[发明专利]一种基于深度迁移学习的PIV流场恢复方法

说明书

本发明公开了一种基于深度迁移学习的PIV流场恢复方法，该方法将少部分实验数据与大部分数值拟合数据相结合，完成从局部实验流场数据到全局实验流场数据的恢复过程。本发明的优势在于使用PIV技术测量流场时，只需要局部流场的实验结果即可通过重构获得良好的全局流场分布，扩大了PIV技术的应用范围，降低了PIV的使用技术门槛；相较于传统的数据处理方法，本发明采用深度迁移学习，借助大量的数值拟合数据，进一步提高了PIV重构流场的精确度，虽然训练时间较长，但是训练完成的迁移网络计算速度远超传统的数据处理方法。

技术领域

本发明属于实验测量技术领域，具体涉及一种基于深度迁移学习的PIV流场恢复方法。

背景技术

目前实验解决流动传热问题，多使用红外测控技术，PIV技术等方法获得实验段的各项流场信息。其中，PIV全称为粒子成像速度场仪，作为一种瞬态流场测试仪器，主要包括CCD相机，粒子发生器，数据处理系统等设备。PIV技术方法是当今广泛使用的测速方法，与早期相继出现的热线热膜风速仪HWFA，激光测速技术LDA，相位多普勒技术PDA等相比，PIV技术结合了单点测量和显示测量技术的优点，兼具更广的测量范围，更高的测量精度和更快的采样传输速度。

但对于现今实验方法来说，传统PIV测试还是存在成本高，地点固定，调试实验周期时间长等固有弊端；由于实验设备以及流场中运动物体对光线的遮挡，实验过程中难以获得全部流场信息，而且PIV数据处理等操作过程中产生无效错误信息点，加剧了PIV测量方式的数据缺失。为了解决这种数据缺失的问题，很多研究重点关注各种新型数据处理方法，如克里金代理模型，神经网络拟合等在数据补充上的应用。但是这种采用数据拟合的方法补充缺失的数据均高度依赖于大量的训练数据，而高成本，长时间周期的PIV测试技术无疑增加了这种数据拟合方法的成本、难度与准确度。对于一些无法通过实验测量技术获得完整流场的情况，更是无法使用该技术填补缺失的流场。

发明内容

本发明的目的在于针对传统PIV测试还是存在成本高，地点固定，调试实验周期时间长等固有弊端，提供了一种基于深度迁移学习的PIV流场恢复方法。该方法借助大量数值模拟数据与少量的实验全局流场数据，采用深度迁移网络，即可完成从实验局部流场信息到全局流场信息的恢复。

本发明采用如下技术方案来实现的：

一种基于深度迁移学习的PIV流场恢复方法，包括以下步骤：

1)获取流体力学模型数据

需要采集的数据包括多种工况下的物理模型数据以及相对应的流场数据；其中物理模型数据表征该实验对象的流域以及固体域分布情况，包括结构化网格节点位置信息和模型结构信息全局流场数据即为全局速度场信息；针对每一种工况下的流体通道采用多机位多次测量方法获取不同截面处的全局粒子图像，经过滤波和图像处理获取全局流场数据Field^P0_n,j,g以及PIV网格节点位置信息和Field^P0_n,j,g，一一对应；其中n＝1,2,3...,N，N为测量流体力学模型总数，j＝1,2，分别表示网格节点处不同维度的速度场，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标；其中物理模型信息数据中结构化网格节点位置信息与PIV软件操作分析中采用的网格尺寸Grid^P_n,m,g相同；

2)流场数据预处理以及数据归一化