×
刘，杨;鲁、宇通;王乐清;孙栋;邓，梁;王芳;雷燕

基于CNN的流动可视化冲击检测方法。 （英语） Zbl 1411.76125号

计算。流体 184，1-9（2019）。
摘要：激波检测作为流动可视化的主要技术之一，在特征识别中起着关键作用，受到了广泛的研究。然而，现有的方法执行时间过长，无法满足大规模计算流体动力学（CFD）流场数据的后处理要求。为了解决这个问题，本文提出了一种基于卷积神经网络（CNN）的冲击波检测方法，并设计了一种新的损失函数来优化检测结果。具体来说，该方法从流场数据中抽取小块数据，并训练包含多个卷积层的检测网络。该网络负责生成冲击值并找到冲击波的位置。与现有的非深度学习的冲击检测方法相比，我们的方法在检测时间上具有很大的优势。与基于深度学习的方法相比，我们的方法对冲击波的检测效果更好。大量实验结果表明，该方法在多个数据集上具有良好的泛化能力。

引用于5文件

MSC公司：

76米27 可视化算法在流体力学问题中的应用
76升05 流体力学中的冲击波和爆炸波

关键词：

流动可视化;冲击检测;CFD流场

软件：

达奇;更快的R-CNN;SENSEI公司;亚当
PDF格式BibTeX公司 XML格式引用
\textit{Y.Liu}等人，计算。流体184，1-9（2019；Zbl 1411.76125）
全文： 内政部

参考文献：

[1] 林，J。；阮，X。；陈，B。；Wang，J。；周，J。；任安，《流体力学》（2005年第二版），清华大学出版社
[2] 吴，Z。；Xu，Y。；Wang，W。；Hu，R.，《CFD后处理中的冲击波检测方法综述》，中国航空航天，26，3，501-513（2013）
[3] Anderson，J.J.，《空气动力学基础》。第三版（2001），McGraw-Hill公司：纽约McGraw-Hill公司
[4] 山崎，W。；松岛，K。；Nakahashi，K.，tascode非结构化网格CFD求解器中的阻力预测、分解和可视化，国际J数值方法流体，57，4，417-436（2010）·Zbl 1206.76037号
[5] Bertin，J.J。；Cummings，R.M.，《高超音速飞行五十年：我们已经到了哪里，我们要去哪里》，Prog Aerosp Sci，39，6，511-536（2003）
[6] Liou，S.P。；辛格，A。；Mehlig，S。；爱德华兹。；Davis，R.，基于图像分析的CFD冲击识别方法（2013），Birkhuser
[7] 马，K.-L。；Van Rosendale，J。；Vermeer，W.，《非结构化网格上的三维冲击波可视化》，《1996年体积可视化研讨会论文集》，87-ff.（1996），IEEE出版社：美国新泽西州皮斯卡塔韦IEEE出版社
[8] 邮政，F.H。；弗罗利jk，B。；豪泽，H。；拉拉梅，R.S。；Doleisch，H.，流可视化的最新技术：特征提取和跟踪，计算图论坛，22，4，775-792（2003）
[9] Sun，R.H。；黄，Y。；海涛，D.，流场特征可视化，J Eng Graph，47-52（2001）
[10] Pagendarm，H.G。；塞茨，B。；Choudhry，S.I.，高超声速CFD解决方案中冲击波的可视化（1995），施普林格-柏林-海德堡
[11] 可爱，D。；Haimes，R.，计算流体动力学结果的冲击检测（1999），AIAA论文99-3285 doi:10.2514/6.1999-3285
[12] 卡纳莫里，M。；铃木，K.，基于CFD结果特征理论的冲击波检测，AIAA计算流体动力学会议，2126-2132（2011）
[13] 阿亚奇特，美国。；Bauer，A。；杜克，E。；艾森豪尔，G。；费里尔，N。；Gu，J.，性能分析、设计考虑和极端规模原位基础设施的应用，高性能计算、网络、存储和分析国际会议论文集，921-932（2016）
[14] Bengio，Y.，《学习人工智能的深层架构》，Found Trend Mach Learn，2，1，1-127（2009）·Zbl 1192.68503号
[15] Schmidhuber，J.，《神经网络中的深度学习：概述》，神经网络，61，85-117（2015）
[16] 郭，X。；李伟（Li，W.）。；Iorio，F.，用于稳流近似的卷积神经网络，《22Nd ACM SIGKDD国际知识发现和数据挖掘会议论文集》，481-490（2016），ACM:美国纽约州纽约市ACM
[17] Ling，J。；Kurzawski，A。；Templeton，J.，使用嵌入不变性的深度神经网络进行雷诺平均湍流建模，《流体力学杂志》，807155-166（2016）·Zbl 1383.76175号
[18] 蒙福特，M。；卢西亚尼，T。；Komperda，J。；齐巴特，B。；马沙耶克，F。；Marai，G.E.，识别湍流燃烧张量场中激波位置的深度学习方法，各向异性建模、分析和可视化，375-392（2017）
[19] Lee，S。；You，D.，使用深度学习预测圆柱体上的层流涡流脱落（2017），arXiv:1712.07854
[20] 刘，Y。；Wang，Y。；邓，L。；Wang，F。；刘，F。；Lu，Y.，基于生成对抗网络的CFD数据原位压缩新方法，J Visualizat，22，1，95-108（2019）
[21] 卢根萨特，R。；孙，M。；Fablet，R。；Tandeo，P。；梅森，E。；Chen，G.，Eddynet：海洋涡旋像素级分类的深度神经网络，IGARSS 2018-18 IEEE国际地球科学和遥感研讨会，1764-1767（2018），IEEE
[22] Girshick，R。；多纳休，J。；Darrell，T。；Malik，J.，《精确目标检测和语义分割的丰富特征层次》，IEEE计算机视觉和模式识别会议论文集，580-587（2014）
[23] 任，S。；He，K。；Girshick，R。；Sun，J.，《更快的R-CNN：利用区域提议网络实现实时目标检测》，《神经信息处理系统的进展》，91-99（2015）
[24] 斯特罗夫，C.M。；吴杰。；Xiao，H。；Paterson，E.，流体流场数据驱动、基于物理的特征提取（2018），arXiv:180200775
[25] Franz，K。；罗斯彻，R。；Milioto，A。；Wenzel，S。；Kusche，J.，《使用神经网络识别和跟踪海洋涡流》（2018），arXiv:1803.07436
[26] 卢卡斯，B.D。；Kanade，T.，《立体视觉应用的迭代图像配准技术》，国际人工智能联合会议，674-679（1981），爱思唯尔
[27] Bin，T。；Yi，L.，基于CNN的流场特征可视化方法，Int J PerformEng，14，3（2018），434-434 doi:10.23940/ijpe.18.03
[28] 邓，L。；Wang，Y。；刘，Y。；Wang，F。；李，S。；Liu，J.，基于CNN的涡流识别方法，J Visualizat，22，1，65-78（2019）
[29] Bourlard，H。；Kamp，Y.，多层感知器和奇异值分解的自动关联，Biol Cybern，59，4-5，291-294（1988）·Zbl 0651.92006号
[30] 辛顿，G.E。；Salakhutdinov，R.R.，《用神经网络降低数据的维数》，《科学》，3135786504-507（2006）·Zbl 1226.68083号
[31] 马莱，G.E。；卢西亚尼，T。；Maries，A。；Yilmaz，S.L。；Nik，M.B.，《计算湍流燃烧中稠密张量场的可视化描述符：案例研究》，电子图像，2016，1，1-11（2016）
[32] Kingma，D.P。；Ba，J.，Adam：随机优化方法（2014），arXiv:1412.6980
[33] 张，S。；张，H。；Shu，C.-W.，冲击诱导涡破裂的拓扑结构，流体力学杂志，639，343-372（2009）·Zbl 1183.76798号
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。