编辑推荐：
在湍流热对流研究中，传统方法受限。研究人员开展 “人工智能测速测温法（AIVT）推断热对流” 研究。结果显示，AIVT 能从 3D 速度数据重建和推断温度、速度场及其梯度。这为理解热湍流提供新途径，推动流体力学研究。
在科学的神秘海洋里，湍流热对流一直是个引人入胜却又充满挑战的领域。想象一下，在地球的深处，炽热的岩浆如同奔腾的巨兽，在巨大的压力和温度差作用下，形成复杂的热对流现象；在浩瀚宇宙中，恒星内部的物质也在进行着热对流，影响着恒星的演化。热对流不仅在自然现象中扮演着关键角色，在工程和技术领域同样不可或缺，比如在能源转换、材料加工等方面都有着重要应用。
然而，想要深入了解热对流的奥秘并非易事。传统的研究方法，像直接数值模拟（DNS），虽然能为我们提供一些信息，但它的计算成本高得惊人，就像驾驶一辆超级耗油的汽车，只能在有限的研究问题、简单的几何形状和适中的雷诺数范围内 “行驶” 。实验方法呢，虽然能直接揭示系统的物理本质，但却存在时空分辨率有限、覆盖范围受限以及测量湍流时特定方法的不确定性等问题。而且，要同时测量温度和速度等不同物理量，更是难上加难，就好比在黑暗中同时抓住两只灵活的兔子。
为了攻克这些难题，来自未知研究机构的研究人员踏上了探索之旅，开展了一项关于人工智能测速测温法（AIVT，Artificial Intelligence Velocimetry-Thermometry）的研究，相关成果发表在《SCIENCE ADVANCES》上。这项研究意义非凡，它就像为热对流研究领域点亮了一盏明灯，为我们理解热湍流提供了全新的视角和方法，有望推动流体力学研究取得重大突破。
研究人员在这项研究中运用了多种关键技术方法。他们结合粒子图像测温（PIT，Particle Image Thermometry）和拉格朗日粒子跟踪（LPT，Lagrangian Particle Tracking）技术获取实验数据，利用热致变色液晶（TLCs）作为示踪粒子，研究了 Rayleigh-Bénard 对流（RBC）。在数据分析阶段，采用了基于物理信息的 Chebyshev Kolmogorov-Arnold 网络（cKANs），并通过优化损失函数，引入残差注意力重采样（RBA-R，Residual-Based Attention with Resampling）和顺序训练等方法，让模型不断学习和优化。
下面让我们来看看具体的研究结果：
- 问题描述：研究人员通过实验获取了约 1000 个快照，每个快照包含约 3000 个拉格朗日速度和温度数据点。在此基础上，他们引入 AIVT 方法，该方法基于物理信息的 cKANs 和人工智能测速（AIV），利用 Navier-Stokes 方程对湍流热对流进行建模。为解决优化过程中的难题，研究人员引入 RBA-R，并提出顺序学习方法，将训练分为四个阶段，逐步让模型学习到更准确的温度和速度场。
- 重建速度：通过对比模型预测和验证数据集的测量数据，发现 AIVT 方法重建速度场的平均相对 L2误差在核心区域（0.1 < y < 0.9），u、v、w 分量分别为 9.6%、10.8% 和 11.9% ，模型参数导致的不确定性小于 0.25%。从 3D 矢量图、流线图和概率密度函数（PDF）等多种分析来看，重建速度与测量速度匹配度很高，AIVT 模型能成功重建难以测量区域的速度。
- 推断温度和对流热传递：AIVT 模型推断温度的平均相对 L2误差为 3.62%，不确定性小于 1%。对比测量和推断的温度波动、对流热传递等数据，发现 AIVT 模型能正确推断出热羽流和温度结构，虽然在某些细节上与测量数据存在差异，但整体结果与理论和其他研究结果相符，并且能推断出热边界层附近的温度。
- 瞬时场的时间序列：AIVT 能够推断出温度波动、涡度、粘性耗散率和热耗散率等需要梯度信息的物理量。通过对这些量的高分辨率快照分析，发现热羽流与高动能和热方差相关，涡度和粘性耗散率在靠近顶板处较高，热耗散主要发生在热边界层。
- 基于梯度的量的统计：研究人员对 AIVT 模型推断的温度和速度梯度相关量进行统计分析，发现涡度分量的 PDFs 分布与大尺度环流（LSC）的旋转方向一致，速度梯度张量的 Q 和 R 不变量的联合 PDF 呈现出典型的形状，这表明推断的速度梯度与理论相符。同时，研究还对比了不同情况下的热耗散率和粘性耗散率的 PDFs，进一步验证了 AIVT 模型的有效性。
在研究结论和讨论部分，研究人员提出的 AIVT 方法展现出强大的能力，它能够从拉格朗日速度测量中准确推断出高分辨率的温度、速度及其梯度场和统计量。通过独特的实验数据和科学机器学习相结合的方式，研究结果与实验数据和文献值吻合良好。这不仅证明了 AIVT 方法的可靠性，还为流体力学研究开辟了新的道路。未来，研究人员计划进一步改进 AIVT 模型，更好地推断高幅值事件，加强测量数据处理与科学机器学习的融合，并将该方法应用到更多领域。这项研究成果就像一颗闪耀的星星，为热对流及相关领域的研究指引了新的方向，让我们对热湍流的理解又向前迈进了一大步。
