近期，《Physics of Fluids 》刊登了中国科学院力学研究所何国威研究员科研团队关于利用人工神经网络修正PIV近壁测量结果的研究进展。

　　粒子图像测速（particle image velocimetry，PIV）技术能够得到流场的二维或三维速度分布，是实验流体力学中定量测量复杂流场的重要手段。但是受实验条件和算法本身的限制，PIV具有空间分辨率低、近壁流场测量误差大等缺点，这些缺点限制了PIV在评估湍流耗散率、壁面切应力等方面的应用。特别是在近壁测量中，由于巨大的速度梯度，导致PIV测量数据基本不可用。本研究构建了超分辨率神经网络用于学习湍流特征，并应用于PIV近壁湍流场。该网络能够从低雷诺数湍流数据中预测高雷诺数湍流的近壁特性，从而修正PIV近壁测量结果，提高PIV流场的分辨率（图18）。该工作将机器学习与实验数据处理相结合，能够提高近壁流场测量的精度和分辨率。

　　该论文得到了国家自然科学基金委“非线性力学的多尺度问题研究”基础科学中心(Grants No. 11988102)的支持。

图18. 采用人工神经网络改进PIV近壁流场预测