GotFlow3D:用于粒子追踪中三维流动运动学习的循环图最优传输
流体动力学
2022-11-01 v1 人工智能
摘要
粒子追踪测速(PTV)等流动可视化技术被广泛用于理解自然与工业过程中无处不在的三维(3D)湍流。尽管三维采集技术有所进展,粒子追踪中已发展的运动估计算法仍面临大粒子位移、密集粒子分布和高计算成本的巨大挑战。通过引入一种基于循环图最优传输的新型深度神经网络 GotFlow3D,我们提出了一种端到端解决方案,从双帧粒子集学习三维流体流动运动。所提网络在几何与特征空间中构建两个图,并进一步用从图神经网络学到的融合内在与外在特征丰富原始粒子表示。提取的深度特征随后被用于制定指示粒子对对应关系的的最优传输方案,进而被迭代且自适应地检索以引导循环流学习。实验评估,包括对数值实验的评估和真实世界实验的验证,表明所提 GotFlow3D 相对于近期发展的场景流学习器和粒子追踪算法均取得了最先进的性能,具有令人印象深刻的准确性、鲁棒性和泛化能力,可为广泛物理与生物系统的复杂动力学提供更深入的见解。
引用
@article{arxiv.2210.17012,
title = {GotFlow3D: Recurrent Graph Optimal Transport for Learning 3D Flow Motion in Particle Tracking},
author = {Jiaming Liang and Chao Xu and Shengze Cai},
journal= {arXiv preprint arXiv:2210.17012},
year = {2022}
}