
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于涡度-速度物理特性的神经网络,用于对欠采样速度测量数据进行时空超分辨率处理
《Journal of Fluid Mechanics》:Vorticity–velocity physics-informed neural networks for spatio-temporal super-resolution of sub-sampled velocity measurements
【字体: 大 中 小 】 时间:2026年04月25日 来源:Journal of Fluid Mechanics 3.9
编辑推荐:
粒子图像测速(PIV)数据超分辨率重建中,传统方法因依赖未测量的压力场导致约束不足。本研究提出基于涡量传输方程的VVPINN方法,通过消除压力项直接约束速度场及其导数,在层流多圆柱尾迹、二维泰勒-格林涡旋和双圆柱实验中验证,VVPINN显著降低涡量和剪切误差约10%-30%,压力梯度误差更小,时空谱分析显示物理更合理。

速度测量技术(如粒子图像测速法(PIV))在视场、空间分辨率和采样率之间存在权衡,因此小尺度涡旋、剪切层和高频湍流运动常常无法得到充分解析。大多数基于物理信息的重建方法使用速度-压力公式,尽管在典型的PIV实验中并未测量压力,因此纳维-斯托克斯约束仅得到弱化执行。我们通过提出一种基于涡度的速度-物理信息网络(VVPINN)来解决这个问题,在该网络中消除了压力的影响,并通过涡度传输方程强制执行不可压缩性,从而直接约束速度场及其导数。然后,我们将这种公式与传统的速度-压力PIN(VPPINN)进行比较,以评估其在三种情况下对平面PIV数据的时空超分辨率效果:层流多圆柱尾流、二维泰勒-格林涡旋和实验性的双圆柱尾流。在泰勒-格林涡旋案例中,尽管两种方法的架构和训练策略相同,VVPINN产生的速度误差更小,涡度和剪切的
$L_2$误差减少了大约
$10\,\%$,压力梯度误差在中等超分辨率因子下最多减少了大约
$30\,\%$,并且生成的瞬时场具有更符合物理实际的涡度、剪切和细小尺度压力梯度模式。频谱分析显示,时间能量谱能够被准确恢复,而波数谱(尤其是在奈奎斯特波数之外)则更难以匹配,因为训练数据强烈约束了采样位置的时间历程,但只能间接反映最小的空间尺度。总体而言,结果表明,基于涡度的约束为亚采样PIV数据的物理一致性超分辨率提供了比传统速度-压力公式更有效的方法。