基于深度残差神经网络的光场PIV粒子场重建方法研究
作者机构:中国航空发动机研究院基础与应用研究中心 东南大学大型发电装备安全运行与智能测控国家工程研究中心
出 版 物:《光学学报》 (Acta Optica Sinica)
年 卷 期:2024年
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金(52306211) 中国博士后科学基金(2023M730558) “慧眼行动”项目(08D1C750)
主 题:光场成像 粒子图像测速技术 三维粒子场 卷积神经网络 三维重建
摘 要:光场PIV(Particle Image Velocimetry, PIV)是一种单相机三维流场测量方法,在狭窄通道复杂流场测量场景下具有独特优势。传统的光场PIV粒子场重建方法存在重建效率低、计算机内存需求大和重建粒子存在拉伸效应等问题。为此,本文提出了一种基于深度残差神经网络模型(Particle Reconstruction Convolutional Neural Networks, PRCNN)的快速、高分辨率粒子场重建方法。首先,对原始光场图像进行子孔径图像提取,构建“粒子三维分布-光场子孔径图像数据集;此后,建立网络模型,采用自定义损失函数进行训练获取预测模型。通过粒子场数值重建以及圆柱绕流三维流场测量实验对该方法重建准确性等进行评价。结果表明,相比于传统的联合代数重建方法(SimultaneousAlgebraic ReconstructionTechnique,SART),PRCNN可以有效缓解重建拉伸效应,使粒子场重建质量因子提高了153.83%;单张图像重建时间仅需0.098s,加速比达到了3976.53;PRCNN与SART算法计算速度场分布基本一致,在管道中心深度截面上,相对于平面PIV测量结果,SART算法和PRCNN的平均相对误差分别为14.56%和12.92%。证明了PRCNN用于光场PIV技术中实现准确的三维流场测量的可行性。