A turbulência, como um fenômeno complexo multiescala em sistemas fluidos, representa um grande desafio para compreender seus mecanismos físicos nos campos científico e de engenharia, ao mesmo tempo em que oferece importantes oportunidades. Embora os dados de turbulência de alta resolução sejam fundamentais para aprofundar a pesquisa teórica e impulsionar as aplicações de engenharia, sua obtenção é limitada pelos altos custos computacionais. Nos últimos anos, métodos de aprendizado profundo demonstraram potencial significativo na reconstrução de campos de fluxo de alta fidelidade a partir de medições esparsas. No entanto, os métodos existentes apresentam duas grandes limitações: uma dependência excessiva de dados de treinamento perfeitamente pareados e a dificuldade de realizar reconstruções multiescala em um único framework. Para abordar esses problemas, este artigo propõe uma rede implícita de dupla fusão adaptativa por hash – HADF – voltada para a reconstrução de turbulência. O método introduz uma perda de consistência de baixa resolução, permitindo que o modelo treine de forma estável mesmo na ausência parcial de dados pareados, eliminando a dependência de conjuntos de dados de baixa e alta resolução perfeitamente combinados. Simultaneamente, o HADF combina codificação espacial adaptativa por hash com um mecanismo dinâmico de fusão de características para extrair eficientemente as características da turbulência e realizar reconstrução contínua em qualquer resolução por meio de uma representação neural implícita. Os resultados experimentais mostram que o HADF supera os modelos avançados existentes em precisão global de reconstrução e consistência física local. O método pode reconstruir detalhes de turbulência com precisão para dados parcialmente não pareados e cenários de múltiplas resoluções após um único treinamento, mantendo excelente robustez mesmo em condições de ruído.

reconstrução de turbulência; aprendizado profundo; dados não pareados; perda de consistência de baixa resolução; codificação espacial adaptativa por hash; fusão dinâmica de características; representação neural implícita