利用机器学习对残缺粒子图像进行实验速度场估计
流体动力学
2021-09-09 v2
摘要
我们提出一种利用监督机器学习从因实验限制而存在缺失区域的粒子图像中估计速度场的方法。作为首个示例，考虑了雷诺数 下方柱体周围的速度场。为训练机器学习模型，我们利用人工粒子图像（APIs）作为输入数据，其模拟了粒子图像测速（PIV）的图像。输出数据为速度场，其正确答案由直接数值模拟（DNS）给出。我们考察两类输入数据：无缺失区域的人工粒子图像（即完整 APIs）与有缺失区域的人工粒子图像（残缺 APIs）。残缺 APIs 中的缺失区域假定遵循我们风洞装置中的确切实验情形。由完整与残缺 APIs 估计的速度场在各种统计评估上与参考 DNS 数据高度一致。我们进一步将这些由 DNS 数据训练的机器学习模型应用于实验粒子图像，以考察其对确切实验情形的适用性。由机器学习模型估计的速度场所含数据约为传统互相关方法的 40 倍稠密。该发现表明，我们或许能获得传统互相关方法无法分辨的更精细及隐藏的流场结构。我们还发现，即便因两个方柱的排列使复杂流动结构被隐藏，机器学习模型仍能在缺失区域合理地估计该场。本结果表明所提基于机器学习的方法作为 PIV 新数据重建方法的巨大潜力。
引用
@article{arxiv.2005.00756,
title = {Experimental velocity data estimation for imperfect particle images using machine learning},
author = {Masaki Morimoto and Kai Fukami and Koji Fukagata},
journal= {arXiv preprint arXiv:2005.00756},
year = {2021}
}
备注
41 pages, 23 figures