物理感知增强隐式神经表示结合多模态特征融合用于复杂流场的零样本超分辨率

《Aerospace》：Physics-Aware Enhanced Implicit Neural Representation with Multimodal Feature Fusion for Zero-Shot Super-Resolution of Complex Flow Fields

　　

摘要

本研究针对经典隐式神经表示（INRs）在复杂气动流场超分辨率重建中对于激波和边界层等关键区域表征不足的问题，提出了一种融合多模态特征的物理感知增强隐式神经表示（PA-INR）框架。本研究所指多模态特征包括数据驱动的深层流特征和物理派生特征，后者涵盖压力梯度、速度散度以及涡量。该方法从局部插值和特征表示两方面对基础INR进行了改进。具体而言，设计了一个激波感知权重校正模块，通过结合局部特征与几何信息生成校正后的权重，从而减少激波两侧不同物理状态之间的错误融合。此外，一个梯度信息特征扩展模块将数据驱动特征与物理派生特征进行融合，以增强模型对高梯度区域的表征能力。实验结果表明，在本研究所使用的数据集和评价指标下，PA-INR在整体重建误差和激波位置误差方面均优于对比方法。这些结果表明，所提出的多模态特征融合策略能够提升复杂流场超分辨率任务中的重建精度，并增强激波区域和高梯度区域细节的恢复效果。