مقاله معاوضه بین دقت بازسازی و اعتبار فیزیکی در مدل‌سازی داده‌های PIV توربوماشین توسط CNN Informed Physics

چکیده

Particle Image Velocimetry (PIV) data is a valuable asset in fluid mechanics. It is capable of visualizing flow structures even in complex physics scenarios, such as the flow at the exit of the rotor of a centrifugal fan. Machine learning is also a successful companion to PIV in order to increase data resolution or impute experimental gaps. While classical algorithms focus solely on replicating data using statistical metrics, the application of Physics Informed Neural Networks (PINN) contributes to both data reconstruction and adherence to governing equations. The present study utilizes a convolutional physics-informed auto-encoder to reproduce planar PIV fields in the gappy regions while also satisfying the mass conservation equation. It proposes a novel approach, which compromises experimental data reconstruction for compliance with physical restrictions. Simultaneously, it is aimed to ensure that the reconstruction error does not considerably deviate from the uncertainty band of the test data. Turbulence scale approximation is employed to set the relative weighting of the physical and non-physical terms in the loss function to ensure that both objectives are achieved. All steps are initially evaluated on a set of DNS data to demonstrate the general capability of the network. Finally, examination of the PIV data indicates that the proposed PINN auto-encoder can enhance reconstruction accuracy by about 28% and 29% in terms of mass conservation residual and velocity statistics, respectively, in expense of up to 5% increase in the number of vectors with reconstruction error higher than the uncertainty band of the PIV test data.

چکیده به فارسی (ترجمه ماشینی)

داده های سرعت سرعت تصویر ذرات (PIV) یک دارایی با ارزش در مکانیک سیالات است.قادر به تجسم ساختارهای جریان حتی در سناریوهای فیزیک پیچیده ، مانند جریان در خروجی روتور یک فن گریز از مرکز است.یادگیری ماشین همچنین به منظور افزایش وضوح داده یا ایجاد شکاف های تجربی ، یک همراه موفق در PIV است.در حالی که الگوریتم های کلاسیک صرفاً بر تکرار داده ها با استفاده از معیارهای آماری متمرکز هستند ، استفاده از شبکه های عصبی آگاه فیزیک (PINN) به بازسازی داده ها و پایبندی به معادلات حاکم بر کمک می کند.مطالعه حاضر با استفاده از یک رمزگذار خودکار آگاه از فیزیک حلقوی برای بازتولید زمینه های PIV PLALAR در مناطق GAPPY و در عین حال برآورده کردن معادله حفاظت از انبوه.این یک رویکرد جدید ارائه می دهد ، که بازسازی داده های تجربی را برای رعایت محدودیت های فیزیکی به خطر می اندازد.به طور همزمان ، هدف این است که اطمینان حاصل شود که خطای بازسازی به طور قابل توجهی از باند عدم قطعیت داده های آزمون منحرف نمی شود.تقریب مقیاس تلاطم برای تعیین وزن نسبی اصطلاحات جسمی و غیر جسمی در عملکرد از دست دادن استفاده می شود تا اطمینان حاصل شود که هر دو هدف حاصل می شود.تمام مراحل در ابتدا بر روی مجموعه ای از داده های DNS ارزیابی می شود تا توانایی کلی شبکه را نشان دهد.سرانجام ، بررسی داده های PIV نشان می دهد که رمزگذار خودکار PINN می تواند دقت بازسازی را از نظر آمار باقیمانده و سرعت حفاظت از انبوه ، حدود 28 ٪ و 29 ٪ افزایش دهد.بردارهای با خطای بازسازی بالاتر از باند عدم قطعیت داده های آزمون PIV.