我的新闻

研究背景:

利用粒子图像测速技术(PIV)获得流场数据是目前流动实验测量技术的主要方法，但由于测试试件的折射率，透光性，以及粒子跟随性等因素的影响，测量得到的流场数据有时会产生孤立的大面积破损区域。传统的PIV深度学习重建方法基于速度场数据库对此进行修复，但由于速度场数据中本身由于互相关步骤会引入部分误差，这些方法不能取得令人满意的结果。而由于PIV粒子图像数据是PIV速度场数据的来源，包含更完整的底层信息，因此本文提出了一种利用PIV粒子图像数据库重建流体数据的新方法。

研究内容：

本文研究了PIV实验得到的粒子图像数据库在深度生成网络的流场数据重建中的应用，同时为了验证基于PIV粒子图像数据库方法的修复效果，本文基于两个GAN模型分别设计了基于PIV粒子图像数据库和基于PIV流体速度数据库的修复算法，然后在不同的度量指标上比较了两个算法的定性和定量修复结果。发现对于人工生成流场的速度场修复，利用粒子图像数据的修复结果的平均误差为1.75%，最大误差为7.61%；利用速度数据库的速度平均误差为2.93%，最大误差为8.97%。对于人工生成流场的涡量场修复，用粒子图像数据的修复结果的平均误差为13.2%，最大误差为47.5%；利用速度数据库的速度平均误差为19.0%，最大误差为62.6%。对于实验流场数据的速度场修复，利用粒子图像数据的修复结果的平均误差为5.01%，最大误差为33.6%；利用速度数据库的速度平均误差为10.6%，最大误差为36.4%。对于实验流场数据的涡量场修复，用粒子图像数据的修复结果的平均误差为10.1%，最大误差为20.8%；利用速度数据库的速度平均误差为35.2%，最大误差为70.3%。

对于速度场的重建结果，在人工生成流场上和实验流场使用粒子图像数据库的平均相对误差比使用速度场数据库的平均相对误差降低了52 %。对于涡量场的重建结果，使用粒子图像数据库时，最大和平均相对误差可以降低50 %。而两种数据库算法的最大修复误差均主要集中在湍流涡旋区域，这意味着湍流涡旋的重建是PIV流场数据修复的难题。

图2. 分别利用PIV粒子图像和速度场数据在人工生成流场上的修复结果对比： (a) 掩膜输入(b)利用粒子图像数据的修复结果(c)利用速度场数据的修复结果(d)原始图像(e)利用粒子图像数据的修复误差(f)利用速度场数据的修复误差。

论文题目：Velocity field reconstruction of mixing flow in T-junctions based on particle image database using deep generative models

论文作者：Yuzhuo Yin (殷钰卓); Yuang Jiang (姜宇昂); Mei Lin (林梅)  ; Qiuwang Wang (王秋旺)

发表期刊：Physics of Fluids 36, 085175 (2024)

文章链接：https://doi.org/10.1063/5.0215252

研究团队：

林梅，西安交通大学能源与动力工程学院，流体机械及工程系研究员，博士生导师。主要研究方向：基于人工智能的流场分析与预测；复杂条件下的流/热/固耦合分析；极端条件下的固液相变储能研究；高热流密度下的汽液相变冷却分析。目前担任Journal of Fluids Engineering-ASME，Physics of Fluids, Applied Thermal Engineering 等国际期刊评阅人。个人主页为http://gr.xjtu.edu.cn/web/janeylinm。