基于变分自编码器的深度学习技术用于填补反应流PIV数据中的缺失区域
流体动力学
2023-12-12 v1 机器学习
摘要
本研究采用一种基于深度学习的条件密度估计技术，即条件变分自编码器（CVAE），来填补燃烧系统中粒子图像测速（PIV）测量中常见的缺失区域。所提出的CVAE技术使用工业相关燃烧器中常见的时间分辨含缺失PIV场进行训练。利用来自具有极高矢量产率的旋流燃烧器的立体PIV（SPIV）数据，展示了所提CVAE技术的准确性。基于三组燃烧器运行工况对应的数据集，给出了在缺失区域重建速度场上评估的各种误差指标。除了精确的数据重现外，所提出的CVAE技术通过降低潜在空间维度实现了数据压缩，从而能够高效处理大规模PIV数据。
引用
@article{arxiv.2312.06461,
title = {Variational Auto-Encoder Based Deep Learning Technique For Filling Gaps in Reacting PIV Data},
author = {Shashank Yellapantula},
journal= {arXiv preprint arXiv:2312.06461},
year = {2023}
}
备注
Submitted to the Proceedings of the Combustion Institute