乱流は流体システムにおける複雑なマルチスケール現象であり、その物理的メカニズムを理解することは科学および工学分野において大きな課題であると同時に重要な機会をもたらす。高解像度乱流データは理論研究の深化と工学的応用の推進に不可欠であるが、その取得は高い計算コストにより制約されている。近年、深層学習手法は疎な測定から高忠実度な流れ場を再構築する上で顕著な潜在能力を示しているが、現行手法には2つの主な制約がある。1つは完全に対応する訓練データに過度に依存していること、もう1つは単一の枠組みで多スケール再構築を実現することが難しい点である。これらの課題に対処するため、本論文では乱流再構築を目的としたハッシュ適応型二重融合暗黙的ネットワークHADFを提案する。本手法は低解像度の一貫性損失を導入し、部分的に対応データが欠損している場合でも安定した訓練を可能とし、完全に一致した低解像度および高解像度データセットへの依存から解放する。同時に、HADFはハッシュ適応空間符号化と動的特徴融合機構を組み合わせて乱流特徴を効率的に抽出し、暗黙的ニューラル表現により任意の解像度での連続的再構築を実現する。実験結果は、HADFが全体的な再構築精度および局所的な物理的一貫性の両面で既存の最先端モデルを上回ることを示している。本手法は一度の訓練で、部分的に対応していないデータおよび多解像度シナリオにおいて正確な乱流詳細再構築を実現し、ノイズが存在する条件下でも優れた頑健性を維持する。

乱流再構築;深層学習;未対応データ;低解像度一貫性損失;ハッシュ適応空間符号化;動的特徴融合;暗黙的ニューラル表現