Turbulenz als ein komplexes Phänomen mit mehreren Skalen in Fluidssystemen stellt eine große Herausforderung für das Verständnis der physikalischen Mechanismen in Wissenschaft und Technik dar und bietet gleichzeitig wichtige Chancen. Obwohl hochauflösende Turbulenzdaten für die Vertiefung der theoretischen Forschung und die Förderung ingenieurtechnischer Anwendungen von entscheidender Bedeutung sind, ist ihre Erfassung aufgrund hoher Rechenkosten eingeschränkt. In den letzten Jahren haben Deep-Learning-Methoden ein erhebliches Potenzial bei der Rekonstruktion hochauflösender Strömungsfelder aus spärlichen Messungen gezeigt. Bestehende Methoden weisen jedoch zwei wesentliche Einschränkungen auf: Erstens die übermäßige Abhängigkeit von perfekt gepaarten Trainingsdaten und zweitens die Schwierigkeit, eine mehrskalige Rekonstruktion in einem einheitlichen Rahmen zu realisieren. Um diese Probleme anzugehen, wird in dieser Arbeit ein hash-adaptives, doppelt integriertes implizites Netzwerk – HADF – für die Turbulenzrekonstruktion vorgeschlagen. Die Methode führt einen Konsistenzverlust bei niedriger Auflösung ein, der es dem Modell ermöglicht, auch bei teilweise fehlenden gepaarten Daten stabil zu trainieren, wodurch die Abhängigkeit von vollständig übereinstimmenden Niedrig- und Hochauflösungsdatensätzen entfällt. Gleichzeitig kombiniert HADF hash-adaptives räumliches Codieren mit einem dynamischen Merkmalsfusion-Mechanismus zur effizienten Extraktion von Turbulenzeigenschaften und ermöglicht durch implizite neuronale Repräsentation eine kontinuierliche Rekonstruktion bei beliebiger Auflösung. Experimentelle Ergebnisse zeigen, dass HADF in globaler Rekonstruktionsgenauigkeit und lokaler physikalischer Konsistenz bestehende Spitzmodelle übertrifft. Die Methode kann nach nur einmaligem Training Turbulenzdetails für teilweise nicht gepaarte Daten und multiresolutionale Szenarien präzise rekonstruieren und behält dabei auch unter Rauschbedingungen eine hervorragende Robustheit bei.

Turbulenzrekonstruktion; Deep Learning; ungepaarte Daten; Konsistenzverlust bei niedriger Auflösung; hash-adaptive räumliche Codierung; dynamische Merkmalsfusion; implizite neuronale Repräsentation