无论是基于数值模拟还是物理实验，高精度流场数据的获取数量都极为有限，并且往往伴随着高昂的成本. 现有方法无法通过有限数据重构出更加精细的流场结构，这极大地制约了相关气/水动相关工程问题的设计精度与设计效率. 物理信息驱动型神经网络框架的提出，使得传统数据驱动型神经网络无法处理稀疏的问题在一定程度上得到解决. 文中以物理信息驱动型神经网络框架为基础，发展了基于稀疏数据的流场结构重构方法，通过耦合流场物理信息，利用少量数据训练神经网络并输出全流场数据. 通过分析重构流场的水动力特性与涡脱落特性，揭示了物理信息驱动型神经网络的预测误差机理，讨论了该方法对不同流场结构的预测能力. 结果表明，物理信息驱动型神经网络通过耦合NS方程，仅利用极其有限的流场数据即可实现对全流场的高精度重构，对流场涡结构也能实现较为精准捕捉.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=a184fd71-281d-4fac-9701-000830379aad