EngineBench：透明燃烧室III光学发动机中的流场重建
流体动力学
2024-06-06 v1 计算机视觉与模式识别
摘要
我们提出了EngineBench，这是第一个使用高质量实验数据研究燃烧机械内部湍流的机器学习（ML）导向数据库。先前用于流体力学中ML的数据集要么是合成的，要么使用过于简单的几何形状。EngineBench由真实世界的粒子图像测速（PIV）数据组成，这些数据捕捉了专门设计的光学发动机中的湍流气流模式。然而，来自内部流动（例如来自发动机）的PIV数据中，通常难以获得完整的视野，并且可能存在大的遮挡。为了设计最佳的燃烧系统，需要了解这些遮挡区域中湍流的洞察，这可以通过修复模型提供。在这里，我们提出了一种使用随机边缘间隙的新颖修复任务，这是一种通过在PIV图像边缘引入随机大小和方向的遮挡来强调真实性的技术。我们使用基于像素、基于向量和多尺度的性能指标，在随机边缘间隙上测试了五种ML方法。我们发现，基于UNet的模型在此任务上，对于小间隙和大间隙尺寸，都比行业标准的非参数方法和上下文编码器更准确。本文中提出的数据集和修复任务支持为发动机设计问题开发更通用的预训练ML模型。方法比较允许在实验流场诊断问题中更明智地选择ML模型。所有数据和代码均可在https://eng.ox.ac.uk/tpsrg/research/enginebench/公开获取。
引用
@article{arxiv.2406.03325,
title = {EngineBench: Flow Reconstruction in the Transparent Combustion Chamber III Optical Engine},
author = {Samuel J. Baker and Michael A. Hobley and Isabel Scherl and Xiaohang Fang and Felix C. P. Leach and Martin H. Davy},
journal= {arXiv preprint arXiv:2406.03325},
year = {2024}
}