使用傅里叶特征的深度学习用于从稀疏传感器测量中回归重建流场

为什么“猜风”很重要

想象一下，当只能放置少量传感器时，试图理解空气如何绕过飞机翼、风力涡轮机，甚至城市街区流动。工程师经常面临这个问题：对流场做完整模拟或密集测量代价高昂，但关于安全、效率和气候的决策通常依赖于对整体情况的了解。本文提出了 FLRNet，一种深度学习方法，它只需少量读数便能推断出整个流场，在广泛的流动条件下比现有技术更准确、更稳健。

从少量读数到完整图景

在典型的流动实验或模拟中，底层流体场在时空上包含数百万个值，而传感器可能只记录几十个数值。将“少”映射到“多”的直接反演在数学上是病态的：许多不同的流动状态可能产生相同的稀疏读数。早期方法要么每次数据到来时都求解新的优化问题，要么训练的机器学习模型只适用于狭窄的条件范围，并且常常产生过于平滑、模糊的重建。作者重新构造了任务：不是直接从传感器数据跳到完整流场，而是先学习一种紧凑的内部描述——一种“流动指纹”，然后再学习传感器如何与该指纹相关联。

教网络在流动中“做梦”

为了构建这种指纹，FLRNet 使用变分自编码器（VAE），这是一类将复杂数据压缩到低维潜在空间然后重建的神经网络。编码器把详细的流场快照转换为短小的数值代码；解码器学会将该代码扩展回完整的流场。关键在于，作者用两种从现代图像处理借来的策略增强了这个 VAE。首先，他们引入源自空间坐标的傅里叶特征，帮助网络表示细小的高频结构，例如标准网络往往会抹掉的锋利涡旋。其次，他们加入了“感知损失”项，不仅逐像素比较流场，而是通过预训练视觉网络提取的特征进行比对，促使重建保留视觉上和物理上重要的模式。

细心倾听稀疏传感器

一旦学会了这种紧凑的流动语言，第二个网络便学习如何将传感器读数翻译为潜在代码。这里作者采用了一种基于注意力的设计，类似于现代语言模型中使用的机制。传感器测量被嵌入并通过一系列注意力模块，这些模块使网络能够权衡在特定流动状态下哪些传感器最重要。全局注意力池化步骤将所有传感器信息蒸馏为单一向量，然后映射到解码器可以解释的潜在变量。在实际使用中，仅需该传感器网络和解码器，因而 FLRNet 能快速将新测量转换为完整的流场重建。

把方法付诸考验

为评估 FLRNet，作者选择了经典基准：长方形通道中绕圆柱的空气流动。通过将雷诺数在 10 到 10,000 的宽范围内变化，他们生成了从稳态、平滑模式到非稳态涡旋脱落乃至完全混沌尾流的流动情形。然后他们在不同布局下放置 8、16 或 32 个虚拟传感器——在域内随机分布、集中在圆柱周围或靠近外壁——并让 FLRNet 及若干替代方法重建完整速度场。与多层感知器和基于适当正交分解（POD）的方法相比，FLRNet 一直获得更低的误差、更清晰的结构以及更好地保留涡旋图案，尤其是在复杂的高雷诺数流动和传感器极为稀疏时。

更锐利的细节、更少的噪声、更逼真的结果

除了简单的误差评分，作者还探查了每种方法如何在空间尺度上分布其错误。利用傅里叶分析，他们展示了传统模型往往丢失高频内容，平滑掉小尺度特征。得益于傅里叶特征和感知损失，FLRNet 恢复了更多细尺度能量，同时保持总体误差低。当向传感器读数加入人工噪声时，它也表现得更为稳健：即使噪声水平上升，FLRNet 的重建降级也更为平缓。重要的是，它的性能在所有测试的流动情形中都保持强健，而不是仅针对某一特定雷诺数进行调优。

通俗化的意义

这项研究表明，通过先学习流动行为的紧凑内部表示，然后再学习传感器如何映射到该表示，可以仅凭极少量测量重建出丰富、细致的流场。FLRNet 的设计使其能够捕捉宽尺度结构与小尺度涡流、处理噪声数据并在非常不同的流动条件下泛化。对于工程师和科学家而言，这意味着在仪器有限的情况下能够更快、更可靠地获得流场估计，潜在应用涵盖航空航天与能源系统、环境监测以及材料研究等领域。

引用: Nguyen, P.C.H., Choi, J.B. & Luu, QT. Deep learning with fourier features for regressive flow field reconstruction from sparse sensor measurements. Sci Rep 16, 5980 (2026). https://doi.org/10.1038/s41598-026-36301-y

关键词: 流场重建, 深度学习, 流体动力学, 稀疏传感器, 傅里叶特征