基于颜色编码眩光点与深度学习的液滴撞击动力学时空重建
流体动力学
2023-10-25 v1
摘要
本工作提出了一种深度学习方法，用于基于通过光学测量技术获得的单目图像，对两相流中气液界面的时空动力学进行三维重建。液滴撞击结构化固体基底的动力学通过高速成像在扩展阴影成像装置中捕获，来自侧向光源的附加反射眩光点在图像中编码了气液界面的进一步三维信息。在基于直接数值模拟获得的气液界面形状通过合成图像渲染生成的标记数据集上，学习了一个用于物理正确重建液滴动力学的神经网络。采用合成图像渲染可高效生成训练数据，并避免因实验与模拟间液滴形状固有差异而引入误差。基于实验中获得的图像对液滴撞击过程中气液界面的准确重建，证明了所提出的基于神经网络与合成训练数据生成方法实用性。实验中引入来自侧向光源的眩光点被证明可提高重建精度，这表明神经网络学会了利用图像中编码的附加三维信息进行更准确的深度估计。此外，对未知气液界面形状的物理合理重建表明，神经网络在学习过程中掌握了液滴撞击所涉及两相流现象的通用模型。
引用
@article{arxiv.2310.16009,
title = {Spatio-temporal reconstruction of drop impact dynamics by means of color-coded glare points and deep learning},
author = {Maximilian Dreisbach and Jochen Kriegseis and Alexander Stroh},
journal= {arXiv preprint arXiv:2310.16009},
year = {2023}
}