CN111177882B - 一种基于深度迁移学习的piv流场恢复方法 - Google Patents

Abstract

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。

Description

一种基于深度迁移学习的PIV流场恢复方法

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

根据PIV操作软件中采用的窗口各方向尺寸为p，将有效测量区域(K-1)p×(L-1)p×(H-1)p划分为K×L个节点，每个节点与相邻节点之间的距离均为p；模型位置信息

据此变换得到为

其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若所获得的PIV观测区域为二维模型，则H＝1；采用相同的变换准测处理后的流场数据Field^P0 _n,j,k,l,h退化为四维数组，

退化为三维数组；随后对预处理后的流场数据Field^P0 _n,j,k,l,h中流体域的部分进行最大最小归一化处理；

3)设计局部流场

局部流场的设计分为两个部分：一个是连续形状

的遮挡区域，另一个是离散错误点

的排除区域；其中遮挡和排除的位置为0，其余位置为1；两种区域组合即为全局流场Field^P _n,j,k,l,h中假定的不可获取的无效区域Mask_n,k,l,h；

则局部流场LField^P _n,j,k,l,h为全局流场Field^P _n,j,k,l,h去除无效区域Mask_n,k,l,h的结果：

其中，局部流场数据LField^P _n,j,k,l,h未被遮挡和排除的部分与全局流场数据Field^P _n,j,k,l,h一致；若已被遮挡或排除但是不属于流体域的部分则仍与全局流场数据Field^P _n,j,k,l,h保持一致；当流场数据被遮挡或排除且位于流体域时，局部流场数据LField^P _n,j,k,l,h采用-1进行填补；

4)采用数值模拟数据扩充数据集

采用数值计算方法进行多工况的流动力学模型计算，其中计算模型的位置信息和模型几何信息分别记录为

和

计算所得全局流场记录为Field^N _n′,j,g；

和Field^N _n′,j,g一一对应；其中n′＝1,2,3...,N′，N′为数值模拟流体力学模型总数，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；数值模拟的有效区域与实验中的有效测量区域(K-1)p×(L-1)p×(H-1)p保持一致，重复步骤2)和步骤3)，对数值模拟结果进行相同的预处理和归一化操作，获得处理后的数据

和Field^N _n′,j,k,l,h；并设计遮挡和排除的区域获得局部流场LField^N _n′,j,k,l,h；

5)针对流动换热模型数据划分训练集与验证集

对于PIV流场恢复网络，输入为实验局部流场数据LField^P _n,j,k,l,h与数值局部流场数据LField^N _n′,j,k,l,h，将输入LField^P _n,j,k,l,h与LField^N _n′,j,k,l,h随机打乱，按照4：1的比例分为实验训练集(LField^P _{n×0.8,j,k,l,h})_train与验证集(LField^P _{n×0.2,j,k,l,h})_validate以及数值训练集(LField^N _{n′×0.8,j,k,l,h})_train与验证集(LField^N _{n′×0.2,j,k,l,h})_validate，对应全局流场数据同时分为(Field^P _{n×0.8,j,k,l,h})_train与(Field^P _{n×0.2,j,k,l,h})_validate以及(Field^N _{n′×0.8,j,k,l,h})_train与(Field^N _{n′×0.2,j,k,l,h})_validate，对应的网格数据同时分为(Grid^P _{n×0.8,m,k,l,h})_train与(Grid^P _{n×0.2,m,k,l,h})_validate以及(Grid^N _{n′×0.8,m,k,l,h})_train与(Grid^N _{n′×0.2,m,k,l,h})_validate，对应的模型几何数据同时分为(Model^P _{n×0.8,m,k,l,h})_train与(Model^P _{n×0.2,m,k,l,h})_validate以及(Model^N _{n′×0.8,m,k,l,h})_train与(Model^N _{n′×0.2,m,k,l,h})_validate；

6)搭建基于深度迁移学习的PIV流场恢复网络

基于深度迁移学习的PIV流场恢复网络包括三个部分，分别是编码器Encoder、解码器Decoder和判别器D Net；首先，对局部流场数据进行特征提取；采用二维卷积/三维卷积构建一个编码器Encoder，分别建立从已知局部流场数据LField^P _{n×0.8,j,k,l,h}到编码数据EField^P _n×0.8,i的过程；其次，采用数据迁移技术将样本量较少的实验数据向样本量庞大的数值数据靠拢；采用二维卷积/三维卷积构建一个判别器D Net，用于分辨实验局部流场的编码数据EField^P _n×0.8,i以及数值局部流场的编码数据EField^N _n′×0.8,i；通过判别器D Net，训练完成的编码器Encoder将实验数据向数值数据迁移；最后，采用反卷积解码器进行流场恢复；采用二维反卷积/三维反卷积构建一个解码器Decoder，用于从实验局部流场编码EField^P _n×0.8,i恢复实验全局流场RField^P _{n×0.8,j,k,l,h}；

7)训练基于深度迁移学习的PIV流场恢复网络

首先，从编码器Encoder网络和D Net网络开始训练，D Net希望能提高对实验局部流场编码与数值局部流场编码的分辨能力，更新一遍D Net；而编码器Encoder网络希望能欺骗DNet网络，使得分辨网络分辨不出实验局部流场编码与数值局部流场编码，此时再更新一遍Encoder网络；最后，通过解码器Decoder将局部流场编码解码为全局流场数据，希望恢复的全局流场数据能接近真实全局流场数据，更新解码器Decoder；

8)流动换热模型流场恢复

首先根据步骤2)将输入的局部流场信息LField^P _{n×0.2,j,k,l,h}归一化化后传入编码器Encoder网络，获得局部流场编码EField^P _n×0.2,i；通过解码器Decoder将局部流场编码解码为全局流场数据，即可完成PIV流场恢复。

本发明进一步的改进在于，还包括以下步骤：

在实际应用的过程中，如果实验无法获取全局流场数据，则将获取数值流场数据，以及几何信息数据，并按照步骤4)进行处理获得数值局部流场，数值全局流场；将获得的实验局部流场同样按照步骤2)预处理与归一化获得实验局部流场；按照步骤5)构建编码器Encoder，判别器D Net和解码器Decoder,将实验局部流场与数值局部流场作为输入训练编码器Encoder和判别器D Net；将数值局部流场经过编码器Encoder获得的局部流场编码作为输入，训练解码器Decoder；依次获得训练完备的编码器Encoder和解码器Decoder；在进行PIV流场恢复时，首先，将实验局部流场数据作为输入，通过编码器Encoder获得实验局部流场编码；其次，将实验局部流场编码作为输入，通过解码器Decoder获得实验全局流场。

本发明进一步的改进在于，在步骤1)中，模型结构信息

符合设定的物理函数f：

本发明进一步的改进在于，在步骤2)中，对预处理后的流场数据Field^P0 _n,j,k,l,h中流体域的部分进行归一化处理，固定n，k，l与h，归一化操作如下：

Max_j＝Max(Field^P0 _n,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)

Min_j＝Min(Field^P0 _n,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)

其中，Field^P0 _n,j,k,l,h表示归一化之前的数据，Field^P _n,j,k,l,h表示归一化之后的数据，Max_i/Max_j表示第i/j种数据性质的所有数据的最大值，对于流场数据，则分别是各方向的速度；Min_i/Min_j表示第i/j种数据性质的所有数据的最小值；Field^P _n,j,k,l,h流体域部分数据介于0和1之间；对于Field^P _n,j,k,l,h固体域部分数据统一补充为-1，流固交界面设置为0以示区分，即：

本发明进一步的改进在于，在步骤3)中，连续形状的遮挡区域

由1-5个封闭图形组成，随机分布在全局流场内，总遮挡面积占全局流场总面积的10％—40％；离散排除区域

由n_err个离散点组成，随机分布在全局流场，且离散排除点个数占总节点数的1％—10％，即1％≤n_err/G≤10％。

本发明进一步的改进在于，在步骤6)中，用于流场恢复的深度迁移学习网络中，编码器Encoder和D Net网络采用卷积网络构架ResNet，ShuffleNet，或Inception；解码器Decoder使用与编码器Encoder不对称的反卷积网络构架。

本发明进一步的改进在于，在步骤6)中，深度迁移学习网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数；二分类损失函数BCE_loss公式如下：

BCE_loss＝min_Gmax_DV(D,Encoder)

＝E_Field[log(D(Encoder(LField^N _n′,j,k,l,h)))]+E_Input[log(1-D(Encoder(LField^P _n,j,k,l,h)))]

其中，D(·)表示对局部流场编码采用判别器D Net进行判别，Encoder(·)表示对局部流场采用编码器Encoder获取流场编码，E_Field[·]与E_Input[·]表示对括号内变量求期望值；

加权平均损失函数如下：

其中，w_i为每一个网格节点处恢复的流场数据与原始流场数据绝对值的权值，该权值在边界层网格处能够增加以提高在边界层处的准确度；K×H×L为网格节点总数；RField_n,j,k,l,h为解码器Decoder生成的恢复后的全局流场数据，Field_n,j,k,l,h为原始真实的全局流场数据；

深度迁移学习网络的总损失函数如下：

Loss＝W₁×GAN_loss+W₂×WMSE_loss

其中W₁是二分类损失函数BCE_loss的权值，W₂是加权平均损失函数WMSE_loss的权值。

本发明进一步的改进在于，在步骤7)中，在训练网络的过程中，首先设置优化器为Adam，初始学习率设置为0.01，训练20步；然后将优化器设置为SGD，之后在训练每100步时，将学习率降低为原来的1/10。

本发明至少具有如下有益的技术效果：

本发明提出了一种基于深度迁移学习的PIV流场恢复方法，将少部分实验数据与大部分数值模拟数据相结合，采用深度迁移学习构架将实验数据迁移至数值模拟数据，从而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。本发明的优势在于仅需少量甚至不需要获得PIV技术测量的全局流场，就可以获得从实验局部流场到实验全局流场的重构。相较于传统的数据处理方法，本发明采用深度迁移学习，借助大量的数值模拟数据，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。

附图说明

图1是本发明基于深度迁移学习的PIV流场恢复技术的流程图；

图2是本发明局部流场设计中遮挡和排除区域的说明图；其中图2(a)为连续遮挡区域，图2(b)为离散排除区域；

图3是本发明基于深度迁移学习的PIV流场恢复网络说明图。

图中代号含义：1-连续遮挡区域；2-离散排除区域。

具体实施方式

下面根据发明内容，结合一项具体实例对本发明进行进一步详细阐述。如下所述为本发明的一种应用情况，但并不局限于此，实施人员可以根据具体问题及实际应用情况对其中的参数进行更改。

如图1所示，本发明提供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：

第一步，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等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等操作获取全局流场数据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。

其中模型结构信息

符合设定的物理函数f:

其中物理模型信息数据中结构化网格节点位置信息

应与PIV软件操作分析中采用的网格尺寸Grid^P _n,m,g相同。

第二步，流场数据预处理以及数据归一化

总可以将流场数据以及物理模型数据处理为规则的矩阵形式。根据PIV操作软件中采用的窗口各方向尺寸为p，将有效测量区域(K-1)p×(L-1)p×(H-1)p划分为K×L个节点，每个节点与相邻节点之间的距离均为p。模型位置信息

据此变换得到为

其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3…,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若所获得的PIV观测区域为二维模型，则H＝1。采用相同的变换准测处理后的流场数据Field^P0 _n,j,k,l,h退化为四维数组，

退化为三维数组。

对预处理后的流场数据Field^P0 _n,j,k,l,h中流体域的部分进行归一化处理，固定n，k，l与h，归一化操作如下：

Max_j＝Max(Field^P0 _n,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)

Min_j＝Min(Field^P0 _n,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)

其中，Field^P0 _n,j,k,l,h表示归一化之前的数据，Field^P _n,j,k,l,h表示归一化之后的数据，Max_i/Max_j表示第i/j种数据性质(对于流场数据，分别是各方向的速度)的所有数据的最大值，Min_i/Min_j表示第i/j种数据性质的所有数据的最小值。Field^P _n,j,k,l,h流体域部分数据介于0和1之间。对于Field^P _n,j,k,l,h固体域部分数据统一补充为-1，流固交界面设置为0以示区分，即：

步骤三，设计局部流场

局部流场的设计分为两个部分：一个是连续形状

的遮挡区域，另一个是离散错误点

的排除区域。遮挡区域与离散错误点如图2所示。其中遮挡和排除的位置为0，其余位置为1。两种区域组合即为全局流场Field^P _n,j,k,l,h中假定的不可获取的无效区域Mask_n,k,l,h。

其中，局部流场LField^P _n,j,k,l,h为全局流场Field^P _n,j,k,l,h去除无效区域Mask_n,k,l,h的结果：

g(n,j,k,l,h)＝

其中，局部流场数据LField^P _n,j,k,l,h未被遮挡和排除的部分与全局流场数据Field^P _n,j,k,l,h一致；若已被遮挡或排除但是不属于流体域的部分则仍与全局流场数据Field^P _n,j,k,l,h保持一致；当流场数据被遮挡或排除且位于流体域时，根据流场变化的连续性，局部流场数据LField^P _n,j,k,l,h采用周围的流场数据进行填补。

步骤四，采用数值合成数据扩充数据集

采用数值计算方法进行多工况的流动力学模型计算，其中计算模型的位置信息和模型几何信息分别记录为

和

计算所得全局流场记录为Field^N _n′,j,g。

和Field^N _n′,j,g一一对应。其中n′＝1,2,3...,N′，N′为数值计算流体力学模型总数，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。数值计算的有效区域应与实验中的有效测量区域(K-1)p×(L-1)p×(H-1)p保持一致，重复步骤2)和步骤3)，对数值计算结果进行相同的预处理和归一化操作，获得处理后的数据

和Field^N _n′,j,k,l,h。并设计遮挡和排除的区域获得局部流场LField^N _n′,j,k,l,h

步骤五，针对流动换热模型数据划分训练集与验证集

对于PIV流场恢复网络，输入为实验局部流场数据LField^P _n,j,k,l,h与数值局部流场数据LField^N _n′,j,k,l,h，将输入LField^P _n,j,k,l,h与LField^N _n′,j,k,l,h随机打乱，按照4：1的比例分为实验训练集(LField^P _{n×0.8,j,k,l,h})_train与验证集(LField^P _{n×0.2,j,k,l,h})_validate以及数值训练集(LField^N _{n′×0.8,j,k,l,h})_train与验证集(LField^N _{n′×0.2,j,k,l,h})_validate，对应全局流场数据同时分为(Field^P _{n×0.8,j,k,l,h})_train与(Field^P _{n×0.2,j,k,l,h})_validate以及(Field^N _{n′×0.8,j,k,l,h})_train与(Field^N _{n′×0.2,j,k,l,h})_validate，对应的网格数据同时分为(Grid^P _{n×0.8,m,k,l,h})_train与(Grid^P _{n×0.2,m,k,l,h})_validate以及(Grid^N _{n′×0.8,m,k,l,h})_train与(Grid^N _{n′×0.2,m,k,l,h})_validate，对应的模型几何数据同时分为(Model^P _{n×0.8,m,k,l,h})_train与(Model^P _{n×0.2,m,k,l,h})_validate以及(Model^N _{n′×0.8,m,k,l,h})_train与(Model^N _{n′×0.2,m,k,l,h})_validate。

步骤六，搭建基于深度迁移学习的PIV流场恢复网络

如图3所示，基于深度迁移学习的PIV流场恢复网络包括三个部分，分别是编码器Encoder、解码器Decoder和判别器D Net。首先，采用二维卷积/三维卷积构建一个编码器Encoder，分别建立从已知局部流场数据LField^P _{n×0.8,j,k,l,h}到编码数据EField^P _n×0.8,i的过程(数值局部流场LField^N _{n′×0.8,j,k,l,h}到编码数据EField^N _n′×0.8,i)；其次，采用二维卷积/三维卷积构建一个判别器D Net，用于分辨实验局部流场的编码数据EField^P _n×0.8,i以及数值局部流场的编码数据EField^N _n′×0.8,i。最后，采用二维反卷积/三维反卷积构建一个解码器Decoder，用于从局部流场编码恢复全局流场。

用于流场恢复的深度迁移学习网络中，编码器Encoder和D Net网络可以采用任何有效的卷积网络构架，如ResNet，ShuffleNet，Inception等。解码器Decoder可以使用与编码器Encoder不对称的反卷积网络构架。

深度迁移学习网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数。二分类损失函数BCE_loss公式如下：

BCE_loss＝min_Gmax_DV(D,Encoder)

＝E_Field[log(D(Encoder(LField^N _n′,j,k,l,h)))]+E_Input[log(1-D(Encoder(LField^P _n,j,k,l,h)))]

其中，D(·)表示对局部流场编码采用判别器D Net进行判别,Encoder(·)表示对局部流场采用编码器Encoder获取流场编码,E_Field[·]与E_Input[·]表示对括号内变量求期望值。

加权平均损失函数如下：

其中，w_i为每一个网格节点处恢复的全局流场数据与原始的全局流场数据绝对值的权值，该权值在边界层网格处可适当增加以提高在边界层处的准确度；K×H×L为网格节点总数；Field_n′_,j,k,l,h为解码器Decoder生成的恢复后的全局流场数据，Field_n,j,k,l,h为原始真实的全局流场数据。

深度迁移学习网络的总损失函数如下：

Loss＝W₁×GAN_loss+W₂×WMSE_loss

其中W₁是二分类损失函数BCE_loss的权值，而W₂是加权平均损失函数WMSE_loss的权值。

步骤七，训练基于深度迁移学习的PIV流场恢复网络

首先，从编码器Encoder网络和D Net网络开始训练，D Net希望能提高对实验局部流场编码与数值局部流场编码的分辨能力,更新一遍D Net；而编码器Encoder网络希望能欺骗DNet网络，使得分辨网络分辨不出实验局部流场编码与数值局部流场编码，此时再更新一遍Encoder网络。最后，通过解码器Decoder将局部流场编码解码为全局流场数据，希望恢复全局流场数据能接近真实全局流场数据，更新解码器Decoder。

在训练网络的过程中，首先设置优化器为Adam，初始学习率设置为0.01，训练20步；然后将优化器设置为SGD，之后在训练每100步时，将学习率降低为原来的1/10。

步骤八，流动换热模型流场恢复；

首先根据步骤二，将输入的局部流场信息LField^P _{n×0.2,j,k,l,h}归一化化后传入编码器Encoder网络，获得局部流场编码EField^P _n×0.2,i；通过解码器Decoder将局部流场编码解码为全局流场数据。

步骤九，算法维护

在实际应用的过程中，如果实验无法获取全局流场数据，则将获取数值流场数据，几何信息数据等已知数据按照步骤4)进行处理获得数值局部与全局流场。将获得的实验局部流场同样按照步骤2)预处理与归一化获得实验局部流场。按照步骤5)构建编码器Encoder,判别器D Net和解码器Decoder,将实验局部流场与数值局部流场作为输入训练编码器Encoder和判别器D Net。将数值局部流场经过编码器Encoder获得的局部流场编码作为输入，训练解码器Decoder。依次获得训练完备的编码器Encoder和解码器Decoder。在进行PIV流场恢复时，首先，将实验局部流场数据作为输入，通过编码器Encoder获得实验局部流场编码；其次，将实验局部流场编码作为输入，通过解码器Decoder获得实验全局流场。

Claims (8)

1.一种基于深度迁移学习的PIV流场恢复方法，其特征在于，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

根据PIV操作软件中采用的窗口各方向尺寸为p，将有效测量区域(K-1)p×(L-1)p×(H-1)p划分为K×L× H 个节点，每个节点与相邻节点之间的距离均为p；模型位置信息

据此变换得到为

其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若所获得的PIV观测区域为二维模型，则H＝1；采用相同的变换准测处理后的流场数据Field^P0 _n,j,k,l,h退化为四维数组，

退化为三维数组；随后对预处理后的流场数据Field^P0 _n,j,k,l,h中流体域的部分进行最大最小归一化处理；

3)设计局部流场

局部流场的设计分为两个部分：一个是连续形状

的遮挡区域，另一个是离散错误点

的排除区域；其中遮挡和排除的位置为0，其余位置为1；两种区域组合即为全局流场Field^P _n,j,k,l,h中假定的不可获取的无效区域Mask_n,k,l,h；

则局部流场LField^P _n,j,k,l,h为全局流场Field^P _n,j,k,l,h去除无效区域Mask_n,k,l,h的结果：

其中，局部流场数据LField^P _n,j,k,l,h未被遮挡和排除的部分与全局流场数据Field^P _n,j,k,l,h一致；若已被遮挡或排除但是不属于流体域的部分则仍与全局流场数据Field^P _n,j,k,l,h保持一致；当流场数据被遮挡或排除且位于流体域时，局部流场数据LField^P _n,j,k,l,h采用-1进行填补；

4)采用数值模拟数据扩充数据集

采用数值计算方法进行多工况的流动力学模型计算，其中计算模型的位置信息和模型几何信息分别记录为

和

计算所得全局流场记录为Field^N _n′,j,g；

和Field^N _n′,j,g一一对应；其中n′＝1,2,3...,N′，N′为数值模拟流体力学模型总数，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；数值模拟的有效区域与实验中的有效测量区域(K-1)p×(L-1)p×(H-1)p保持一致，重复步骤2)和步骤3)，对数值模拟结果进行相同的预处理和归一化操作，获得处理后的数据

和Field^N _n′,j,k,l,h；并设计遮挡和排除的区域获得局部流场LField^N _n′,j,k,l,h；

5)针对流动换热模型数据划分训练集与验证集

对于PIV流场恢复网络，输入为实验局部流场数据LField^P _n,j,k,l,h与数值局部流场数据LField^N _n′,j,k,l,h，将输入LField^P _n,j,k,l,h与LField^N _n′,j,k,l,h随机打乱，按照4：1的比例分为实验训练集(LField^P _{n×0.8,j,k,l,h})_train与验证集(LField^P _{n×0.2,j,k,l,h})_validate以及数值训练集(LField^N _{n′×0.8,j,k,l,h})_train与验证集(LField^N _{n′×0.2,j,k,l,h})_validate，对应全局流场数据同时分为(Field^P _{n×0.8,j,k,l,h})_train与(Field^P _{n×0.2,j,k,l,h})_validate以及(Field^N _{n′×0.8,j,k,l,h})_train与(Field^N _{n′×0.2,j,k,l,h})_validate，对应的网格数据同时分为(Grid^P _{n×0.8,m,k,l,h})_train与(Grid^P _{n×0.2,m,k,l,h})_validate以及(Grid^N _{n′×0.8,m,k,l,h})_train与(Grid^N _{n′×0.2,m,k,l,h})_validate，对应的模型几何数据同时分为(Model^P _{n×0.8,m,k,l,h})_train与(Model^P _{n×0.2,m,k,l,h})_validate以及(Model^N _{n′×0.8,m,k,l,h})_train与(Model^N _{n′×0.2,m,k,l,h})_validate；

6)搭建基于深度迁移学习的PIV流场恢复网络

基于深度迁移学习的PIV流场恢复网络包括三个部分，分别是编码器Encoder、解码器Decoder和判别器D Net；首先，对局部流场数据进行特征提取；采用二维卷积/三维卷积构建一个编码器Encoder，分别建立从已知局部流场数据LField^P _{n×0.8,j,k,l,h}到编码数据EField^P _n×0.8,i的过程；其次，采用数据迁移技术将样本量较少的实验数据向样本量庞大的数值数据靠拢；采用二维卷积/三维卷积构建一个判别器D Net，用于分辨实验局部流场的编码数据EField^P _n×0.8,i以及数值局部流场的编码数据EField^N _n′×0.8,i；通过判别器D Net，训练完成的编码器Encoder将实验数据向数值数据迁移；最后，采用反卷积解码器进行流场恢复；采用二维反卷积/三维反卷积构建一个解码器Decoder，用于从实验局部流场编码EField^P _n×0.8,i获得恢复的实验全局流场RField^P _{n×0.8,j,k,l,h}；

7)训练基于深度迁移学习的PIV流场恢复网络

首先，从编码器Encoder网络和D Net网络开始训练，D Net希望能提高对实验局部流场编码与数值局部流场编码的分辨能力，更新一遍D Net；而编码器Encoder网络希望能欺骗DNet网络，使得分辨网络分辨不出实验局部流场编码与数值局部流场编码，此时再更新一遍Encoder网络；最后，通过解码器Decoder将局部流场编码解码为全局流场数据，希望恢复全局流场数据能接近真实全局流场数据，更新解码器Decoder；

8)流动换热模型流场恢复

首先根据步骤2)将输入的局部流场信息LField^P _{n×0.2,j,k,l,h}归一化后传入编码器Encoder网络，获得局部流场编码EField^P _n×0.2,i；通过解码器Decoder将局部流场编码解码为全局流场数据，即可完成PIV流场恢复。

2.根据权利要求1所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，还包括以下步骤：

在实际应用的过程中，如果实验无法获取全局流场数据，则将获取数值流场数据，以及几何信息数据，并按照步骤4)进行处理获得数值局部流场，数值全局流场；将获得的实验局部流场同样按照步骤2)预处理与归一化获得实验局部流场；按照步骤5)构建编码器Encoder，判别器D Net和解码器Decoder,将实验局部流场与数值局部流场作为输入训练编码器Encoder和判别器D Net；将数值局部流场经过编码器Encoder获得的局部流场编码作为输入，训练解码器Decoder；依次获得训练完备的编码器Encoder和解码器Decoder；在进行PIV流场恢复时，首先，将实验局部流场数据作为输入，通过编码器Encoder获得实验局部流场编码；其次，将实验局部流场编码作为输入，通过解码器Decoder获得实验全局流场。

3.根据权利要求1或2所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，在步骤1)中，模型结构信息

符合设定的物理函数f：

4.根据权利要求1或2所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，在步骤2)中，对预处理后的流场数据Field^P0 _n,j,k,l,h中流体域的部分进行归一化处理，固定n，k，l与h，归一化操作如下：

Max_j＝Max(Field^P0 _n,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)

Min_j＝Min(Field^P0 _n,j,k,l,h|1≤n≤N,1≤k≤K,1≤l≤L,1≤h≤H)

其中，Field^P0 _n,j,k,l,h表示归一化之前的数据，Field^P _n,j,k,l,h表示归一化之后的数据，Max_i/Max_j表示第i/j种数据性质的所有数据的最大值，对于流场数据，则分别是各方向的速度；Min_i/Min_j表示第i/j种数据性质的所有数据的最小值；Field^P _n,j,k,l,h流体域部分数据介于0和1之间；对于Field^P _n,j,k,l,h固体域部分数据统一补充为-1，流固交界面设置为0以示区分，即：

5.根据权利要求1或2所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，在步骤3)中，连续形状的遮挡区域

由1-5个封闭图形组成，随机分布在全局流场内，总遮挡面积占全局流场总面积的10％—40％；离散排除区域

由n_err个离散点组成，随机分布在全局流场，且离散排除点个数占总节点数的1％—10％，即1％≤n_err/G≤10％。

6.根据权利要求1或2所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，在步骤6)中，用于流场恢复的深度迁移学习网络中，编码器Encoder和D Net网络采用卷积网络构架ResNet，ShuffleNet，或Inception；解码器Decoder使用与编码器Encoder不对称的反卷积网络构架。

7.根据权利要求1或2所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，在步骤6)中，深度迁移学习网络采用二分类损失函数BCE_loss与加权平均损失函数WMSE_loss的加权平均值作为该网络的总体损失函数；二分类损失函数BCE_loss公式如下：

BCE_loss＝min_Gmax_DV(D,Encoder)

＝E_Field[log(D(Encoder(LField^N _n′,j,k,l,h)))]+E_Input[log(1-D(Encoder(LField^P _n,j,k,l,h)))]

其中，D(·)表示对局部流场编码采用判别器D Net进行判别，Encoder(·)表示对局部流场采用编码器Encoder获取流场编码，E_Field[·]与E_Input[·]表示对括号内变量求期望值；

加权平均损失函数如下：

其中，w_i为每一个网格节点处恢复的全局流场数据与原始全局流场数据绝对值的权值，该权值在边界层网格处能够增加以提高在边界层处的准确度；K×H×L为网格节点总数；RField_n,j,k,l,h为解码器Decoder生成的恢复后的全局流场数据，Field_n,j,k,l,h为原始真实的全局流场数据；

深度迁移学习网络的总损失函数如下：

Loss＝W₁×GAN_loss+W₂×WMSE_loss

其中W₁是二分类损失函数BCE_loss的权值，W₂是加权平均损失函数WMSE_loss的权值。

8.根据权利要求1或2所述的一种基于深度迁移学习的PIV流场恢复方法，其特征在于，在步骤7)中，在训练网络的过程中，首先设置优化器为Adam，初始学习率设置为0.01，训练20步；然后将优化器设置为SGD，之后在训练每100步时，将学习率降低为原来的1/10。

Images