基于贝叶斯神经网络并同步不确定性量化的粒子图像测速分析
流体动力学
2021-07-07 v1
摘要
粒子图像测速(PIV)是实验流体力学中从图像提取流场的有效工具。近来,卷积神经网络(CNN)已被用于执行PIV分析,精度可与经典方法媲美。此处我们将CNN的使用扩展至分析PIV数据,同时对推断流场提供同步不确定性量化。本文所用方法为贝叶斯卷积神经网络(BCNN),其通过变分贝叶斯学习CNN权重的分布。我们比较了三种不同BCNN模型的表现。第一个网络仅从图像 interrogation 区域估计流速。第二个模型学习从图像 interrogation 区域与 interrogation 区域互相关图两者推断流速。最后,表现最佳的网络仅从 interrogation 区域互相关图推导流速。我们发现,以 interrogation 区域互相关图为输入的BCNN优于仅以 interrogation 窗口为输入的BCNN,并讨论了可能原因。此外,我们在完整测试图像对上测试了表现最佳的BCNN,显示其95%置信区间可覆盖100%真实粒子位移。最后,我们表明BCNN可推广用于多遍PIV算法,精度有中度损失,这或可由未来微调与训练方案的工作克服。据我们所知,这是首次使用贝叶斯神经网络执行粒子图像测速的尝试。
引用
@article{arxiv.2012.00642,
title = {Particle image velocimetry analysis with simultaneous uncertainty quantification using Bayesian neural networks},
author = {Mia Morrell and Kyle Hickmann and Brandon Wilson},
journal= {arXiv preprint arXiv:2012.00642},
year = {2021}
}