基于深度学习的PIV流场图像修复技术

作     者：覃子宇 郑东生 周宇晨 韩啸 惠鑫 王作侠 刘翔 张弛 QIN Zi-yu;ZHENG Dong-sheng;ZHOU Yu-chen;HAN Xiao;HUI Xin;WANG Zuo-xia;LIU Xiang;ZHANG Chi

作者机构：北京航空航天大学能源与动力工程学院航空发动机气动热力国家级重点实验室北京100191 北京航空航天大学航空发动机研究院航空发动机气动热力国家级重点实验室北京100191 

出 版 物：《推进技术》 (Journal of Propulsion Technology)

年 卷 期：2022年第43卷第9期

页      面：330-337页

核心收录：

学科分类：082502[工学-航空宇航推进理论与工程] 08[工学] 0825[工学-航空宇航科学与技术] 

基　　金：国家科技重大专项(2017-III-0004-0028 J2019-III-0002-0045) 

主　　题：PIV 后处理 U-Net 异常检测 异常修复 

摘      要：粒子图像测速技术(PIV)是空天动力装置研究中常用的流场测试方法。但对具有复杂流动特征的燃烧室,通过传统互相关算法处理得到的流场结果往往具有一定缺陷。本文将深度学习应用于PIV后处理中,以实现流场数据的异常检测和修复。在甲烷预混对冲火焰数据集上,将异常划分为两种类型,并搭建U-Net卷积神经网络架构。经过训练和优化,模型以较高置信水平识别两类异常并使用不同策略自适应修复,过滤噪声并保留原始正常数据。同时模型具有较好的可迁移性,可以为其它种类的流场数据修复提供参考。与POD迭代法和中值滤波相比,神经网络强大的非线性特征具有明显的优势,这种方法不仅修复率高,而且在不同工况下鲁棒性好。