FlowReconBench：基于稀疏传感器的学习型与经典流场重建方法的精度、校准性和成本

arXiv:2611.06912v1 公告类型：交叉发布 摘要：利用稀疏传感器重建完整流场，需要对未测量区域和物理变量作出先验假设。然而，学习型模型何时优于经典估计方法，以及其预测的哪些方面值得信赖，仍不明确。FlowReconBench 在三种流动情形下评估了十种学习型方法和五种经典方法：不同雷诺数下的层流圆柱尾流、二维 Kolmogorov 湍流，以及大规模三维（3D）各向同性湍流。各方法采用相同的防数据泄漏划分和传感器抽样，并从各通道误差、集合离散度、校准性、频谱和成本等方面进行评分。每种流动情形下的领先方法均不相同。经典方法在低阶和密集传感条件下表现强劲。在圆柱尾流中，线性随机估计和缺测本征正交分解表现领先，对未观测压力的重建也不例外。在三维情形下，反距离加权在已观测通道上的表现可媲美最佳学习型方法。当传感器密度降低或传感器可观测性较差时，数据驱动方法开始占据优势。在 Kolmogorov 流中，连续排序概率评分与误差给出的方法排名不同：生成式模型提供的集合更宽，但离散度仍不足，而确定性模型则优先降低逐点误差。生成式模型通过采样预算来平衡这一权衡，更大的预算可提高集合质量，但计算成本也更高。在三维情形下，扩展性测试表明，可查询方法的内存占用保持稳定，而全网格构建方法则会耗尽内存。仅观测四个场中的两个，会使问题在运动学上约束不足，但潜在模型仍能复现与真实值相似的结构。