تُعتبر الاضطرابات ظاهرة متعددة المقاييس ومعقدة في أنظمة الموائع، وفهم آلياتها الفيزيائية يمثل تحديًا كبيرًا في مجالات العلوم والهندسة، كما يفتح فرصًا مهمة. على الرغم من أن بيانات الاضطراب عالية الدقة ذات أهمية أساسية لتعميق البحوث النظرية ودفع التطبيقات الهندسية، إلا أن الحصول عليها محدود بسبب التكلفة الحسابية العالية. في السنوات الأخيرة، أظهرت طرق التعلم العميق إمكانات واضحة في إعادة بناء حقول تدفق عالية الدقة من قياسات متفرقة، ومع ذلك، تواجه الطرق الحالية تحديين رئيسيين: الأول هو الاعتماد المفرط على بيانات تدريب متطابقة تمامًا، والثاني هو الصعوبة في تحقيق إعادة بناء متعددة المقاييس ضمن إطار موحد. لمواجهة هذه القضايا، تقترح هذه الورقة شبكة ضمنية مزدوجة الاندماج وقابلة للتكيف مع التشفير المئوي تحت اسم HADF الموجهة لإعادة بناء الاضطراب. إدخال خسارة التناسق منخفضة الدقة يمكّن النموذج من التدريب المستقر في ظل نقص بعض بيانات المطابقة، متحررًا من الاعتماد على مجموعات بيانات منخفضة وعالية الدقة متطابقة تمامًا. في الوقت نفسه، تجمع HADF بين التشفير المئوي التكيفي المكاني وميكانيزم الاندماج الديناميكي للميزات لاستخراج خصائص الاضطراب بكفاءة، وتحقق إعادة بناء مستمرة بدقة أي دقة من خلال تمثيل عصبي ضمني. تظهر النتائج التجريبية أن HADF يتفوق على النماذج المتقدمة الحالية في دقة إعادة البناء الشاملة والتوافق الفيزيائي المحلي. يمكن لهذه الطريقة، بعد تدريب مرة واحدة فقط، إعادة بناء تفاصيل الاضطراب بدقة لبيانات جزئية غير مطابقة وسيناريوهات متعددة الدقة، مع الحفاظ على متانة ممتازة حتى في وجود الضوضاء.

إعادة بناء الاضطراب;التعلم العميق;بيانات غير مطابقة;خسارة التناسق منخفضة الدقة;التشفير المئوي التكيفي المكاني;اندماج الميزات الديناميكي;تمثيل عصبي ضمني