利用深度学习修复计算流体力学数据
原文中文，约300字，阅读约需1分钟。发表于：。流体数据补全是一项具有潜在利益的研究问题，涉及实验流体力学和计算流体力学。我们通过利用计算机视觉的最新进展和矢量量化技术，通过一个两阶段的学习过程将完整和不完整的流体数据空间映射到离散值的低维表示，以解决流体数据补全问题的挑战。通过在不同遮挡设置下使用 Kolmogorov 流体数据（雷诺数：1000）的实验结果验证，我们的提议模型在点逐点重建准确性以及湍流能谱和涡度分布方面始终优于基准模型。
流体数据补全是一个有潜在利益的研究问题，通过计算机视觉和矢量量化技术解决流体数据补全的挑战。实验证实，提议模型在重建准确性和湍流能谱方面优于基准模型。
