本文发表于Physics of Fluids期刊（2020年2月12日），题为《用于湍流超分辨率重建的深度学习方法》，作者为Bo Liu、Jiupeng Tang、Haibo Huang及Xi-Yun Lu，均来自中国科学技术大学近代力学系。该研究针对从低分辨率流场数据中高效重建高分辨率湍流流动的问题，提出了两种深度学习模型，并对模型在各项同性湍流和湍流通道流中的表现进行了系统评估。

一、 研究背景与目的

在计算流体力学（Computational Fluid Dynamics, CFD）和实验流体力学中，获取高分辨率（High-Resolution, HR）流场数据往往代价高昂且耗时，例如直接数值模拟（Direct Numerical Simulation, DNS）的计算成本随网格细化呈指数增长，而提高粒子图像测速仪（Particle Image Velocimetry, PIV）等实验设备的分辨率也会带来昂贵的额外开销。因此，开发一种能从低分辨率（Low-Resolution, LR）数据中快速生成高分辨率流场的有效方法变得至关重要。得益于湍流数据的丰富性，数据驱动技术为此提供了一条高效途径。

超分辨率（Super-Resolution, SR）重建技术旨在提升成像系统的分辨率。然而，既有的静态深度学习模型（如DSC/MS模型）仅利用单帧低分辨率流场的瞬时空间信息来重建对应的高分辨率流场，即建立从低分辨率到高分辨率的映射。考虑到湍流本质上是一种时空耦合的复杂现象，本研究旨在探索补充时间维度信息是否能进一步提升重建质量。为此，研究团队提出了一种新颖的多时间路径卷积神经网络（Multiple Temporal Paths Convolutional Neural Network, MTPC），该模型以连续多帧的低分辨率数据序列作为输入，同时提取空间和时间信息，以期为超分辨率重建提供更丰富的动态约束，缓解反问题的不适定性（ill-posedness）。

二、 研究方法与实验流程

本研究开发并对比了两个深度学习模型：静态卷积神经网络（Static Convolutional Neural Network, SCNN）和MTPC。研究流程主要包括数据集构建、模型架构设计与训练，以及结果验证与分析。

1. 数据集构建：研究使用了来自约翰斯·霍普金斯湍流数据库（Johns Hopkins Turbulence Databases, JHTDB） 的两个经典湍流算例的DNS数据。其一是强迫各向同性湍流，网格大小为1024³，泰勒尺度雷诺数Reλ约为418，计算域为2π×2π×2π。其二是湍流通道流，摩擦速度雷诺数Reτ约为1.0×10³，网格为2048×512×1536。所有深度学习模型均在三维流场的二维切片上进行训练和测试，选取速度矢量(u, v, w)作为输入量。高分辨率数据通过盒式滤波器（box filter）降采样得到对应的低分辨率数据。训练时，从流场中随机采样尺寸为128×128的像素块，SCNN和MTPC的输入张量形状分别为批次大小×128×128×3和批次大小×128×128×15。模型采用Adam优化器进行权重更新。

2. SCNN模型架构：SCNN模型（d=0的单输入单输出情形）以单帧瞬时低分辨率快照为输入，其架构包括三个连续的用于特征检测的卷积层和一个高效的亚像素卷积层（pixelshuffle）。特征提取在低分辨率空间完成，亚像素卷积层通过周期性洗牌操作将张量从h×w×c×r²形状转换为rh×rw×c，实现高效的上采样，其中r为上采样因子。模型采用L2损失函数进行优化。

3. MTPC模型架构（核心创新）：MTPC模型是本研究的核心创新。它采用多输入单输出结构，输入为一段包含2d+1帧（d=2，即5帧）的低分辨率快照序列。该网络由三条时间路径和一条权重路径组成。

   • 三条时间路径：依据输入帧范围的不同，被命名为后向时间路径（Backward Temporal Path, BTP）、中心时间路径（Central Temporal Path, CTP） 和前向时间路径（Forward Temporal Path, FTP）。其设计理念类似于CFD中的时间差分方法，通过分别观察过去至当前、当前时刻前后、当前至未来的运动范围，提取多样化的时间特征。
   • 特征提取与重建模块：每条时间路径包含一个特征提取模块和一个重建模块。特征提取模块采用卷积层和改进的增强型多尺度残差块（Enhanced Multi-Scale Residual Block, EMSRB） 来检测不同尺度的流动特征。EMSRB通过并行的不同尺寸卷积核提取特征，并利用1×1卷积层调整残差信息，有效避免了特征传输中的消失问题。重建模块则由多个卷积层和用于上采样的pixelshuffle算子组成。
   • 权重路径与融合：权重路径将所有时间路径提取的特征拼接起来，通过重建模块输出逐像素（pixel-level）的权重图。最终的重建结果是由三条路径的预测结果依据其对应的权重图进行逐点加权求和得到。损失函数为最终输出以及三个分支预测结果的L2损失的加权和。

三、 主要研究结果与分析

研究对两个算例的结果从误差量化、物理统计量复现和流场结构可视化等多个维度进行了评估。

1. 强迫各向同性湍流结果：

   • 定量误差：在r=4和r=8的上采样因子下，MTPC模型的L2误差范数（ε）及其标准差均显著低于SCNN模型和双三次插值法（bicubic interpolation）。例如，在r=4时，MTPC的平均误差范数仅为0.0283±0.0004，证明其准确性和稳定性最优。
   • 能谱分析：动能谱（kinetic energy spectra）显示，双三次插值过度平滑，仅能捕捉低频信息。MTPC能比SCNN更准确地复现DNS结果的能谱，覆盖更宽广的惯性子区范围，尤其在r=8时MTPC能完全恢复-5/3律成立的区间（k<60）。
   • 高阶统计量：对于表征间歇性的归一化速度梯度概率密度函数（Probability Density Function, PDF），SCNN在尾部有所低估，而MTPC的预测与DNS结果高度一致。此外，MTPC重建流场的Q–R联合概率密度函数（Q和R分别为速度梯度张量的第二和第三不变量）成功复现了经典的泪滴状分布，即使在r=8时仍保持良好形态，表明MTPC能准确捕捉不同方向和速度分量之间的内在物理关系。

2. 湍流通道流结果：

   • 分区表现：在粘性底层（区域I）、缓冲层（区域II）、对数律区（区域III）和外层（区域IV），所有模型对主流速度u和展向速度w的预测相关系数（correlation coefficient） 均较高，但对壁面法向速度v的预测难度更大。MTPC在所有区域和所有速度分量上的相关系数均为最高，且非常接近1。
   • 统计量复现：在预测雷诺应力（Reynolds stresses） 方面，双三次插值几乎无效，SCNN与DNS数据大致吻合但在峰值处有偏差，而MTPC则能出色地复现所有雷诺应力分量。对平均速度剖面的分析表明，SCNN和MTPC模型均成功捕捉到了粘性底层的线性特性和对数律区的对数定律。
   • 空间结构与能谱：流场轮廓图直观显示了MTPC能重建出与DNS结果非常接近的小尺度结构。在特定壁面距离（y+ = 10.45）的动能谱分析表明，MTPC能修正低频信息的偏差并补充高频内容，但其能谱在高波数区域的下降速度仍快于DNS，说明对小尺度空间结构的精确重建仍有挑战。

四、 结论与价值

本研究开发了两种基于深度学习的超分辨率重建模型，比较后发现，静态模型SCNN已能显著提升空间分辨率，但创新的MTPC模型通过引入时间序列输入和三条时间路径的设计，成功利用了湍流的时空相关性，提取了额外的时间信息，从而在所有评估中均表现最优，更物理地重建了精细的湍流结构。

这项工作不仅在学术上揭示了时空信息融合对解决超分辨率重建不适定性的重要价值，其应用前景也十分广阔。深度学习模型在亚格子（subgrid）尺度流场重建上的成功，有望启发CFD中亚格子模型的开发。同时，超分辨率技术本身也可以作为一种高效的后处理工具，用于对实验和数值模拟数据进行去噪、修正和增广。尽管模型在重建多尺度下极微小的能量结构和各向异性极端区域方面仍然面临挑战，但该研究已为超分辨率技术在流体力学中的广泛应用奠定了坚实基础，证明了深度学习是一种高效、经济的高分辨率流场获取手段。