单点时间历史恢复壁湍流空间流场:可恢复性、验证与图网络学习方法

壁湍流近壁区大尺度组织、内外区耦合与相干结构的物理基础(时间历史信息来源与可恢复性机制)

合并三份初始分组中"内-外区相互作用模型与大尺度结构条带预测""壁湍流相干结构与时空关联的物理基础""近壁区大尺度结构与时空关联"三组。共同点是不提出重建算法,而是提供回答'单点时间历史能恢复什么、增益来自何种时空关联'的物理依据:对数区单点大尺度信号与内区/近壁特征的标定关系(IOIM/MSO)、跨雷诺数不变性与幅值/尺度调制、涡结构与条带的相干尺度、大尺度组织与内外层调和、粗糙壁模态速度场。它们是判断可恢复尺度与可迁移性的物理标尺;其中部分条目题录信息不足,须在证据表中标注待核实。

测量链条与观测算子:热线空间分辨率/空间平均、TR-PIV传递函数、对流速度选择与高分辨率参考场

合并"壁湍流实验测量基础、热线与TR-PIV的分辨率/传递函数及高分辨率参考场""观测条件与测点布置(测量部分)""热线空间分辨率与对流假设"三组。共同点是刻画输入信号与参考场的物理可信边界:热线探针长度、端部导热与高展向长宽比传感的空间滤波如何畸变脉动方差与谱,TR-PIV激光片厚与有效分辨率的传递函数,Taylor冻结假设中当地/瞬时对流速度选择导致的剪切畸变,以及PIV–DNS对比、多平面同步测量与高分辨率实验场/间接测量时间分辨重建的获取方式。这决定'可恢复范围与尺度受何限制'及真实热线、PIV抽点、DNS抽点三类观测设置的差异。

线性随机估计与谱线性随机估计(LSE/SLSE):少量测点时间信号到条件平均场或模态系数的经典映射

合并"线性随机估计、谱线性随机估计与时空相关/因果信息流分析""线性随机估计、谱线性随机估计与条件采样(LSE/SLSE 本体)""经典线性随机估计(含谱域LSE)"三组中的 LSE/SLSE 主线。共同点是以两点时空相关(互谱、相关张量)为唯一信息来源,用线性/谱域估计核把少量测点(含单点单分量)信号映射到目标位置场或模态系数,并明确给出条件平均化、未解析随机成分与尺度依赖(低阶大尺度可恢复、小尺度仅统计一致)的结论,含涡量到场量的卷积反演、温度-速度耦合、可解释随机估计框架。是主要的方法谱系与基线来源。

条件采样、条件平均相干结构与时空相关信息流分析(含单时刻与谱估计、二次与多方法对比)

由"条件采样与相干结构条件平均""线性随机估计与条件时空相关估计(方法比较部分)"合并而来,与上一组的区别在于:本组的目标是条件平均结构本身(壁面剪应力条件采样、能量传递结构、相干结构随机估计与 LSE 控制应用)以及方法间比较与信息流/因果分析,而非把 LSE 当作全场映射工具。它界定'条件平均流动结构估计'与'瞬时流场重建'的任务边界,说明为何非零时滞相关(对流相关)是时间信息增益的来源,并处理非唯一性与相位同步重建压力场等经典问题。

时间历史、时间延迟嵌入与对流速度:时间维度被显式利用的途径及其窗口与因果性

合并"时间历史、时间延迟嵌入与对流速度"与"POD/DMD模态分解、降阶模型与时间延迟嵌入"中的延迟嵌入理论条目。共同点是显式建模时间:多时间延迟非线性随机估计、基于连续快照差分的延迟嵌入 DMD、Takens 延迟嵌入+流形学习的状态重构与相空间重构/分形维数判据、跨相位时间延迟估计测速、尺度依赖对流速度变异性与猝发过程调制。为回答'时间历史相对单时刻的增益来源''窗口长度与仅用过去观测的因果估计如何影响可恢复性'提供方法学与证据。

稀疏感知、可观测性准则与测点布置:恢复上限与缺失/多视场数据下的低维系数恢复

合并"观测条件与测点布置(设计部分)""稀疏感知、传感器布置与缺失/多视场数据下的模态系数恢复"两组。共同点是聚焦输入配置本身:用谱条件数/敏感性或伴随不确定性图选择测点、贪心算法优化稀疏传感器位置并以线性回归恢复 POD 时间系数以拼接多视场 PIV、面向估计的最优布置准则、以及在 PIV 缺失(互补与非互补)数据下用多尺度自编码器补全并与 gappy-POD 对比。恢复对象多为低维系数或缺失区域,指标为归一化估计误差,可直接支撑测点数量/位置/时间窗口影响的讨论。

POD/DMD/SPOD与降阶模型:模态截断、闭合建模与重构误差(低维状态表示层)

合并"POD/DMD/SPOD降阶模型与低维流形"(模型部分)与"POD/DMD模态分解、降阶模型"(不含延迟嵌入)两组。共同点是以 POD/DMD/SPOD 基与模态系数为中介,讨论模态截断误差、降阶 Galerkin 模型与稀疏回归涡黏闭合、参数化复杂网络降阶、SPOD 辨识尾流/叶轮模态、POD 与 DMD 相干结构对比及三维模态代理预测。是'模态系数或低维状态恢复'任务的表示基础与线性基线,也是判断未解析尺度如何处理的关键。

低维流形学习、隐空间与模态系数恢复、超分辨及神经算子/随机强迫的时空统计刻画

由"POD/DMD/SPOD降阶模型与低维流形、模态系数恢复"与"POD/降阶模态与低维状态恢复"中的学习型降阶条目合并。共同点是'先投影到低维子空间再重建/预测':可观测增广流形学习支持多源(DNS/实验)数据比较与超分辨验证、SuperOB 再正交化、非定常状态的降阶表示、4D-flow MRI 降阶建模、POD+DMD 多模态数据融合超分辨、潜空间维度影响、POD 模态最小二乘的激光雷达风场重建,以及以神经算子刻画随机强迫预测时空统计。兼作第五部分参考场可比性与潜空间容量影响的素材。

N-S线性模型、卡尔曼滤波与resolvent状态估计:由壁面或单层测量恢复壁湍流大尺度结构

合并"N-S线性模型/贝叶斯/同化"(线性滤波部分)与"时间分辨状态估计、卡尔曼滤波与数据同化"(壁湍流部分)。共同点是把重建写成状态估计问题并用观测时间历史:基于 N-S 线性随机模型的卡尔曼滤波从单壁法向位置或壁面剪应力恢复大尺度结构并预测估计器性能、槽道流状态估计、resolvent-based 估计、POD+系统辨识+卡尔曼从标量/稀疏传感器恢复时间分辨场、局部测量反演全场。为'时间历史相对单时刻的增益'提供最优估计理论解释,并可讨论因果性与不确定性。

贝叶斯MAP、变分/非线性数据同化、模态同步与时间一致性约束(含风场4D-Var与超声测速时序)

由"N-S线性模型、贝叶斯MAP、4D-Var与模态同步的状态估计"与"数据同化"中的非滤波条目合并。共同点是以先验/协方差/动力学模型做反问题,把整段观测序列纳入:两点协方差先验下的贝叶斯最大后验全场重建、风电场尾流 4D-Var、Lagrangian 粒子记忆的 FlowFit 时序一致性约束、顺序变分同化中的模态同步与延迟坐标(直接对应'仅用过去观测的因果估计'与窗口长度问题)、多步条件高斯非线性同化跨层传递信息、超声测速时间分辨率提升。

物理约束神经网络(PINN/FVM-PINN)反演框架、稀疏含噪鲁棒性与求解效率(含壁湍流直接相关工作)

合并"物理约束神经网络稀疏含噪数据流场重建的方法与求解效率"与"PINN类流场反演"中的方法学条目。共同点是把 N-S/PDE 残差与稀疏离散监督结合,重点在稀疏度鲁棒性、压力场无测量推断、有限体积/弱形式降低高阶导数开销、域分解与压力基准不确定性、PIV 空间稀疏与测点高频信号的时空互补融合、结构与物理联合重建网络。其中从二维平面测量重建三维可实现壁湍流场(以 LSE 为基线并做物理约束消融)是与本调研最直接相关的核心文献。本组也是区分'物理残差小'与'真实场准确'证据的素材。

PINN在旋转、燃烧、多孔介质、血流与水下等场景的间接/积分观测算子建模与跨领域迁移条件

由"PINN在工业管网、血流与多孔介质等具体场景中的反演实践"与"物理约束反演与PINN重建"中的场景类条目合并。共同点是强调'观测算子'本身的建模:积分式流量计(线积分)约束的 T 型接头压力重建、超声/彩色多普勒低分辨率低信噪比输入的多帧耦合、4D-flow MRI 与 PIV 的血流动力学、RANS 约束的多孔-流体复合流动、旋转爆震与旋流燃烧、光场 PIV 超分辨(含成像退化与可靠性加权)、LDA 稀疏数据连续化、边界形状与速度联合反演、水下航行器与尾迹稀疏数据反演。提供'把单工况 PINN 反演作为教师场/伪标签'的已有实践与向壁湍流迁移的适用条件限制。

时均与统计量级稀疏数据反演、谱推断与统计一致性建模(任务边界及可支持结论)

合并"单点/一维数据的统计量与谱推断、统计一致性建模"与"物理约束反演"中的时均量条目。共同点在于恢复目标不是瞬时场而是统计量/时均量:由一维方向谱代数映射估算三维径向谱、随机强迫线性化 N-S 与凸优化在保持统计一致性前提下补全风电场尾流、从稀疏时均数据改进 URANS 建模与 RANS 闭合量反演、由时间平均速度/压力与温度场重建平均流。用于明确区分'统计量预测'与'瞬时流场重建',避免以统计量吻合充当瞬时场准确的证据。

纯数据驱动网络(CNN/自编码器/Transformer/算子)稀疏观测重建与传感器数量、噪声与部署泛化依赖

合并"CNN、Transformer与算子类监督学习重建"与"深度学习稀疏观测重建"中的非时序、非壁面条目。共同点是直接回归'测量→场'而不嵌入方程残差:最优稀疏传感器布点+CNN、卷积网络处理可压缩湍流、MLP+3D-CNN 由表面压力重建涡结构、CAE+Transformer 时序超分辨、物理偏置傅里叶-小波 Transformer 与算子/谱基线对比、多源约束条件潜扩散与对抗式神经算子、以及以'可部署性'(传感器布置、噪声、分布外泛化、物理一致性核查)为轴的综述性工作。为'学习方法相对经典估计的增益'提供基线谱系,但多为非壁湍流或降采样超分辨任务,需在证据表中区分任务设置。

壁面与单点信号驱动的深度学习重建及时空序列预测(时间分辨恢复、壁面反演缓冲层与湍流边界层预测)

合并"纯数据驱动神经网络与时间序列模型"与"深度学习稀疏观测重建"中的壁面/单点信号条目。共同点是输入为壁面量或单点/单条信号的历史,输出为近壁速度、涡量或未来场:非线性重建条带结构、时空耦合深度网络、跨多雷诺数的 PINN 与 LSTM 时空预测对比、从粗壁面测量深度学习反演湍流场、从壁面大尺度信号重构大尺度结构、光纤分布式传感+深度学习的分类与诊断、壁面信号预测缓冲层速度与聚合物应力。便于检验时间窗口长度、单时刻输入对照与训练数据量的实际贡献。

壁面/多传感器观测驱动的瞬时随机场生成式重建与不确定性量化(条件生成、零样本适应与LSE基线对比)

合并"壁面/多传感器观测驱动的近壁瞬时场随机重建与不确定性量化"与生成式模型条目。共同点把任务定义为'由壁面或少量多传感器观测合成瞬时速度脉动场',强调病态本质:条件流匹配/条件潜扩散的零样本适应不同传感器配置、相对 LSE 与确定性 CNN 在未见实现与稀疏测量下的泛化比较、潜空间生成模型刻画湍流集合、基于物理的多传感器统计最优融合与预测不确定性显式量化。这是与本调研核心问题最贴近、且直接触及'瞬时重建 vs 条件平均'术语辨析的一组。

图神经网络、时空图与图信号压缩:节点/边/观测掩码定义及图结构增益的实证评估

合并"图神经网络与时空图/消息传递流场重建"与"图神经网络、图信号压缩与时空图表达"两组。共同点是显式以图表示流场并做消息传递:可逆 GNN 由翼型表面压力反演全场、图注意力卷积网络在时变几何与极端稀疏输入(特征传播+有效性掩码)下重建并跨实验 PIV 测试、物理约束+流场消息(冲击检测)嵌入边的时空图、非结构网格低分辨率到未解析小尺度超分辨、从稀疏探针重建爆炸场并报告探针数量-误差关系与推理耗时、图小波压缩感知+尺度感知 GNN 与图采样/GNN 自编码器基线对比、以入流短时速度历史解码三维尾迹的注意力 GNN 代理。直接对应'是否已有空间边+时间边联合建模'与'图结构增益是否经消融验证';多面向非壁湍流,迁移条件须说明。

跨领域单点时间序列反演空间场:任务形式化与方法结构参照,不构成流场可恢复性证据

由"跨领域单点时间序列反演空间场"组独立保留。这些工作形式上是'单点/少量观测→空间场',但对象为海洋次表层温度、室内与工程气流等非壁湍流场景;其价值在于提供任务形式化(单点时间序列所编码空间信息量的量化)、网络/插值策略与服务化部署对照。按调研要求必须标注迁移条件,只能作为结构背景,不能直接支撑壁湍流近壁可恢复性结论。

单点时间历史恢复壁湍流空间流场:可恢复性、验证与图网络学习方法

将三份各含52条文献的初始化分组整合为18个并列分组(共156条,去重后无重叠),按"物理与观测前提→经典估计理论→时间信息利用→稀疏感知与降维表示→状态估计与数据同化→物理约束学习→统计量级反演→纯数据驱动学习→生成式与不确定性→图结构表达→跨领域参照"的脉络排列,每一层对应用于回答调研的核心问题。①第一层(G1物理基础、G2测量与参考场)不提供算法,而是界定"可恢复尺度与时间信息从何而来"以及热线空间平均、TR-PIV传递函数、对流速度选择、参考场分辨率等观测上限,是区分真实热线、PIV抽点、DNS抽点、壁面传感器四类设置的前提。②第二层(G3 LSE/SLSE、G4条件采样与条件平均、G5时间历史与延迟嵌入)构成经典估计谱系:G3/G4本质输出条件平均或相干部分、不能给出未解析随机成分,据此可严格区分"条件平均流动结构估计"与"瞬时流场重建";G5单独承担"时间窗口长度、延迟嵌入、仅用过去观测的因果估计"议题。③第三层(G6 POD/DMD/SPOD、G7低维流形与模态系数/超分辨、G8稀疏感知与测点布置)处理降维表示与观测配置,为学习方法提供线性基线,并给出测点数量-位置-误差关系。④第四层(G9卡尔曼/resolvent状态估计、G10贝叶斯MAP/变分同化/模态同步)以最优估计与同化理论解释时间历史相对单时刻的增益,并可直接讨论因果性与不确定性阈值。⑤第五层(G11 PINN方法层含壁湍流直接相关工作、G12 PINN跨场景观测算子建模、G13时均统计量反演)支撑"物理残差小/与观测一致/真实场准确"三类证据的区分,以及PINN作教师场-伪标签的误差传播风险;G13独立存在以划定"统计量预测"与"瞬时场重建"的任务边界。⑥第六层(G14纯数据驱动网络、G15壁面与单点信号驱动重建及序列预测、G16生成式与不确定性量化)是衡量学习方法相对经典估计进展的主要素材,其中G16最贴近"壁面观测→瞬时脉动场"的核心问题并显式对比LSE基线。⑦第七层(G17 GNN/时空图)专门回答节点-边-掩码如何定义、是否联合空间边与时间边、图结构增益是否经消融与多基线验证,同时如实指出其多面向非壁湍流外流。⑧G18独立保留跨领域单点反演工作,仅作方法结构参照。分组刻意避免按"是否先进"排序,而按观测类型×方法范式×可支撑结论的强度划分,便于在报告中逐组比较观测条件、重建对象、可恢复性假设、时间信息的实际贡献(是否与单时刻输入对照、是否控制容量与数据量)、跨工况与跨雷诺数泛化验证,以及各性能数字的原文位置与归一化方式,避免跨任务错误比较。

让 AI 读完这 156 篇文献,进入工作区深入研究
研究方向与代表作共识与分歧研究空白与可做的问题
共 156 篇文献,18 个研究方向
壁湍流近壁区大尺度组织、内外区耦合与相干结构的物理基础(时间历史信息来源与可恢复性机制)

合并三份初始分组中"内-外区相互作用模型与大尺度结构条带预测""壁湍流相干结构与时空关联的物理基础""近壁区大尺度结构与时空关联"三组。共同点是不提出重建算法,而是提供回答'单点时间历史能恢复什么、增益来自何种时空关联'的物理依据:对数区单点大尺度信号与内区/近壁特征的标定关系(IOIM/MSO)、跨雷诺数不变性与幅值/尺度调制、涡结构与条带的相干尺度、大尺度组织与内外层调和、粗糙壁模态速度场。它们是判断可恢复尺度与可迁移性的物理标尺;其中部分条目题录信息不足,须在证据表中标注待核实。相关文献:C. Wark et. al, 1998 等 10 篇文献

测量链条与观测算子:热线空间分辨率/空间平均、TR-PIV传递函数、对流速度选择与高分辨率参考场

合并"壁湍流实验测量基础、热线与TR-PIV的分辨率/传递函数及高分辨率参考场""观测条件与测点布置(测量部分)""热线空间分辨率与对流假设"三组。共同点是刻画输入信号与参考场的物理可信边界:热线探针长度、端部导热与高展向长宽比传感的空间滤波如何畸变脉动方差与谱,TR-PIV激光片厚与有效分辨率的传递函数,Taylor冻结假设中当地/瞬时对流速度选择导致的剪切畸变,以及PIV–DNS对比、多平面同步测量与高分辨率实验场/间接测量时间分辨重建的获取方式。这决定'可恢复范围与尺度受何限制'及真实热线、PIV抽点、DNS抽点三类观测设置的差异。相关文献:P. Manovski et. al, 2025 等 13 篇文献

线性随机估计与谱线性随机估计(LSE/SLSE):少量测点时间信号到条件平均场或模态系数的经典映射

合并"线性随机估计、谱线性随机估计与时空相关/因果信息流分析""线性随机估计、谱线性随机估计与条件采样(LSE/SLSE 本体)""经典线性随机估计(含谱域LSE)"三组中的 LSE/SLSE 主线。共同点是以两点时空相关(互谱、相关张量)为唯一信息来源,用线性/谱域估计核把少量测点(含单点单分量)信号映射到目标位置场或模态系数,并明确给出条件平均化、未解析随机成分与尺度依赖(低阶大尺度可恢复、小尺度仅统计一致)的结论,含涡量到场量的卷积反演、温度-速度耦合、可解释随机估计框架。是主要的方法谱系与基线来源。相关文献:B. Podvin et. al, 2018 等 11 篇文献

条件采样、条件平均相干结构与时空相关信息流分析(含单时刻与谱估计、二次与多方法对比)

由"条件采样与相干结构条件平均""线性随机估计与条件时空相关估计(方法比较部分)"合并而来,与上一组的区别在于:本组的目标是条件平均结构本身(壁面剪应力条件采样、能量传递结构、相干结构随机估计与 LSE 控制应用)以及方法间比较与信息流/因果分析,而非把 LSE 当作全场映射工具。它界定'条件平均流动结构估计'与'瞬时流场重建'的任务边界,说明为何非零时滞相关(对流相关)是时间信息增益的来源,并处理非唯一性与相位同步重建压力场等经典问题。相关文献:Sangjin Ryu et. al, 2021 等 8 篇文献

时间历史、时间延迟嵌入与对流速度:时间维度被显式利用的途径及其窗口与因果性

合并"时间历史、时间延迟嵌入与对流速度"与"POD/DMD模态分解、降阶模型与时间延迟嵌入"中的延迟嵌入理论条目。共同点是显式建模时间:多时间延迟非线性随机估计、基于连续快照差分的延迟嵌入 DMD、Takens 延迟嵌入+流形学习的状态重构与相空间重构/分形维数判据、跨相位时间延迟估计测速、尺度依赖对流速度变异性与猝发过程调制。为回答'时间历史相对单时刻的增益来源''窗口长度与仅用过去观测的因果估计如何影响可恢复性'提供方法学与证据。相关文献:D. Lasagna et. al, 2015 等 8 篇文献

稀疏感知、可观测性准则与测点布置:恢复上限与缺失/多视场数据下的低维系数恢复

合并"观测条件与测点布置(设计部分)""稀疏感知、传感器布置与缺失/多视场数据下的模态系数恢复"两组。共同点是聚焦输入配置本身:用谱条件数/敏感性或伴随不确定性图选择测点、贪心算法优化稀疏传感器位置并以线性回归恢复 POD 时间系数以拼接多视场 PIV、面向估计的最优布置准则、以及在 PIV 缺失(互补与非互补)数据下用多尺度自编码器补全并与 gappy-POD 对比。恢复对象多为低维系数或缺失区域,指标为归一化估计误差,可直接支撑测点数量/位置/时间窗口影响的讨论。相关文献:Jin Mi et. al, 2026 等 7 篇文献

POD/DMD/SPOD与降阶模型:模态截断、闭合建模与重构误差(低维状态表示层)

合并"POD/DMD/SPOD降阶模型与低维流形"(模型部分)与"POD/DMD模态分解、降阶模型"(不含延迟嵌入)两组。共同点是以 POD/DMD/SPOD 基与模态系数为中介,讨论模态截断误差、降阶 Galerkin 模型与稀疏回归涡黏闭合、参数化复杂网络降阶、SPOD 辨识尾流/叶轮模态、POD 与 DMD 相干结构对比及三维模态代理预测。是'模态系数或低维状态恢复'任务的表示基础与线性基线,也是判断未解析尺度如何处理的关键。相关文献:Xiaoyang Zhu et. al, 2023 等 11 篇文献

低维流形学习、隐空间与模态系数恢复、超分辨及神经算子/随机强迫的时空统计刻画

由"POD/DMD/SPOD降阶模型与低维流形、模态系数恢复"与"POD/降阶模态与低维状态恢复"中的学习型降阶条目合并。共同点是'先投影到低维子空间再重建/预测':可观测增广流形学习支持多源(DNS/实验)数据比较与超分辨验证、SuperOB 再正交化、非定常状态的降阶表示、4D-flow MRI 降阶建模、POD+DMD 多模态数据融合超分辨、潜空间维度影响、POD 模态最小二乘的激光雷达风场重建,以及以神经算子刻画随机强迫预测时空统计。兼作第五部分参考场可比性与潜空间容量影响的素材。相关文献:Kai Fukami et. al, 2025 等 9 篇文献

N-S线性模型、卡尔曼滤波与resolvent状态估计:由壁面或单层测量恢复壁湍流大尺度结构

合并"N-S线性模型/贝叶斯/同化"(线性滤波部分)与"时间分辨状态估计、卡尔曼滤波与数据同化"(壁湍流部分)。共同点是把重建写成状态估计问题并用观测时间历史:基于 N-S 线性随机模型的卡尔曼滤波从单壁法向位置或壁面剪应力恢复大尺度结构并预测估计器性能、槽道流状态估计、resolvent-based 估计、POD+系统辨识+卡尔曼从标量/稀疏传感器恢复时间分辨场、局部测量反演全场。为'时间历史相对单时刻的增益'提供最优估计理论解释,并可讨论因果性与不确定性。相关文献:Vikrant Gupta et. al, 2021 等 7 篇文献

贝叶斯MAP、变分/非线性数据同化、模态同步与时间一致性约束(含风场4D-Var与超声测速时序)

由"N-S线性模型、贝叶斯MAP、4D-Var与模态同步的状态估计"与"数据同化"中的非滤波条目合并。共同点是以先验/协方差/动力学模型做反问题,把整段观测序列纳入:两点协方差先验下的贝叶斯最大后验全场重建、风电场尾流 4D-Var、Lagrangian 粒子记忆的 FlowFit 时序一致性约束、顺序变分同化中的模态同步与延迟坐标(直接对应'仅用过去观测的因果估计'与窗口长度问题)、多步条件高斯非线性同化跨层传递信息、超声测速时间分辨率提升。相关文献:P. Bauweraerts et. al, 2020 等 6 篇文献

物理约束神经网络(PINN/FVM-PINN)反演框架、稀疏含噪鲁棒性与求解效率(含壁湍流直接相关工作)

合并"物理约束神经网络稀疏含噪数据流场重建的方法与求解效率"与"PINN类流场反演"中的方法学条目。共同点是把 N-S/PDE 残差与稀疏离散监督结合,重点在稀疏度鲁棒性、压力场无测量推断、有限体积/弱形式降低高阶导数开销、域分解与压力基准不确定性、PIV 空间稀疏与测点高频信号的时空互补融合、结构与物理联合重建网络。其中从二维平面测量重建三维可实现壁湍流场(以 LSE 为基线并做物理约束消融)是与本调研最直接相关的核心文献。本组也是区分'物理残差小'与'真实场准确'证据的素材。相关文献:J. Zhu et. al, 2026 等 10 篇文献

PINN在旋转、燃烧、多孔介质、血流与水下等场景的间接/积分观测算子建模与跨领域迁移条件

由"PINN在工业管网、血流与多孔介质等具体场景中的反演实践"与"物理约束反演与PINN重建"中的场景类条目合并。共同点是强调'观测算子'本身的建模:积分式流量计(线积分)约束的 T 型接头压力重建、超声/彩色多普勒低分辨率低信噪比输入的多帧耦合、4D-flow MRI 与 PIV 的血流动力学、RANS 约束的多孔-流体复合流动、旋转爆震与旋流燃烧、光场 PIV 超分辨(含成像退化与可靠性加权)、LDA 稀疏数据连续化、边界形状与速度联合反演、水下航行器与尾迹稀疏数据反演。提供'把单工况 PINN 反演作为教师场/伪标签'的已有实践与向壁湍流迁移的适用条件限制。相关文献:D. Gomes et. al, 2026 等 16 篇文献

时均与统计量级稀疏数据反演、谱推断与统计一致性建模(任务边界及可支持结论)

合并"单点/一维数据的统计量与谱推断、统计一致性建模"与"物理约束反演"中的时均量条目。共同点在于恢复目标不是瞬时场而是统计量/时均量:由一维方向谱代数映射估算三维径向谱、随机强迫线性化 N-S 与凸优化在保持统计一致性前提下补全风电场尾流、从稀疏时均数据改进 URANS 建模与 RANS 闭合量反演、由时间平均速度/压力与温度场重建平均流。用于明确区分'统计量预测'与'瞬时流场重建',避免以统计量吻合充当瞬时场准确的证据。相关文献:Lukasz Sliwinski et. al, 2023 等 7 篇文献

纯数据驱动网络(CNN/自编码器/Transformer/算子)稀疏观测重建与传感器数量、噪声与部署泛化依赖

合并"CNN、Transformer与算子类监督学习重建"与"深度学习稀疏观测重建"中的非时序、非壁面条目。共同点是直接回归'测量→场'而不嵌入方程残差:最优稀疏传感器布点+CNN、卷积网络处理可压缩湍流、MLP+3D-CNN 由表面压力重建涡结构、CAE+Transformer 时序超分辨、物理偏置傅里叶-小波 Transformer 与算子/谱基线对比、多源约束条件潜扩散与对抗式神经算子、以及以'可部署性'(传感器布置、噪声、分布外泛化、物理一致性核查)为轴的综述性工作。为'学习方法相对经典估计的增益'提供基线谱系,但多为非壁湍流或降采样超分辨任务,需在证据表中区分任务设置。相关文献:D. Gomes et. al, 2024 等 10 篇文献

壁面与单点信号驱动的深度学习重建及时空序列预测(时间分辨恢复、壁面反演缓冲层与湍流边界层预测)

合并"纯数据驱动神经网络与时间序列模型"与"深度学习稀疏观测重建"中的壁面/单点信号条目。共同点是输入为壁面量或单点/单条信号的历史,输出为近壁速度、涡量或未来场:非线性重建条带结构、时空耦合深度网络、跨多雷诺数的 PINN 与 LSTM 时空预测对比、从粗壁面测量深度学习反演湍流场、从壁面大尺度信号重构大尺度结构、光纤分布式传感+深度学习的分类与诊断、壁面信号预测缓冲层速度与聚合物应力。便于检验时间窗口长度、单时刻输入对照与训练数据量的实际贡献。相关文献:A. G. Balasubramanian et. al, 2025 等 8 篇文献

壁面/多传感器观测驱动的瞬时随机场生成式重建与不确定性量化(条件生成、零样本适应与LSE基线对比)

合并"壁面/多传感器观测驱动的近壁瞬时场随机重建与不确定性量化"与生成式模型条目。共同点把任务定义为'由壁面或少量多传感器观测合成瞬时速度脉动场',强调病态本质:条件流匹配/条件潜扩散的零样本适应不同传感器配置、相对 LSE 与确定性 CNN 在未见实现与稀疏测量下的泛化比较、潜空间生成模型刻画湍流集合、基于物理的多传感器统计最优融合与预测不确定性显式量化。这是与本调研核心问题最贴近、且直接触及'瞬时重建 vs 条件平均'术语辨析的一组。相关文献:Xin-Yang Liu et. al, 2026 等 5 篇文献

图神经网络、时空图与图信号压缩:节点/边/观测掩码定义及图结构增益的实证评估

合并"图神经网络与时空图/消息传递流场重建"与"图神经网络、图信号压缩与时空图表达"两组。共同点是显式以图表示流场并做消息传递:可逆 GNN 由翼型表面压力反演全场、图注意力卷积网络在时变几何与极端稀疏输入(特征传播+有效性掩码)下重建并跨实验 PIV 测试、物理约束+流场消息(冲击检测)嵌入边的时空图、非结构网格低分辨率到未解析小尺度超分辨、从稀疏探针重建爆炸场并报告探针数量-误差关系与推理耗时、图小波压缩感知+尺度感知 GNN 与图采样/GNN 自编码器基线对比、以入流短时速度历史解码三维尾迹的注意力 GNN 代理。直接对应'是否已有空间边+时间边联合建模'与'图结构增益是否经消融验证';多面向非壁湍流,迁移条件须说明。相关文献:Gregory Duthé et. al, 2023 等 7 篇文献

跨领域单点时间序列反演空间场:任务形式化与方法结构参照,不构成流场可恢复性证据

由"跨领域单点时间序列反演空间场"组独立保留。这些工作形式上是'单点/少量观测→空间场',但对象为海洋次表层温度、室内与工程气流等非壁湍流场景;其价值在于提供任务形式化(单点时间序列所编码空间信息量的量化)、网络/插值策略与服务化部署对照。按调研要求必须标注迁移条件,只能作为结构背景,不能直接支撑壁湍流近壁可恢复性结论。相关文献:Lu- et. al, 2026 等 3 篇文献