物理信息 CNN 建模涡轮机械 PIV 数据中重建精度与物理有效性的权衡
流体动力学
2024-08-01 v3
摘要
粒子图像测速 (PIV) 数据是流体力学中的宝贵资产。它能够在复杂的物理场景中可视化流动结构，例如离心风机转子出口的流动。机器学习也是 PIV 的成功伴侣，可用于提高数据分辨率或填补实验空白。虽然经典算法仅专注于使用统计指标复制数据，但物理信息神经网络 (PINN) 的应用有助于数据重建和遵守控制方程。本研究利用卷积物理信息自编码器在不连续的区域内重现平面 PIV 场，同时满足质量守恒方程。它提出了一种新颖的方法，为了符合物理限制而牺牲实验数据的重建。同时，旨在确保重建误差不显著偏离测试数据的不确定度范围。采用湍流尺度近似来设定损失函数中物理项和非物理项的相对权重，以确保实现这两个目标。所有步骤最初都在一组 DNS 数据上进行评估，以展示网络的通用能力。最后，对 PIV 数据的检查表明，所提出的 PINN 自编码器可以将质量守恒残差和速度统计量的重建精度分别提高约 28% 和 29%，代价是重建误差高于 PIV 测试数据不确定度范围的向量数量增加了最多 5%。
引用
@article{arxiv.2403.00183,
title = {Trade-off between reconstruction accuracy and physical validity in modeling turbomachinery PIV data by Physics-Informed CNN},
author = {Maryam Soltani and Ghasem Akbari and Nader Montazerin},
journal= {arXiv preprint arXiv:2403.00183},
year = {2024}
}
备注
33 Pages; 13 Figures; 3 Tables