提出了条件神经场潜空间扩散(CoNFiLD)模型，用于生成高保真率的时空湍流。 提出了条件神经场潜空间扩散(CoNFiLD)模型，用于生成高保真率的时空湍流。 能够处理不规则网格和复杂几何形状，具备任意点查询能力，无需数据重构或网格对齐 能够处理不规则网格和复杂几何形状，具备任意点查询能力，无需数据重构或网格对齐 支持多条件下的“零样本”生成，无需针对每个新任务进行单独训练，可直接应用于稀疏传感、数据恢复和超分辨率等场景。 支持多条件下的“零样本”生成，无需针对每个新任务进行单独训练，可直接应用于稀疏传感、数据恢复和超分辨率等场景。 传统湍流模拟方法计算量大，难以应用于高雷诺数或实时场景，而基于深度学习的替代模型难以捕捉湍流的混沌和随机性。因此，本文提出了一种条件神经场潜在扩散（CoNFiLD）模型，旨在复杂三维域中高效、高保真地随机生成时空湍流，为流体动力学数字孪生技术的发展铺平道路。

本文首先利用条件神经场（CNF，基于FiLM调制的SIREN网络）对高维时空湍流数据进行自回归式编码，将各时刻的流场映射为压缩的潜在向量序列，从而将大规模复杂流场降维为紧凑表征。然后，在该潜空间中引入概率扩散过程：通过逐步添加高斯噪声获得正向扩散轨迹，并借助神经网络学习逆扩散（去噪）过程，从高斯噪声采样出新的潜在流场特征。最后，将生成的潜在向量输入已训练的CNF解码器，恢复成全场高分辨率的时空流场。模型训练分为两步：首先训练CNF进行高效降维和编码，然后训练扩散模型在潜空间学习概率分布。 结果表明，CoNFiLD模型能够在多个典型湍流场景中高效生成高保真、多样、统计一致的时空流场，并在实际数值实验中取得了显著的数据表现。例如，在二维不规则管道湍流中，CoNFiLD生成样本的时均速度与DNS数据均值的平均误差仅为0.041（约4%），标准差的平均空间误差仅为0.0294（约占基准数据8.4%），有效捕捉了原始湍流的统计特征。在三维壁面粗糙湍流中，CoNFiLD所生流场的时间平均速度和扰动强度与DNS吻合良好，流场主流结构的统计特性被准确再现，且生成样本能覆盖不同流动统计区域。此外，CoNFiLD在传感器稀疏率仅0.1%或0.17%的极低观测条件下，实现了湍流流场的高质量重建，极大地缩小了与真实数据之间的误差区间，并通过超分辨率任务在最低分辨率仍可还原完整的高分辨率流场，生成数据的湍动能谱与DNS高度一致，而传统插值法无法恢复高频信息。在计算效率方面，CoNFiLD相比传统的OpenFOAM CFD求解器加速达1737倍，并显著降低了内存占用，实现了长时序大规模流场的高效生成。 本文提出了CoNFiLD模型，实现了复杂三维湍流的高效、概率性时空生成，显著提升了生成速度（相较OpenFOAM提升1737倍）和内存效率，支持零样本条件流场重建、恢复及超分辨率，结果与DNS高度一致，具有重要理论创新和工程应用价值。 图1 条件神经场潜在扩散（CoNFiLD）模型流程图。(a)模型架构：基于FiLM的条件神经场（CNF）用于将动态流动序列编码到潜在空间，其中潜在向量的底层分布通过学习反向扩散（去噪）过程被隐式捕捉。(b)零样本生成：无条件或基于特定条件（如稀疏传感器数据）合成任意长度的新时空流场，无需重新训练。 图2 三维通道流入口湍流的超分辨率重建。(a)DNS的瞬时速度等值线。(b)CoNFiLD生成的超分辨率结果，对比了条件低分辨率输入与SR等值线。(c)TKE谱在DNS（蓝色点）、CoNFiLD结果（红色实线）和双三次插值基线（红色虚线）之间的比较。 图3 模型计算评估。(a)在CPU上运行的OpenFOAM与在GPU上运行的Diff-FLowFSI、视频扩散模型40以及CoNFiLD（本文方法）之间的推理时间成本对比，红色和蓝色区域分别表示动态生成和解码的计算成本。(b)无条件生成时，使用CNF编码器（红线）与不使用CNF编码器（灰线）的GPU内存成本对比。(c)在基于稀疏采样的条件生成中，隐式解码策略（如POD、CNN，灰色条表示）与显式解码策略（本文方法，红色条表示）的GPU内存成本对比。 UrbanWaterGroup 返回搜狐，查看更多