留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于卷积神经网络的近壁流动高分辨率平均速度场预测方法

王少飞 潘翀 齐中阳

王少飞,潘翀,齐中阳. 基于卷积神经网络的近壁流动高分辨率平均速度场预测方法[J]. 实验流体力学,2022,36(3):110-117 doi: 10.11729/syltlx20210142
引用本文: 王少飞,潘翀,齐中阳. 基于卷积神经网络的近壁流动高分辨率平均速度场预测方法[J]. 实验流体力学,2022,36(3):110-117 doi: 10.11729/syltlx20210142
WANG S F,PAN C,QI Z Y. A high-resolution velocity field predicted method in near wall boundary layer by CNN[J]. Journal of Experiments in Fluid Mechanics, 2022,36(3):110-117. doi: 10.11729/syltlx20210142
Citation: WANG S F,PAN C,QI Z Y. A high-resolution velocity field predicted method in near wall boundary layer by CNN[J]. Journal of Experiments in Fluid Mechanics, 2022,36(3):110-117. doi: 10.11729/syltlx20210142

基于卷积神经网络的近壁流动高分辨率平均速度场预测方法

doi: 10.11729/syltlx20210142
基金项目: 国家自然科学基金(91952302, 12002022)
详细信息
    作者简介:

    王少飞:(1990—),男,浙江宁波人,博士后。研究方向: 先进流动测试技术及数据分析。 通信地址:浙江省宁波市北仑区梅山岛北京航空航天大学宁波创新研究院先进飞行器与空天动力中心(315100)。E-mail:seuwangshaofei@126.com

    通讯作者:

    E-mail:panchong@buaa.edu.cn

  • 中图分类号: O357.5

A high-resolution velocity field predicted method in near wall boundary layer by CNN

  • 摘要: 本文设计并验证了基于卷积神经网络的边界层近壁流动高分辨率平均速度场预测方法:首先采用示踪粒子图像对数据集训练卷积神经网络,通过调整神经网络参数可以预测示踪粒子在数据集上的平均跨帧位移;然后使用该卷积神经网络预测像素空间中各像素位置的单粒子位移,得到高分辨率的平均速度场信息。将该方法用于预测湍流脉动较小的边界层近壁区的平均流动,能够将空间分辨率提高到单像素精度。误差分析发现,该方法获得的测速精度略优于传统单像素系综平均互相关算法,且对粒子浓度和示踪粒子图像对数目的要求明显低于后者。
  • 图  1  基于CNN–PTV的平均速度场预测流程

    Figure  1.  The ensemble velocity field predicted process by CNN–PTV

    图  2  CNN结构示意图

    Figure  2.  Schematic view of complete network architecture

    图  3  人工合成虚拟粒子图像对及速度示意

    Figure  3.  One snapshot of synthetic particle image in a steady near-wall flow field

    图  4  不同配置神经网络训练过程中的损失曲线

    Figure  4.  Loss curves in various cases

    图  5  神经网络预测粒子图及与真实粒子图对比

    Figure  5.  Comparation of predicted particles with real ones

    图  6  神经网络预测高分辨率速度场云图

    Figure  6.  Contour plot of high-resolution predicted velocity field in Case 6−8 compared with real ones

    图  7  速度场预测绝对误差

    Figure  7.  The absolute error of predicted velocity in image coordinate system

    图  8  壁面法向和水平方向平均速度曲线及其绝对误差分布

    Figure  8.  Mean velocity profile in wall coordinate system and the absolute errors in two dimensions

    图  9  粒子浓度对训练损失及速度场预测误差的影响

    Figure  9.  Dependence of loss and velocity field prediction error on particle density

    图  10  训练样本数对训练损失及速度场预测误差的影响

    Figure  10.  Dependence of loss and velocity field prediction error on sample size

    表  1  所测试CNN的不同配置参数及损失

    Table  1.   The parameters set in various tested cases

    工况
    (Cases)
    可训练参数
    (Trainable parameters)
    批大小
    (Batch size)
    学习率衰减
    (Learning rate decay)
    卷积核大小
    (Conv kernel size)
    最大卷积深度
    (Deepset channel)
    损失
    (Loss)
    Case 1256727481×10–23,3,3,2,2,2512215
    Case 2256727481×10–23,3,3,2,2,3512115
    Case 3256727481×10–23,3,3,2,2,3512100
    Case 4256727481×10–23,3,3,2,2,3512103
    Case 5498019085×10–33,3,3,2,2,551270
    Case 6901665981×10–27,7,5,5,3,351261
    Case 7901665985×10–37,7,5,5,3,451263
    Case 82592746385×10–39,7,7,5,5,3,2102442
    Case 925927464165×10–39,7,7,5,5,3,3102445
    Case 1025927464245×10–39,7,7,5,5,3,3102443
    下载: 导出CSV

    表  2  人工合成虚拟粒子图像对的参数设置

    Table  2.   List of particle image parameters

    参数物理意义数值
    X×Y 图像尺寸64 像素×128 像素
    dp 平均粒子直径4 像素
    σdp 粒子直径标准差20%
    ρp 粒子浓度,32 像素×32 像素窗口内粒子数12.8
    N 粒子图像对总数2000
    Zl 激光片光厚度1 mm
    ΔZp 粒子在z方向的位移0.2 mm
    σnoise CCD高斯噪声5%
    下载: 导出CSV
  • [1] WINTER K G. An outline of the techniques available for the measurement of skin friction in turbulent boundary layers[J]. Progress in Aerospace Sciences,1979,18:1-57. doi: 10.1016/0376-0421(77)90002-1
    [2] 赵荣娟,吕治国,黄军,等. 基于压电敏感元件的摩阻天平设计[J]. 空气动力学学报,2018,36(4):555-560.

    ZHAO R J,LYU Z G,HUANG J,et al. Design of skin friction balance based on piezoelectric ceramics[J]. Acta Aerodynamica Sinica,2018,36(4):555-560.
    [3] NGUYEN C V,WELLS J C. Direct measurement of fluid velocity gradients at a wall by PIV image processing with stereo reconstruction[J]. Journal of Visualization,2006,9(2):199-208. doi: 10.1007/BF03181763
    [4] WILLERT C E. High-speed particle image velocimetry for the efficient measurement of turbulence statistics[J]. Experiments in Fluids,2015,56(1):1-17. doi: 10.1007/s00348-014-1892-4
    [5] 申俊琦,王建杰,潘翀. 平板湍流边界层瞬时摩擦阻力的光学测量和统计分析[J]. 气体物理,2020,5(5):13-23.

    SHEN J Q,WANG J J,PAN C. Optical measurement and statistical analysis of instantaneous wall-shear stress in a turbulent boundary layer[J]. Physics of Gases,2020,5(5):13-23.
    [6] SHEN J Q,PAN C,WANG J J. Accurate measurement of wall skin friction by single-pixel ensemble correlation[J]. Science China Physics, Mechanics & Astronomy,2014,57(7):1352-1362. doi: 10.1007/s11433-014-5462-9
    [7] NIE M Y,PAN C,WANG J J,et al. A hybrid 3D particle matching algorithm based on ant colony optimization[J]. Experiments in Fluids,2021,62(4):1-17. doi: 10.1007/s00348-021-03160-4
    [8] DOSOVITSKIY A, FISCHER P, ILG E, et al. FlowNet: learning optical flow with convolutional networks[C]//Proc of the 2015 IEEE International Conference on Computer Vision. 2015: 2758-2766. doi: 10.1109/ICCV.2015.316
    [9] ILG E, MAYER N, SAIKIA T, et al. FlowNet 2.0: evolution of optical flow estimation with deep networks[C]//Proc of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. 2017: 1647-1655. doi: 10.1109/CVPR.2017.179
    [10] CAI S Z,ZHOU S C,XU C,et al. Dense motion estimation of particle images via a convolutional neural network[J]. Experiments in Fluids,2019,60(4):1-16. doi: 10.1007/s00348-019-2717-2
    [11] LAGEMANN C,LAGEMANN K,MUKHERJEE S,et al. Deep recurrent optical flow learning for particle image velocimetry data[J]. Nature Machine Intelligence,2021,3(7):641-651. doi: 10.1038/s42256-021-00369-0
    [12] LECORDIER B, WESTERWEEL J. The EUROPIV synthetic image generator (S. I. G.)[C]//Proc of Proceedings of the Particle Image Velocimetry: Recent Improvements. 2004.
    [13] WANG L W,PAN C,LIU J H,et al. Ratio-cut background removal method and its application in near-wall PTV measurement of a turbulent boundary layer[J]. Measurement Science and Technology,2021,32(2):025302. doi: 10.1088/1361-6501/abb483
  • 加载中
图(10) / 表(2)
计量
  • 文章访问数:  1409
  • HTML全文浏览量:  173
  • PDF下载量:  67
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-11-16
  • 修回日期:  2022-03-07
  • 录用日期:  2022-03-11
  • 网络出版日期:  2022-07-04
  • 刊出日期:  2022-07-04

目录

    /

    返回文章
    返回

    重要公告

    www.syltlx.com是《实验流体力学》期刊唯一官方网站,其他皆为仿冒。请注意识别。

    《实验流体力学》期刊不收取任何费用。如有组织或个人以我刊名义向作者、读者收取费用,皆为假冒。

    相关真实信息均印刷于《实验流体力学》纸刊。如有任何疑问,请先行致电编辑部咨询并确认,以避免损失。编辑部电话0816-2463376,2463374,2463373。

    请广大读者、作者相互转告,广为宣传!

    感谢大家对《实验流体力学》的支持与厚爱,欢迎继续关注我刊!


    《实验流体力学》编辑部

    2021年8月13日