利用机器学习从OH-PLIF图像构建速度场
流体动力学
2019-10-01 v1 计算机视觉与模式识别
图像与视频处理
摘要
本工作利用数据驱动方法，将一系列时间分辨的实验OH-PLIF图像变形为预混旋流燃烧器封闭域内对应的三分量平面PIV场。该任务通过一个全卷积网络完成，这是一种用于机器学习许多应用中的卷积神经网络（CNN），并结合了由附着与脱火火焰状态下同步OH-PLIF与PIV测量组成的现有实验数据集。比较了两类模型：1）使用整个域图像训练的全局CNN；2）仅对域中各个局部区域训练的一组局部CNN。局部训练的模型在脱火状态下创建映射方面较全局模型有所改进。对附着与脱火状态下模型性能的比较表明，CNN在生成附着火焰速度场方面整体准确得多。在PLIF输入中加入时间历史带来了平均上微小但可察觉的改进，这可能意味着从CNN视角看，解码过程中瞬时空间相关性的物理作用大于时间依赖性。此外，将在域中某一区域训练以生成映射的局部模型测试于其他未探索区域。有趣的是，局部CNN在未见域区域上的表现揭示了模型利用速度场中对称与反对称的能力。最终，本工作展示了CNN从输入OH-PLIF图像解码三维PIV场的强大能力，为在难以获取同步测量形式的实验配置中提供一种非常有用工具的潜在基础。
引用
@article{arxiv.1909.13669,
title = {Using machine learning to construct velocity fields from OH-PLIF images},
author = {Shivam Barwey and Malik Hassanaly and Venkat Raman and Adam Steinberg},
journal= {arXiv preprint arXiv:1909.13669},
year = {2019}
}