基于立体 PIV 与深度光流学习的实时现场空气动力学
流体动力学
2025-01-28 v1
摘要
我们引入了用于立体粒子图像测速的循环全对场变换（RAFT-StereoPIV）。我们的方法利用深度光流学习来分析来自现场测量（特别是来自“火环”）以及风洞测量的时间分辨和双帧粒子图像，以进行实时空气动力学分析。使用包含 Reynolds-Averaged Navier-Stokes (RANS) 和 Direct Numerical Simulation (DNS) 的多保真度数据集来训练我们的模型。RAFT-StereoPIV 在基准数据集上优于所有 PIV SOTA 深度学习模型，在验证数据集 Problem Class 2 上误差降低了 68，在未见测试数据集 Problem Class 1 上误差降低了 47，证明了其鲁棒性和泛化能力。与深度学习 PIV 领域的最新工作相比——后者主要关注方法开发，且应用仅限于 2D 流动情形或简单实验数据——我们将基于深度学习的 PIV 扩展至工业应用和 3D 流场估计。当我们将训练好的网络应用于三维高湍流 PIV 数据时，我们能够获得保持输入图像序列空间分辨率的流场估计。相比之下，传统方法产生的流场分辨率低约 16。我们相信，这项研究使实验流体力学领域更接近于拥有可用于实时流场估计的实验测量系统这一长期目标。
引用
@article{arxiv.2401.09932,
title = {Real-time and On-site Aerodynamics using Stereoscopic PIV and Deep Optical Flow Learning},
author = {Mohamed Elrefaie and Steffen Hüttig and Mariia Gladkova and Timo Gericke and Daniel Cremers and Christian Breitsamter},
journal= {arXiv preprint arXiv:2401.09932},
year = {2025}
}