基于流场的特征及用于 PIV 数据机器学习重建的验证度量
流体动力学
2021-11-02 v1 机器学习
摘要
通过面向物理的方法从真实稀疏数据重建流场是 AI 领域中流体科学家当前面临的挑战。该问题包括特征识别以及实现将数据链接到物理特征空间以产生重建数据的 AI 算法。本文应用机器学习方法，研究不同基于流场的特征在涡轮机械 PIV 测量缺失数据重建中的贡献，并结合实际流体力学应用。支持向量回归（SVR）和多层感知机（MLP）被选为两种能够对非线性流体流动现象建模的鲁棒回归器。所提出的基于流场的特征经过最优缩放和滤波以提取最佳配置。除对回归器进行传统的基于数据的验证外，本文还提出了一种反映质量守恒律的度量，作为物理流场复现的重要要求。对于包含 25% 簇状缺失数据的速度场，SVR 在平面内速度矢量方面取得的 R2-score 重建精度高达 0.993，而 MLP 最高为 0.981。在质量守恒度量方面，R2-score 高达 0.96 的 SVR 模型明显比 MLP 估计器更准确。对于间隙度达 75% 的极稀疏数据，SVR 和 MLP 的矢量图与等高线图均与原流场一致。
引用
@article{arxiv.2105.13429,
title = {Flow based features and validation metric for machine learning reconstruction of PIV data},
author = {Ghasem Akbari and Nader Montazerin},
journal= {arXiv preprint arXiv:2105.13429},
year = {2021}
}
备注
31 pages, 11 figures