卷积神经网络与PIV在真实均匀流域当中的运用

粒子图像测速法(Particle Image Velocimetry,PIV)是一种在实验室中被广泛使用、用于测量流体速度场的无接触式实验技术。从粒子图像对中提取位移矢量信息是PIV的关键技术,传统的方法通常采用互相关算法来对粒子对的(像素)位移进行估计。随着深度学习在图像处理方面的广泛应用,并且深度学习与PIV在图像处理技术方面的高度契合,已有部分研究者将卷积神经网络与PIV技术结合,能够对圆柱绕流以及发动机喷流的粒子图像对进行预测,估计出精确的流体速度矢量场。相比传统方法,基于卷积神经网络的PIV技术能够在不损失速度场估计精度的前提下,显著提高计算效率。在本文中,我们基于卷积神经网络,提出了一种用于流体速度场估计的监督式学习的框架。该框架可以以极高的计算效率,精确估计NACA0012大攻角下的翼型绕流。卷积神经网络需要大量的训练数据去提高其性能。为此,我们模拟了真实的流场,对粒子的强度、直径、密度以及噪点的分布等参数选取了合适的范围,生成了高精度的仿真粒子图像以及流场数据集,用于训练卷积神经网络。该神经网络的输入为粒子图像对,输出为包含了每个像素位移矢量的速度场。据我们所知,这是第一次卷积神经网络被用于基于PIV图像的大攻角翼型绕流速度场估计。我们用风洞试验数据对训练好的卷积神经网络进行了验证,实验结果表明,卷积神经网络可以以远高于传统方法的计算效率,对NACA0012大攻角下的翼型绕流速度场进行估计,取得精度良好的结果。这将大大降低了我们计算翼型绕流速度场的时间成本,在未来,甚至存在对翼型绕流速度场进行实时监测的可能性。同时,我们在训练数据集加上了高斯噪声,使得该卷积神经网络对噪声的干扰具有良好的鲁棒性,增强了流场预测的泛化能力。