Турбулентность как сложное много масштабное явление в системах жидкостей представляет собой значительную научную и инженерную задачу для понимания ее физических механизмов, а также открывает важные возможности. Хотя данные высокоразрешающей турбулентности имеют ключевое значение для углубления теоретических исследований и продвижения инженерных приложений, их получение ограничено высокими вычислительными затратами. В последние годы методы глубокого обучения продемонстрировали значительный потенциал в восстановлении высокоточных полей потоков из разреженных измерений, однако существующие методы имеют две основные ограничения: чрезмерная зависимость от идеально парных обучающих данных и сложность реализации много масштабного восстановления в единой архитектуре. Для решения указанных проблем в данной работе предложена хеш-адаптивная двойная интеграционная неявная сеть HADF для реконструкции турбулентности. Метод вводит потерю согласованности низкого разрешения, что позволяет модели стабильно обучаться при частично отсутствующих парных данных, избавляясь от зависимости от полностью совпадающих наборов данных низкого и высокого разрешения. Одновременно HADF сочетает в себе хеш-адаптивное пространственное кодирование и динамический механизм интеграции признаков для эффективного извлечения турбулентных характеристик и обеспечивает непрерывное восстановление с произвольным разрешением через неявное нейронное представление. Экспериментальные результаты показывают, что HADF превосходит современные передовые модели как по глобальной точности реконструкции, так и по локальной физической согласованности. Метод способен точно восстанавливать детали турбулентности для частично неподходящих данных и многоразрешающих сценариев после однократного обучения, при этом сохраняя отличную устойчивость в условиях шума.

реконструкция турбулентности;глубокое обучение;неподходящие данные;потеря согласованности низкого разрешения;хеш-адаптивное пространственное кодирование;динамическое слияние признаков;неявное нейронное представление