×
蔡盛泽;王志成;弗雷德里克·福斯特;全英珍;灰色，Callum;乔治·埃姆·卡尼亚达基斯

咖啡杯上的流动：通过物理信息神经网络从断层背景纹影法推断三维速度和压力场。 （英语） Zbl 1461.76417号

J.流体力学。 915，论文编号A102，17 p.（2021）.
摘要：层析背景定向纹影（Tomo-BOS）成像使用多摄像机BOS投影测量三维密度或温度场，对于复杂流体动力学问题的瞬时流动可视化特别有用。我们提出了一种基于物理信息神经网络（PINNs）的新方法，从Tomo-BOS成像获得的三维温度场快照中推断出完整连续的三维速度场和压力场。PINN将观察到的流体流动的基础物理和可视化数据无缝集成，从而能够使用有限的实验数据推断潜在量。在这个隐藏的流体力学范式中，我们通过最小化由数据失配项和与耦合的Navier-Stokes和传热方程相关的剩余项组成的损失函数来训练神经网络。我们首先基于浮标驱动流的二维合成数据集量化了所提方法的准确性，然后将其应用于Tomo-BOS数据集，在这里，我们能够仅根据Tomo-BOS成像提供的温度场推断出浓缩咖啡杯上方流动的瞬时速度和压力场。此外，我们还进行了独立的PIV实验，以验证PINN对中心平面非定常速度场的推断。为了解释观察到的流动物理，我们还对不同雷诺数和理查森数进行了系统的PINN模拟，并量化了速度和压力场的变化。本文的结果表明，所提出的深度学习技术可以成为实验流体力学的一个有前途的方向。

引用于14文件

MSC公司：

76R05型 强迫对流

关键词：

机器学习;计算方法;对流

软件：

亚当
PDF格式BibTeX公司 XML格式引用
\textit{S.Cai}等人，《流体力学杂志》。915，论文编号A102，17页（2021；Zbl 1461.76417）
全文： 内政部 arXiv公司

参考文献：

[1] Atcheson，B.、Heidrich，W.和Ihrke，I.2009面向背景纹影成像的光流算法评估。实验流体46（3），467-476。
[2] Baydin，A.G.、Pearlmutter，B.A.、Radul，A.A.和Siskind，J.M.2017机器学习中的自动差异化：一项调查。J.马赫。学习。第18（1）号决议，5595-5637·Zbl 06982909号
[3] Brunton，S.L.、Noack，B.R.和Koumoutsakos，P.2020流体力学机器学习。每年。《流体力学评论》52，477-508·Zbl 1439.76138号
[4] Bühlmann，P.，Meier，A.H.，Ehrensperger，M.&Rösgen，T.2014火焰背衬前沿中基于激光散斑的背景定向纹影测量。第17届激光技术应用于流体力学国际研讨会，里斯本，第29卷。
[5] Cai，S.，Liang，J.，Gao，Q.，Xu，C.&Wei，R.2019基于深度学习运动估计器的粒子图像测速技术。IEEE传输。仪器。测量69（6），3538-3554。
[6] Crimaldi，J.P.2008水流动中的平面激光诱导荧光。实验流体44（6），851-863。
[7] Duraisamy，K.、Iacarino，G.和Xiao，H.2019数据时代的湍流建模。每年。《流体力学评论》51，357-377·Zbl 1412.76040号
[8] Goldhahn，E.&Seume，J.2007面向背景的纹影技术：灵敏度、准确性、分辨率以及在三维密度场中的应用。实验流体43（2-3），241-249。
[9] Grauer，S.J.、Unterberger，A.、Rittler，A.、Daun，K.J.、Kempf，A.M.和Mohri，K.2018通过背景定向纹影断层成像进行瞬时3D火焰成像。库布斯特。火焰196284-299。
[10] Han，J.，Jentzen，A.和Weinan，E.2018使用深度学习求解高维偏微分方程。程序。美国国家科学院。科学。美国115（34），8505-8510·Zbl 1416.35137号
[11] Jin，X.，Cai，S.，Li，H.&Karniadakis，G.E.2021NSFnets（Navier-Stokes流网）：不可压缩Navier-Stokes方程的物理信息神经网络。J.计算。物理426、109951·Zbl 07510065号
[12] Jin，X.，Laima，S.，Chen，W.-L.&Li，H.2020基于非时间分辨率粒子图像测速测量的递归神经网络对圆柱体周围流场的时间分辨率重建。实验流体61（4），1-23。
[13] Kingma，D.P.&Ba，J.2014亚当：随机优化方法。arXiv:1412.6980。
[14] Lecun，Y.、Bengio，Y.和Hinton，G.2015深度学习。《自然》521（7553），436-444。
[15] Nicolas，F.、Donjat，D.、Plyer，A.、Champagnat，F.和Le Besnaris，G.、Micheli，F.，Cornic，P.、Le Sant，Y.和Deluc，J.M.2017 ONERA F2研究风洞中同向射流的三维背景纹影实验研究。测量。科学。Technol.28（8），085302。
[16] Nicolas，F.、Todoroff，V.、Plyer，A.、Le Besnaris，G.、Donjat，D.、Micheli，F.，Champagnat，F.和Cornic，P.&Le Sant，Y.2016从背景定向纹影（BOS）测量重建瞬时3D密度场的直接方法。实验流体57（1），13。
[17] Pan，B.2018表面变形测量的数字图像相关性：历史发展、最新进展和未来目标。测量。科学。技术29（8），2001年8月。
[18] Rabault，J.、Kolaas，J.和Jensen，A.2017使用人工神经网络执行粒子图像测速：概念验证。测量。科学。技术28（12），125301。
[19] Raffel，M.2015背景导向纹影（BOS）技术。实验流体56（3），60。
[20] Raffel，M.、Hernandez-Rivera，R.、Heine，B.、Schröder，A.和Mulleners，K.2011密度标记测速法。实验性流感51（2），573-578。
[21] Raffel，M.，Richard，H.&Meier，G.E.A.2000关于背景定向光学层析成像在大规模空气动力学研究中的适用性。实验流体28（5），477-481。
[22] Raffel，M.、Willert，C.E.、Scarano，F.、Kähler，C.J.、Wereley，S.T.和Kompenhans，J.2018《粒子图像测速：实用指南》。斯普林格。
[23] Raissi，M.，Perdikaris，P.&Karniadakis，G.E.2019《基于物理的神经网络：用于解决涉及非线性偏微分方程的正反问题的深度学习框架》。J.计算。物理378、686-707·Zbl 1415.68175号
[24] Raissi，M.、Yazdani，A.和Karniadakis，G.E.2020隐藏的流体力学：从流动可视化中学习速度和压力场。《科学》367（6481），1026-1030·Zbl 1478.76057号
[25] Rajendran，L.K.，Bane，S.P.M.&Vlachos，P.P.2019面向背景纹影（BOS）的点跟踪方法。实验流体60（11），162。
[26] Richard，H.&Raffel，M.2001面向背景的纹影（BOS）方法的原理和应用。测量。科学。Technol.12（9），1576。
[27] Sirignano，J.&Spiliopoulos，K.2018DGM：解偏微分方程的深度学习算法。J.计算。《物理学》3751339-1364·Zbl 1416.65394号
[28] Sun，L.、Gao，H.、Pan，S.和Wang，J.-X.2020基于物理约束的深度学习的流体流动代理建模，无需模拟数据。计算。方法。申请。机械。工程361112732·Zbl 1442.76096号
[29] Tokgoz，S.、Geisler，R.、Van Bokhoven，L.J.A.和Wieneke，B.2012使用背景定向纹影和PIV方法测量流体层中的温度和速度。测量。科学。技术23（11），115302。
[30] Venkatakrishnan，L.&Meier，G.E.A.2004使用面向背景的纹影技术进行密度测量。实验流体37（2），237-247。
[31] Wang，Z.，Gao，Q.，Wang，C.，Wei，R.&Wang，J.2016基于PIV的压力重建压力梯度和正交路径积分的旋转校正。实验流体57（6），104。
[32] Yang，L.，Meng，X.和Karniadakis，G.E.2021B-PINNs:带噪声数据的正向和反向PDE问题的贝叶斯物理信息神经网络。J.计算。物理425、109913·Zbl 07508507号
[33] Zhang，J.，Bhattacharya，S.&Vlachos，P.P.2020使用不确定性改进PIV/PTV流量测量的压力场重建。实验流体61（6），131。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。