基于端到端 KNN 的 PTV 方法用于高分辨率测量与不确定性量化
流体动力学
2022-09-07 v3
摘要
我们引入一种新颖的端到端方法来提升 PIV 测量的分辨率。该方法基于不同快照间流场区域相似性，无需时间分辨测量即可融合不同快照的信息。主要假设是：在足够大的统计独立快照集合中，识别形态相似但发生于不同时刻的流场结构是可实现的。因此可将来自不同快照、具有相似流场组织的实测单矢量合并，从而实现人为增加的粒子浓度。这允许细化 interrogation 区域并进而提高空间分辨率。测量域被划分为子域。相似性仅在局部尺度上强制，即在对应于同一流场区域的子域间搜寻形态相似区域。局部相似快照的识别基于在显著流特征空间中的无监督 K 近邻搜索。此类特征通过 Proper Orthogonal Decomposition 定义，该分解在子域上对原始低分辨率数据执行，原始数据由标准互相关或相对较大 bin 尺寸的粒子追踪测速（PTV）数据分箱获得。随后根据识别出的“足够接近”的快照数量选择细化 bin 尺寸。bin 内速度矢量的统计离散度用于估计不确定性并选取使其最小的最优 K。该方法在复杂度渐进增加的数据集上测试与验证：基于流体弹球尾流与槽道流直接模拟的两个虚拟实验，以及湍流边界层中收集的实验数据。
引用
@article{arxiv.2205.02766,
title = {An end-to-end KNN-based PTV approach for high-resolution measurements and uncertainty quantification},
author = {Iacopo Tirelli and Andrea Ianiro and Stefano Discetti},
journal= {arXiv preprint arXiv:2205.02766},
year = {2022}
}