| 卷积神经网络预测PIV近壁流场 |
| 王洪平; 王士召; 何国威
|
会议录名称 | 第十一届全国流体力学学术会议论文摘要集
|
| 2020-12-03
|
页码 | 940
|
会议名称 | 第十一届全国流体力学学术会议
|
会议日期 | 2020-12-03
|
会议地点 | 中国广东深圳
|
摘要 | 由于空间分辨率和实验条件的限制,粒子图像测速技术(PIV)无法准确测量湍流边界层近壁流场。本文利用卷积神经网络(convolutional neural network,CNN)增强PIV速度场的空间分辨率和预测近壁无法测量的流场。为了训练和验证该网络,我们根据雷诺数Re_τ=1000和5200的槽道湍流直接数值模拟(DNS)数据模拟生成了大量PIV速度场,并分别作为该网络的训练集和测试集。经过训练,该网络能够输出高分辨率的流场。本文从瞬时流场、误差、湍流统计量、能谱等方面分析了该网络的性能,并同时讨论了与PIV实验相关的查询窗大小、图像放大率和粒子浓度对预测结果的影响。最后,该网络被用于处理真实的雷诺数Re_τ=2000的湍流边界层实验数据。所有结果表明本文所用的深度神经网络能够准确地提高PIV速度场的空间分辨率和预测近壁区无法测量的流场。进一步,通过神经网络,我们可以利用低雷诺数湍流数据预测高雷诺湍流的统计特性,甚至构建实验和数值模拟的超分辨率模型。 |
关键词 | PIV
预测
超分辨率
机器学习
神经网络
|
资助信息 | 国家自然科学基金委基础科学研究中心项目“非线性力学的多尺度问题研究”(11988102);; 国家自然科学基金项目(11702302)
|
语种 | 中文
|
文献类型 | 会议论文
|
条目标识符 | http://dspace.imech.ac.cn/handle/311007/85604
|
专题 | 非线性力学国家重点实验室
|
作者单位 | 中国科学院力学研究所
|
推荐引用方式 GB/T 7714 |
王洪平,王士召,何国威. 卷积神经网络预测PIV近壁流场[C]第十一届全国流体力学学术会议论文摘要集,2020:940.
|
文件名:
|
Cp2020012.pdf
|
格式:
|
Adobe PDF
|
此文件暂不支持浏览
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论