AI和数据挖掘用于空气动力学流量测量，无需高分辨率字典

　　作者/凯霞
　　空气动力学面临的挑战之一是改进描述和控制湍流行为的技术。开发更高效、更可靠的湍流测量新方法是马德里卡洛斯三世大学 (UC3M) NEXTFLOW 研究项目的主要目标。这些技术利用人工智能和数据挖掘的新发展，可用于改善交通工具的空气动力学并减少其对环境的影响。
　　在这项研究的框架内，研究人员希望利用高采样频率点探针提供的数据来及时补充动态的3D描述。此外，还将开发基于人工智能的算法，以提高粒子图像测速技术的准确性。在UC3M研究人员最近的一项工作中，他们提出了一种基于数据挖掘的新方法来实现这一目标。
　　研究成果于5月19日以「 From sparse data to high-resolution fields: ensemble particle modes as a basis for high-resolution flow characterization 」为题发表在杂志   《实验热学和流体科学》（ Experimental Thermal and Fluid Science）  上。
　　湍流
　　湍流是流体的一种流动状态。当流速增加到很大时，流线不再清楚可辨，流场中有许多小漩涡，层流被破坏，相邻流层间不但有滑动，还有混合，形成湍流，又称为乱流、扰流或紊流。
　　空气动力学目前面临的挑战之一是改进描述和控制湍流行为的技术（例如，飞机机翼周围的流体运动）。UC3M生物工程和航空航天工程系的 NEXTFLOW 项目协调员Stefano Discetti解释道：「它们是混乱的，具有复杂的动力学，很难使用现有的技术完全理解它们的行为。」
　　湍流在许多工业应用中起着重要作用，因此优化测量湍流的策略是当今行业的关键要素。获得关于其动态的更准确的信息将使我们能够在现实生活中使用它，例如运输部门，湍流会影响阻碍所有类型车辆（如汽车、飞机或轮船）运动的力量，因此对湍流更好地了解有助于提高其性能并减少对环境的影响。
　　Discetti说，「目前，实验中测量湍流的技术只能提供速度、温度或压力的部分描述。」新项目的目标是使用人工智能和数据挖掘技术开发新一代测量工具，以便更完整地描述它们的动态行为，然后获得更多关于如何控制它们的信息。
　　播种粒子（Seeding particles）可以探测流中的标量和矢量，提供有关速度场的深刻空间信息。目前使用的方法之一是粒子图像测速法（PIV），它可以在粒子运动后获得流体运动的 3D 重建，通过激光使其可见。一个广义定义，其中最小可测量尺度等于互相关算法中的询问窗口大小，或者是粒子跟踪测速 (PTV) 中平均粒子间距离的函数。
　　图示：DEPTV的流程图。（来源：论文）
　　从稀疏数据到高分辨率场
　　研究人员提出了一种基于稀疏粒子的测量来重建高分辨率流速或标量场的方法。
　　其工作原理是利用整体粒子跟踪测速法的概念，并将其应用于正交分解 (POD）方法的估计。然后使用高分辨率 POD 来估计高分辨率速度场。这种数据增强粒子方法使用两个直接数值模拟（DNS）数据集进行评估：圆柱尾流和流体弹球。
　　主要的新颖之处在于事先没有高分辨率字典，而是直接使用PIV快照和粒子图像来构建。这为该方法提供了极大的灵活性，适用于在没有基准的创新配置中，也适用于实验数据。
　　图示：瞬时流场比较。（来源：论文）
　　图示：流体弹球测试用例的瞬时流场比较。（来源：论文）
　　研究表明，当这些事件与任何其他波长大到足以被取样的流现象相关联时，可以重建其特征波长小于平均粒子间距的现象。该方法可应用于粒子跟踪测速、热成像荧光粉、压敏粒子和实验风洞数据等，显示出其在实际测量噪声条件下的出色性能。
　　通过应用基本的流体力学方程，将使用高精度和时间分辨的测量来获得压力场。借此，他们希望定义可用于准确描述流的行为并开发控制逻辑的紧凑模型。「这些结果可以提供新的工具，这些工具有可能弥合实验室实验与现实生活应用中流动特征和控制之间的差距，从而改善流程，减少不同行业对环境的影响，尤其是航空业。」Discetti 指出。
　　论文链接：https://www.sciencedirect.com/science/article/pii/S0894177720306828
　　参考内容：https://phys.org/news/2021-06-artificial-intelligence-aerodynamic.html