La turbulence, en tant que phénomène complexe multi-échelle dans les systèmes fluides, représente un défi majeur pour la compréhension de ses mécanismes physiques dans les domaines scientifique et ingénierie, tout en offrant des opportunités importantes. Bien que les données de turbulence à haute résolution soient essentielles pour approfondir la recherche théorique et promouvoir les applications en ingénierie, leur acquisition est limitée par le coût de calcul élevé. Ces dernières années, les méthodes d’apprentissage profond ont montré un potentiel significatif dans la reconstruction de champs de flux haute fidélité à partir de mesures éparses. Cependant, les méthodes existantes présentent deux principales limites : une dépendance excessive aux données d’entraînement parfaitement appariées et une difficulté à réaliser une reconstruction multi-échelle dans un cadre unifié. Pour répondre à ces problématiques, cet article propose un réseau implicite double fusion adaptatif par hachage, HADF, destiné à la reconstruction de la turbulence. Cette méthode introduit une perte de cohérence basse résolution qui permet un entraînement stable même en présence de données appariées partiellement manquantes, libérant ainsi la dépendance aux jeux de données parfaitement appariés à basse et haute résolution. Par ailleurs, HADF combine un codage spatial adaptatif par hachage avec un mécanisme de fusion dynamique des caractéristiques pour extraire efficacement les caractéristiques de la turbulence et réalise une reconstruction continue à toute résolution via une représentation neuronale implicite. Les résultats expérimentaux montrent que HADF surpasse les modèles de pointe existants en précision globale de reconstruction et en cohérence physique locale. Cette méthode permet de reconstruire avec précision les détails de la turbulence pour des données partiellement non appariées et des scénarios multi-résolution après un unique entraînement, tout en maintenant une robustesse remarquable en présence de bruit.

reconstruction de la turbulence; apprentissage profond; données non appariées; perte de cohérence basse résolution; codage spatial adaptatif par hachage; fusion dynamique des caractéristiques; représentation neuronale implicite