进行超分辨率重建；2）将PICNN模型与SPDMD算法相结合，建立一个集成的流场预测与优化平台（OpenFOAM-SPDMD-PICNN），以优化基于少数模态的流场预测结果，即使在模态数量很少导致预测质量损失较大的情况下，也能显著提升预测精度。
二、 详细研究流程与方法
本研究包含两个主要案例，分别验证PICNN模型的超分辨率重建能力和其与SPDMD结合的流场预测优化能力。整体研究流程严谨，可分为以下步骤：
1. 模型构建：PICNN与SPDMD算法原理 * PICNN模型设计：该模型是本研究的核心创新。它巧妙地融合了PINN和CNN。PINN通过将物理控制方程（如纳维-斯托克斯方程）的残差作为损失函数的一部分，将物理规律内嵌到神经网络训练中，使结果符合物理约束，而无需大量标签数据。CNN则擅长处理图像（或类图像数据，如流场）的空间特征提取。PICNN结合二者优势：利用CNN处理流场空间结构，同时利用PINN框架将流体控制方程的残差作为损失项，引导网络在超分辨率重建或优化过程中遵循物理规律。模型训练时，仅需少量（如5%）来自初始粗分辨率数据或模态预测数据的锚点参与计算损失。 * SPDMD算法：该算法用于对时间序列的流场快照进行降维和特征提取。它通过求解一个包含L1正则化项（促进稀疏性）的优化问题，从大量DMD模态中自动筛选出最重要的少数模态。正则化参数c控制解的稀疏程度，c值越大，保留的模态数越少。在获得稀疏模态结构后，再通过求解约束二次规划问题得到最优的模态振幅。这使得用少量模态高效地表征和预测流场演变成为可能。
2. 案例一：二维方腔驱动流超分辨率重建 * 研究对象与设置：研究对象为一个经典方腔驱动流问题。计算域为边长L=0.1m的方形区域，顶部盖板以恒定速度U运动驱动内部流体，雷诺数Re=10。使用开源CFD软件OpenFOam进行数值模拟，获得流场数据。 * 数据处理流程： a. 数据生成与分组：通过OpenFOam生成不同分辨率的流场数据。设置了四组对比条件：将10x10的低分辨率（LR）数据分别重建至40x40、60x60、80x80和160x160的高分辨率（HR）。LR数据作为输入，对应HR的CFD数据作为验证基准。 b. PICNN重建过程：将LR流速场（流向速度u和展向速度v）输入。首先，通过双三次插值将LR数据上采样至目标HR网格。然后，在PICNN框架中，用五个卷积通道分别模拟控制方程中的参数u, v, p, ∂u/∂t, ∂v/∂t进行训练。损失函数由连续性方程残差和两个方向的动量方程残差的均方误差（MSE）共同构成。 c. 对比与评估：将PICNN的重建结果与传统双三次插值方法的结果进行对比。评估指标采用归一化均方误差（NMSE）和相对误差，以定量衡量与CFD基准解的差距。
3. 案例二：二维壁挂方柱绕流预测与优化 * 研究对象与设置：研究对象为更复杂的湍流问题——二维壁挂方柱绕流。雷诺数Re=10^6，采用大涡模拟（LES）方法。计算域包含一个方形柱体，入口施加随机脉动以模拟湍流来流。 * 集成平台工作流程： a. 数据生成与模态分解：使用OpenFOam计算1500个连续时间步的流场快照（时间间隔2e-3秒）。将这些时间序列快照输入SPDMD算法进行模态分解。 b. 模态选择与预测：通过调整稀疏参数c，SPDMD算法从大量模态中筛选出少数关键模态（本研究重点使用了极少的模态数，如2个）。利用这些筛选出的模态及其特征值，预测未来时刻（如100dt, 200dt, 300dt, 400dt时刻）的流场。 c. PICNN优化：将SPDMD基于少数模态预测得到的流场作为PICNN模型的输入。PICNN模型以物理方程（此处为LES过滤后的方程）为约束，对这些初步预测结果进行优化重建，得到更符合物理规律的高精度流场。 d. 对比与评估：将SPDMD的原始预测结果、PICNN优化后的结果与对应时刻的CFD基准解进行对比，同样使用NMSE和相对误差云图进行评估。
三、 主要研究结果
1. 案例一结果：PICNN在超分辨率重建中表现卓越 * 精度大幅提升：在四组不同放大倍数的重建中，传统双三次插值法的NMSE维持在较高水平（0.15-0.3），且误差随放大倍数增加有上升趋势。而PICNN模型的NMSE显著降低至0.03-0.08左右，并且误差随放大倍数增加整体呈下降趋势，显示出优越的稳定性和精度。 * 细节还原能力：从流向速度、展向速度和速度大小的等值线图及中心线剖面图均可看出，PICNN重建结果与CFD基准解吻合度极高，尤其在方腔中部主流区域。双三次插值法则在速度变化剧烈区域（如靠近顶盖驱动壁面处）产生明显的“误差带”，而PICNN能有效消除这些误差带。 * 局部局限性：相对误差云图显示，在速度变化极其剧烈的局部区域（如方腔上壁面角落附近），PICNN重建也会出现较大误差，表明模型在捕捉极端突变流场特征方面仍有改进空间。训练过程显示，模型NMSE在前100轮训练后迅速下降并趋于稳定。
2. 案例二结果：PICNN显著优化SPDMD的流场预测 * 模态分析结果：SPDMD算法成功提取了关键模态。特征值分布显示大多数模态具有衰减特性（位于单位圆内）。模态谱表明，低频模态振幅较高。通过调整稀疏参数c，可以有效地将模态数量从1500个减少至几个。 * 预测优化效果显著： * 流向速度：仅用少数模态进行SPDMD预测时，NMSE已小于0.1，说明保留的模态抓住了主要流动特征。经PICNN优化后，NMSE进一步大幅降低至0.01以下，优化效果极其明显。 * 展向速度：由于SPDMD保留的少数模态对展向速度的质量损失较大（>60%），其原始预测误差较大。但经过PICNN优化后，NMSE仍能降至0.1以下，展示了PICNN强大的修正和优化能力。 * 误差分析：相对误差云图表明，SPDMD预测的误差主要集中在小速度区域和速度梯度大的区域。PICNN优化后，这些误差区域面积和强度均被显著抑制。优化效果在不同预测时间步上表现出一致性。 * 时间相关性：无论是SPDMD预测还是PICNN优化，其误差均随着预测时间步长的增加而略有增大，这与长期预测的不确定性增加相符。
四、 研究结论与价值
本研究得出结论：基于深度学习和模态分解的融合方法为流场重建与预测提供了强大工具。
本研究的科学价值在于提出了一种“物理规律+数据驱动”的新型混合建模范式，减少了神经网络对海量标记数据的依赖，增强了结果的可信度和泛化能力。其应用价值广泛，可用于CFD结果的后期增强、流动显示实验数据的升尺度处理、基于传感器稀疏测量的流场重构，以及复杂系统（如空气动力学、湍流燃烧）的实时预测与控制。
五、 研究亮点
六、 其他有价值内容与展望
作者在文中也指出了当前模型的局限性：PICNN模型目前仅考虑了二维不可压缩纳维-斯托克斯方程，未涉及三维流场、更复杂的湍流模型（如LES的细节）、边界层效应等因素。这为未来研究指明了方向，例如将模型扩展至三维、融入更复杂的物理约束、探索其对跨音速或可压缩流动的适用性等，具有巨大的改进潜力。
这项研究是流体力学与人工智能交叉领域一项扎实且富有创见的成果，其提出的方法和框架对推动高精度、高效率的流场数据分析与预测技术发展具有重要意义。