这是一份关于利用卷积神经网络从截面流场重建三维钝体尾流的原创性研究报告。
研究作者与发表信息
本研究由庆应义塾大学机械工程系的 Mitsuaki Matsuo、Kai Fukami、Taichi Nakamura、Masaki Morimoto 以及 Koji Fukagata 共同完成。其中，Kai Fukami 同时隶属于加州大学洛杉矶分校机械与航空航天工程系。该研究以预印本形式于2021年3月在 arXiv 上发布，后经同行评审发表于 SN Computer Science 期刊。
研究的学术背景与目标
本研究属于流体力学与科学计算领域，旨在解决高性能计算带来的科学大数据处理难题。随着计算能力的指数级增长，直接数值模拟能够生成时空上具有高分辨率的非线性动力系统数据。以流体力学为例，一个在三个方向上各自用100个网格点离散的三维区域，仅速度和压力数据点就可达四百万个维度，而本研究中所使用的数据量级更是远超于此。此外，直接数值模拟的网格点数需求通常与雷诺数的9/4次方成正比，这对数据的存储、传输和交换构成了巨大挑战。
面对这一挑战，机器学习，尤其是卷积神经网络，因其擅长捕捉非线性特征而成为处理高维复杂数据的有效工具。此前的降阶模型，如基于自编码器的方法，能够在流体动力学中实现数据压缩，但其瓶颈在于将数据压缩至一个不具可解释性的潜空间。同时，许多研究致力于从局部传感器测量或低分辨率数据中估计全局流场，但在三维流体数据的估算或低维化方面研究甚少。为此，本文作者设定了一个明确目标：利用卷积神经网络，开发一种能够从稀疏的二维截面数据中重建三维体积流场的计算方法，以实现高效的数据存储和估算。在此基础上，他们还探索了结合自适应采样的超分辨率分析，以进一步增强数据压缩效率。
研究方法与详细工作流程
本研究的核心方法是构建并训练一个名为 2D-3D CNN 的混合卷积神经网络模型。整个工作流程分为数据集准备、三维重建模型构建和超分辨率辅助数据压缩三个阶段。
数据集准备：研究选取了一个典型的三维非线性系统——方柱绕流。通过直接数值模拟，生成了雷诺数为300时方柱周围的流场数据。计算域大小为 (20d × 20d × 4d)，其中d为方柱边长。研究团队聚焦于方柱附近一个尺寸为 (12.8d × 4d × 4d)、网格数为 (256×128×160) 的关键区域。他们以时间间隔 ∆tml = 0.25 准备了1000个快照用于模型的训练和验证，其中70%用于训练，30%用于验证。另外，从与训练数据时间间隔足够远的区间内选取了100个快照，作为最终评估模型性能的测试集。模型的输入和输出属性均为流场的三个速度分量 (u, v, w)。
2D-3D 卷积神经网络构建：该模型的设计巧妙地将二维和三维卷积操作相结合。其工作流程是：首先，将选定的二维截面数据（速度场）输入到一个二维卷积神经网络部分。该部分由多个二维卷积层和最大池化层构成。卷积层利用共享滤波器，如公式 x^{(ι)}_{ijm} = φ(b^{(ι)}_m + ΣΣΣ h^{(ι)}_{pqlm} x^{(ι-1)}_{i+p-g,j+q-g,l}) 所示，提取输入截面的空间特征；最大池化层则在降低数据维度的同时，使模型能获得对图像旋转和平移的鲁棒性。接着，将二维部分提取的特征向量进行“重塑”，以适应三维卷积神经网络的输入格式。三维CNN部分由多个三维卷积层（其操作如公式 x^{(ι)}_{ijkm} = φ'(b'^{(ι)}_m + ΣΣΣΣ h'^{(ι)}_{pqrlm} x^{(ι-1)}_{i+p-g',j+q-g',k+r-g',l}) 所示）负责核心的维度扩展任务，将编码后的信息扩散到三维空间。最后，通过一个上采样层实现空间分辨率的提升，并通过最终的卷积层输出重建的三维流场数据 q_{3d}。整个模型的训练过程是一个有监督的优化问题，即寻找一组最优的权重 w，使得模型的输出与来自DNS的真实三维数据之间的L2范数误差最小化：w = argmin_w ||q_{3d} - f(q_{2d}; w)||_2。为防止过拟合，训练中采用了提前停止策略。本研究共测试了使用1、3、5、7个二维截面作为输入的情况，这些截面在展向方向上等间距排列。
结合超分辨率分析与自适应采样：为了追求更高的数据压缩率，研究者提出一个两步走的增强方案。第一步，使用另一个独立的超分辨率模型 g，从低分辨率的二维截面数据 q^{lr}_{2d} 重建出高分辨率截面 q^{hr}_{2d}。这个过程遵循 q^{hr}_{2d} = g(q^{lr}_{2d}; w_g)。第二步，将重建出的高分辨率截面作为上述2D-3D CNN模型 f 的输入，以重建三维场。本研究的一大创新点是提出了自适应采样方法，以替代传统的平均池化来生成低分辨率数据。其流程是：首先，将高分辨率截面划分为若干小区域，计算每个区域内的空间标准差以生成标准差分布图，用以衡量该区域的流动“重要性”或复杂度。然后，根据预设的阈值和标准差分布（算法1），对不同区域应用可变的池化率 α。标准差大的区域（如剪切层），代表流动结构复杂，采用较小的下采样因子（即保留较高分辨率）；标准差小的区域（如均匀流区），则采用较大的下采样因子。如此生成的低保真度数据能在保留关键流动信息的同时，最大限度地减少数据点数。
主要研究结果与讨论
三维重建效果评估：研究首先对从高分辨率截面进行三维重建的效果进行了评估。可视化结果表明，即使仅使用1个输入截面，模型也能定性捕捉到大尺度的流动结构。随着输入截面数量 n_{section} 从1增加到7，重建的三维涡结构（通过λ2准则识别）逐渐精细，与参考DNS数据的吻合度不断提高。误差定量分析显示，在7个截面时，重建流场的集成L2误差范数 ϵ 可低至0.287。对特定截面上的速度场进行分析发现，模型在靠近输入截面的位置重建精度极高。在 nsection = 5 的条件下，即使是在远离输入截面的边缘位置，重建流场也与参考数据定性一致。对各速度分量的误差分析揭示，流向速度 u 和法向速度 v 的误差远小于展向速度 w 的误差。这与对各速度分量进行奇异值分解后，w 分量的能谱累积速率最慢的现象一致，表明流场的复杂度是影响重建难度的重要因素。研究还发现，仅用50个训练快照，模型就能捕捉到 u 和 v 分量的大尺度结构，但重建 w 分量细节需要更多快照。
数据压缩与抗噪性：在数据存储方面，传统DNS保存1000个快照需要约570 GB空间，而使用本研究提出的方法，保存重建所需截面及模型仅需3.5至25 GB，压缩效果显著。在抗噪性测试中，当输入信噪比高于100时，重建误差几乎不受影响，展现了良好的鲁棒性。
超分辨率辅助重建：在二维超分辨率分析中，机器学习方法的重建精度全面优于传统的双三次插值，尤其是在下采样因子较大时。当将超分辨率重建后的截面输入到2D-3D CNN中时，使用机器学习超分辨率的输入能重建出与DNS高度一致的精细三维结构，而使用双三次插值的结果则非常模糊。误差分析表明，使用下采样因子 α = 8 的超分辨率重建方案，可以实现约1/2000的数据压缩率，且重建误差与使用原始高分辨率数据时几乎无异。
自适应采样的优势与局限：基于自适应采样的超分辨率分析表明，在数据点数相近的情况下，对于 v 和 w 分量，自适应采样的重建误差优于传统平均池化，并且能额外节省大量存储空间（如 w 分量节省约75%的网格点）。然而，对于结构随快照变化剧烈的 u 分量，该方法效果不佳。这揭示了采样方法的选择需要根据数据特性来决定。
研究结论与价值
本研究成功提出并验证了一种基于组合式2D-3D卷积神经网络的方法，能从极少数二维截面流场高效重建三维流场。研究指出，该方法在数据压缩和快速估算方面具有巨大潜力，能显著节省数据存储空间和减少传输时间。更重要的是，该研究进一步将三维重建与超分辨率分析相结合，并独创性地提出了自适应采样概念。这种方法能在不显著降低重建精度的前提下，根据流场的局部复杂度进行差异化压缩，将数据压缩率提升至新的高度。
本研究的科学价值在于，它为非线性动力系统大数据的处理提供了一种全新的、可解释的框架。与将数据压缩为非物理潜变量的自编码器不同，该方法将数据存储为人眼可读的二维截面，这在数据共享、可视化预览和初步分析等实际场景中极具价值。其应用价值则体现在，该方法可推广至实验流体力学，例如从粒子图像测速技术因实验条件限制而只能测量的二维截面，来估算全局三维流场。该方法为流体力学乃至更广泛的物理科学领域实现高效、智能的数据处理提供了桥梁。
研究亮点