La turbulencia, como un fenómeno complejo y multiescala en sistemas de fluidos, representa un gran desafío para comprender sus mecanismos físicos en los campos científicos e ingenieriles, pero también ofrece importantes oportunidades. Aunque los datos de turbulencia de alta resolución son clave para profundizar la investigación teórica y promover aplicaciones de ingeniería, su obtención está limitada por los altos costos computacionales. En los últimos años, los métodos de aprendizaje profundo han mostrado un potencial significativo para reconstruir campos de flujo de alta fidelidad a partir de mediciones dispersas. Sin embargo, los métodos existentes enfrentan dos limitaciones principales: una dependencia excesiva de datos de entrenamiento perfectamente emparejados y la dificultad para realizar reconstrucciones multiescala dentro de un marco unificado. Para abordar estos problemas, este trabajo propone una red implícita de doble fusión adaptativa de hash, HADF, orientada a la reconstrucción de turbulencia. Este método introduce una pérdida de consistencia de baja resolución, que permite un entrenamiento estable incluso cuando faltan algunos datos emparejados, liberándose de la dependencia de conjuntos de datos perfectamente coincidentes de baja y alta resolución. Al mismo tiempo, HADF combina codificación espacial adaptativa de hash con un mecanismo dinámico de fusión de características para extraer eficientemente las características de la turbulencia y lograr reconstrucción continua a cualquier resolución mediante una representación neuronal implícita. Los resultados experimentales muestran que HADF supera a los modelos avanzados existentes en precisión global de reconstrucción y coherencia física local. El método puede reconstruir con precisión detalles de turbulencia para datos parcialmente no emparejados y escenarios multirresolución después de un único entrenamiento, manteniendo una excelente robustez bajo condiciones de ruido.

reconstrucción de turbulencia; aprendizaje profundo; datos no emparejados; pérdida de consistencia de baja resolución; codificación espacial adaptativa de hash; fusión dinámica de características; representación neuronal implícita