摘要
目前，许多层流-湍流流动区域定位技术仍严重依赖专家干预，尽管准确识别流动分布是评估航空器机翼与稳定器设计效率的前提条件。尽管近期已有研究尝试实现层流-湍流流动的自动定位，但相关方法尚处于初期阶段，在噪声环境下的鲁棒性仍不足。本研究旨在探讨当前深度学习技术是否具备分离不同流动区域的能力。为此，提出一种由两个连续编码器-解码器组成的流动分割架构，命名为自适应注意力蝴蝶网络（Adaptive Attention Butterfly Network）。与文献中现有自动流动定位方法多依赖于均匀且干净数据不同，本文所提出方法的自动流动分割能力在多种热成像观测数据集的混合样本上进行了评估，这些数据集在不同噪声水平下采集。为进一步提升所提架构的鲁棒性，引入了一种自监督学习策略，利用23,468组未标注的层流-湍流流动观测数据进行训练。