CN112326187B - 一种应用液晶涂层和深度学习算法测量摩擦力场的方法 - Google Patents

一种应用液晶涂层和深度学习算法测量摩擦力场的方法 Download PDF

Info

Publication number
CN112326187B
CN112326187B CN202010969504.XA CN202010969504A CN112326187B CN 112326187 B CN112326187 B CN 112326187B CN 202010969504 A CN202010969504 A CN 202010969504A CN 112326187 B CN112326187 B CN 112326187B
Authority
CN
China
Prior art keywords
sslc
coating
friction force
color
field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010969504.XA
Other languages
English (en)
Other versions
CN112326187A (zh
Inventor
赵吉松
朱博灵
沈臻祺
朱晴程
薛有涛
毛世平
王晓璇
李畅
杨美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010969504.XA priority Critical patent/CN112326187B/zh
Publication of CN112326187A publication Critical patent/CN112326187A/zh
Application granted granted Critical
Publication of CN112326187B publication Critical patent/CN112326187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/02—Wind tunnels
    • G01M9/04—Details

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明公开了一种应用液晶涂层和深度学习算法测量摩擦力场的方法，属于空气动力学技术领域，突破传统SSLC测量技术对相机观测方向的数量与分布的限制，能够结合实际风洞实验场景灵活布置相机观测方向，推动该测量技术的发展和应用。本发明首先测量法向光照射下的SSLC涂层在不同摩擦力作用下在不同方向的颜色变化特性，建立全面的SSLC涂层颜色变化特性数据库；然后通过引入机器学习算法学习SSLC涂层的颜色变化特性，建立SSLC涂层在不同方向显示的颜色与摩擦力矢量之间的映射关系；最后应用机器学习算法建立的映射关系对待测摩擦力场的实验图片进行处理，测量摩擦力矢量场。

Description

一种应用液晶涂层和深度学习算法测量摩擦力场的方法
技术领域
本发明属于空气动力学技术领域，尤其涉及一种应用液晶涂层和深度学习算法测量摩擦力场的方法。
背景技术
流体与固体壁面之间的摩擦力是流体动力学领域的一个重要参数，许多重要信息可以通过测量壁面摩擦力的矢量场而获取。准确测量摩擦力矢量场对于边界层理论研究、边界层转捩及其控制、漩涡结构分析和流动控制效果评估、CFD软件验证、飞行器减阻设计等有着重要意义。剪切敏感液晶(shear-sensitive liquid crystal,SSLC)涂层测量技术是由美国NASA的Reda等提出的一种应用SSLC涂层测量壁面摩擦力场的方法(AIAAJournal,1997,35(4):608-614)，这种方法将SSLC喷涂到待测表面上；当受到摩擦力时，SSLC涂层在不同方向显示不同的颜色；通过对SSLC涂层在若干特定方向显示的颜色进行处理，可以解算出待测表面的摩擦力矢量场。尽管如此，目前的SSLC测量技术都是基于高斯曲线拟合法或其拓展形式，对光线照射方向和相机观测方向有着严格要求(比如，Reda提出的多视角测量方法要求采用法向光照射，采用5～7个观测方向，各个观测方向的俯视角完全相同，周向角围绕流动方向近似均匀分布)。在实际风洞实验中由于风洞壁面的遮挡，难以同时满足照射方向和观测方向的要求，制约了其发展和应用。因此，该测量技术的实用性较低，自提出以来仅仅在特定实验条件下得到了验证，一直没有成为风洞试验或者其它流动测量的常规技术。
发明内容
本发明提供了一种应用液晶涂层和深度学习算法测量摩擦力场的方法，突破传统SSLC测量技术对相机观测方向的数量与分布的限制，能够结合实际风洞实验场景灵活布置相机观测方向，推动该测量技术的发展和应用。
为实现以上目的，本发明采用以下技术方案：
一种应用液晶涂层和深度学习算法测量摩擦力场的方法，包括以下步骤：
步骤1：建立SSLC涂层的颜色变化特性数据库，即建立SSLC涂层的颜色color随摩擦力大小τ、摩擦力方向φτ、相机周向观测角φ、相机俯视角α的变化特性，将其记为color(τ,φτ,φ,α)；
步骤2：应用深度学习算法学习SSLC涂层颜色的变化特性，建立SSLC涂层颜色的变化特性与摩擦力矢量之间的映射关系；
步骤3，应用步骤2建立的SSLC涂层颜色的变化特性与摩擦力矢量之间的神经网络映射关系，对SSLC涂层颜色图片进行处理，测量摩擦力矢量场。
以上所述步骤中，步骤1具体包括以下步骤：
(a)建立采用法向光照射SSLC涂层颜色校准实验装置(包括产生流场的装置)，选取实验平台表面流场中心线上的某个点作为标定点(由于对称性可知，流场中心线上的摩擦力方向沿对中心线方向)；
(b)采用传统单点测量技术测量流场中心线上所述标定点处的摩擦力大小；
(c)测量SSLC涂层在步骤b测量的摩擦力作用下的颜色color随相机俯视角α和周向观测角φ的变化特性，记为color(φ,α)；
(d)判断SSLC涂层的颜色变化是否饱和，若已经达到饱和，则转到步骤(e)；否则通过增加射流速度的方式增加摩擦力大小，返回步骤(b)；
(e)将不同摩擦力大小下测量的SSLC涂层颜色变化特性color(φ,α)组合到一起，得到SSLC涂层颜色变化特性color(τ,φ,α)；
(f)利用法向光照射下SSLC涂层颜色的变化特性关于摩擦力方向对称分布特性，将SSLC涂层颜色变化特性color(τ,φ,α)沿φτ方向进行平移，得到SSLC涂层的全空间颜色变化数据库color(τ,φτ,φ,α)。
步骤2具体包括以下步骤：
(ⅰ)根据具体的风洞试验场测量场景，选取M个不受遮挡的观测方向，要求M≥2；
(ⅱ)根据步骤1中得到的SSLC涂层的全空间颜色变化数据库color(τ,φτ,φ,α)，提取SSLC涂层在不同摩擦力矢量作用下在M个选定观测方向的颜色；
(ⅲ)采用多层神经网络算法建立SSLC涂层在选定的M个选定观测方向显示的颜色与摩擦力矢量之间的映射关系，其中不同大小或者方向的摩擦力矢量均可提供一个训练样本，每个样本的输入变量为SSLC涂层在选定的M个观测方向显示的颜色，输出变量为摩擦力大小和方向，如果将输入层的每个节点单元展开成3个节点单元，那么也可以以RGB的3个分量作为样本输入；
步骤3具体包括以下步骤：
(Ⅰ)针对待测摩擦力矢量场，采用与步骤2相同的照射和观测光路，采集SSLC涂层在选定的M个观测方向显示的颜色；
(Ⅱ)以从选定的M个观测方向采集的SSLC涂层颜色作为步骤2建立的多层神经网络的输入，在网络的输出端即可得到摩擦力矢量场，具体而言，将从选定的M个不同方向观测的SSLC涂层颜色图片变换为正视图并与测量区域对应起来，取对应于测量区域某个相同物理点的M个颜色为多层神经网络的一组输入，在神经网络的输出端即可得到相应物理点的摩擦力矢量，对于测量区的所有物理点重复这一操作，从而得到整个待测区域的摩擦力矢量场。
有益效果：本发明提供了一种应用液晶涂层和深度学习算法测量摩擦力场的方法，提出了基于机器学习的SSLC涂层颜色校准和摩擦力场解算方法，具有以下四方面优势：首先不需要进行Gauss曲线拟合，不要求各个观测方向的俯视角相同，因而使用更加灵活；其次由于摩擦力矢量只有大小和方向两个自由度，因而理论上最少只需要从两个方向观测SSLC涂层颜色即可解算出摩擦力场(对于对称流场，最少只需要从一个方向观测；增加观测方向的数量通常有利于提高精度或者可靠性)；再次神经网络算法对SSLC涂层颜色的学习过程可以离线完成，在解算摩擦力时的计算量非常小；目前基于SSLC涂层的测量方法都是将颜色的RGB值转换为色调Hue值进行分析处理，但是这一转换过程存在信息丢失的问题，本发明利用神经网络算法可以直接以颜色的RGB分量作为输入进行处理，利用的颜色信息更全面，因而对摩擦力矢量的灵敏度更高。
附图说明
图1a、图1b分别为本发明实施例中测量SSLC涂层全空间颜色变化特性数据库color(τ,φτ,φ,α)的实验装置的侧视图和俯视图；
图2a为本发明实施例中SSLC涂层颜色随观测方向俯视角α和周向角φ变化示例图，图2b为SSLC涂层颜色随摩擦力大小τ和周向角φ变化示例图；
图3为本发明实施例中SSLC涂层在不同大小和方向的摩擦力矢量作用下针对选定的M个观测方向的颜色样本生成方法的流程示意图；
图4为本发明实施例中应用多层神经网络算法学习建立SSLC涂层在选定的M个观测方向显示的颜色与摩擦力矢量之间映射关系的方法示意图；
图5为本发明实施例中应用多层神经网络算法解算的摩擦力矢量场示意图；
图6a和图6b为本发明实施例中应用多层神经网络算法解算的摩擦力大小和方向与传统多视角方法测量结果的定量对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明：
一种应用液晶涂层和深度学习算法测量摩擦力场的方法，包括以下步骤：
步骤1，建立SSLC涂层的颜色变化特性数据库，即建立SSLC涂层的颜色color随摩擦力大小τ、摩擦力方向φτ、相机周向观测角φ、相机俯视角α的变化特性，将其记为color(τ,φτ,φ,α)；该步骤可以分为如下子步骤：
(a)建立如图1所示的采用法向光照射SSLC涂层颜色校准实验装置，采用壁面切向射流产生流场，选取实验平板表面流场中心线上的某个点作为标定点(由于对称性可知，流场中心线上的摩擦力方向沿对中心线方向)；
(b)采用传统的单点式摩阻测量技术(比如采用MEMS摩阻传感器)测量流场中心线上标定点处的摩擦力大小；
(c)测量SSLC涂层在步骤(b)得到的摩擦力作用下的颜色color随相机周向观测角φ、相机俯视角α的变化特性，记为color(φ,α)；
(d)判断SSLC涂层的颜色变化是否饱和，若已经达到饱和，则转到步骤(e)，否则通过增加射流速度的方式增加摩擦力大小，返回步骤(b)；
(e)将不同摩擦力大小下测量的SSLC涂层颜色变化特性color(φ,α)组合到一起，得到SSLC涂层颜色变化特性color(τ,φ,α)；SSLC涂层颜色变化特性color(τ,φ,α)的示例如图2所示，SSLC涂层颜色Hue值随周向观测角φ、俯视角α和摩擦力大小τ的变化具有很好的规律性，通过对离散数据进行拟合，能够得到SSLC涂层颜色随这三个参数的连续变化规律color(τ,φ,α)；
(f)利用法向光照射下SSLC涂层颜色变化特性关于摩擦力方向对称分布特性，将SSLC涂层颜色变化特性color(τ,φ,α)沿φτ方向进行平移，得到SSLC涂层全空间颜色变化数据库color(τ,φτ,φ,α)；
步骤2，应用深度学习算法学习SSLC涂层颜色变化特性，建立SSLC涂层颜色变化特性与摩擦力矢量之间的映射关系，该步骤可分为如下子步骤：
(ⅰ)根据具体的风洞试验场测量场景，选取M个不受遮挡的观测方向(观测方向只要求满足M≥2并且不受遮挡即可，没有其它限制)；
(ⅱ)根据步骤1得到的SSLC涂层的全空间颜色变化数据库color(τ,φτ,φ,α)，提取SSLC涂层在不同大小和方向的摩擦力矢量作用下在选定的M个不同观测方向显示的颜色作为学习样本，具体方法流程如图3所示；
(ⅲ)采用如图4所示的多层神经网络算法建立SSLC涂层在选定的M个观测方向显示的颜色与摩擦力矢量之间的映射关系，其中每个样本的输入变量为SSLC涂层在选定的M个观测方向显示的颜色，输出变量为摩擦力大小和方向，在图4中，将SSLC涂层颜色(RGB)转换为色调(Hue)作为输入，如果将输入层的每个节点单元展开成3个节点单元，那么也可以以RGB的3个分量作为输入，在本案例中，神经网络结构采用2个隐含层、每层10个节点，采用Matlab中的神经网络学习函数(train函数)训练神经网络参数，采用mapminmax函数对输入和输出变量进行归一化处理，其它相关参数采用默认值；
步骤3，应用前述建立的SSLC涂层在选定的M个不同观测方向显示的颜色与摩擦力矢量之间的映射关系，测量摩擦力矢量场；
(Ⅰ)针对未知的待测摩擦力矢量场，采用与前述相同的照射和观测光路，采集SSLC涂层在选定的M个观测方向显示的颜色；
(Ⅱ)以从选定的M个观测方向采集的SSLC涂层颜色作为前述建立的多层神经网络的输入，在输出端即可得到摩擦力矢量场，具体而言，将从选定的M个不同方向观测的SSLC涂层颜色图片变换为正视图并与测量区域对应起来，取对应于测量区域某个相同物理点的M个颜色作为多层神经网络的一组输入，那么在神经网络的输出端即可得到相应物理位置的摩擦力矢量，对于测量区的所有物理点重复这一操作，从而得到整个待测区域的摩擦力矢量场，在本案例中，为了便于显示，每隔1mm选取1个物理点进行摩擦力矢量的测量。
图5为采用M＝6个观测方向测量的摩擦力矢量场，图中箭头表示摩擦力矢量，箭头长度表示摩擦力大小，箭头方向表示摩擦力方向，颜色灰度图根据摩擦力大小生成，附图6a和6b给出在y＝50mm处(坐标系参见附图5，横坐标为x坐标，纵坐标为y坐标)，多层神经网络与传统多视角方法解算结果的定量比较，为了进一步比较，图中还给出采用M＝2和4个观测方向时多层神经网络的解算结果，当采用M＝6个观测方向时，多层神经网络算法解算的摩擦力大小均方误差为0.13Pa，方向均方误差为0.02°(摩擦力大小和方向误差的均值和标准差分别为0.11±0.34Pa和0.01±0.15°)，当采用M＝4个观测方向时，多层神经网络解算的摩擦力大小均方误差为0.91Pa，方向均方误差为0.72°(对应的摩擦力大小和方向误差的均值和标准差分别为-0.22±0.92Pa和0.01±0.85°)，当采用M＝2个观测方向时，多层神经网络法解算的摩擦力场误差变大，但仍然比较准确。可见多层神经网络算法能够准确建立SSLC涂层在选定的若干个观测方向显示的颜色与摩擦力矢量之间的映射关系，并且相机观测角的数量和布置更加灵活。虽然在上述算例中没有考虑相机俯视角可变的情况，但是相机俯视角是否变化并不会给神经网络算法带来本质影响。与之对比，传统多视角测量方法则要求不同观测方向的相机俯视角相同，并且通常需要6个或更多的观测方向。
在计算效率方面，神经网络算法也表现出优势。在本实施例中，采用的计算机平台为MacBook Air(处理器Intel Core i5-5250U 1.6GHz，内存DDR3 4GB)，神经网络训练学习时间为1.99s(可离线完成)，解算如图5所示的摩擦力矢量场耗时0.054s，初步具备实时解算摩擦力场的潜力。与之对比，在相同的计算机平台上，传统多视角方法解算如图5所示的摩擦力场，耗时为70.24s。
以上所述仅为本发明的优选实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种应用液晶涂层和深度学习算法测量摩擦力场的方法，其特征在于，包括以下步骤：
步骤1：建立SSLC涂层的颜色color随摩擦力大小τ、摩擦力方向φτ、相机周向观测角φ、相机俯视角α的变化特性：
(a)建立采用法向光照射SSLC涂层颜色校准实验装置，选取实验平台表面流场中心线上的某个点作为标定点；
(b)采用传统单点测量技术测量流场中心线上所述标定点处的摩擦力大小；
(c)测量SSLC涂层在所述摩擦力作用下的颜色color随相机俯视角α和周向观测角φ的变化特性函数，记为color(φ,α)；
(d)判断SSLC涂层的颜色变化是否饱和，若已经达到饱和，则转到步骤(e)；否则通过增加射流速度的方式增加摩擦力大小，返回步骤(b)；
(e)将不同摩擦力大小下测量的SSLC涂层颜色变化特性color(φ,α)组合到一起，得到SSLC涂层颜色变化特性函数color(τ,φ,α)；
(f)利用法向光照射下SSLC涂层颜色的变化特性关于摩擦力方向对称分布特性，将SSLC涂层颜色变化特性color(τ,φ,α)沿φτ方向进行平移，得到SSLC涂层的全空间颜色变化特性数据库color(τ,φτ,φ,α)；
步骤2：应用深度学习算法学习SSLC涂层颜色的变化特性，建立SSLC涂层颜色的变化特性与摩擦力矢量之间的映射关系；
步骤3：应用步骤2建立的SSLC涂层颜色的变化特性与摩擦力矢量之间的神经网络映射关系，对SSLC涂层颜色图片进行处理，测量摩擦力矢量场。
2.根据权利要求1所述的应用液晶涂层和深度学习算法测量摩擦力场的方法，其特征在于，步骤2具体包括以下步骤：
(ⅰ)根据具体的风洞试验场测量场景，选取M个不受遮挡的观测方向，要求M≥2；
(ⅱ)根据步骤1中得到的SSLC涂层的全空间颜色变化特性数据库color(τ,φτ,φ,α)，提取SSLC涂层在不同大小和方向的摩擦力矢量作用下在M个选定观测方向的颜色；
(ⅲ)采用多层神经网络算法建立SSLC涂层在选定的M个选定观测方向显示的颜色与摩擦力矢量之间的映射关系，其中每个不同大小或者方向的摩擦力矢量提供一个训练样本，每个样本的输入变量为SSLC涂层在选定的M个观测方向显示的颜色，输出变量为摩擦力大小和方向。
3.根据权利要求2所述的应用液晶涂层和深度学习算法测量摩擦力场的方法，其特征在于，步骤(ⅲ)中如果将输入层的每个节点单元展开成3个节点单元，那么以RGB颜色的3个分量作为输入。
4.根据权利要求1所述的应用液晶涂层和深度学习算法测量摩擦力场的方法，其特征在于，步骤3具体包括以下步骤：
(Ⅰ)针对待测摩擦力矢量场，采用与步骤2相同的照射和观测光路，采集SSLC涂层在选定的M个观测方向显示的颜色；
(Ⅱ)以从选定的M个观测方向采集的SSLC涂层颜色作为步骤2建立的多层神经网络的输入，在输出端即可得到摩擦力矢量场。
5.根据权利要求4所述的应用液晶涂层和深度学习算法测量摩擦力场的方法，其特征在于，步骤(Ⅱ)具体包括以下步骤：将从选定的M个不同方向观测的SSLC涂层颜色图片变换为正视图并与测量区域对应起来，取对应于测量区域某个相同物理点的M个颜色为多层神经网络的一组输入，在神经网络的输出端即可得到相应物理点的摩擦力矢量，对于测量区的所有物理点重复这一操作，从而得到整个待测区域的摩擦力矢量场。
CN202010969504.XA 2020-09-15 2020-09-15 一种应用液晶涂层和深度学习算法测量摩擦力场的方法 Active CN112326187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010969504.XA CN112326187B (zh) 2020-09-15 2020-09-15 一种应用液晶涂层和深度学习算法测量摩擦力场的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010969504.XA CN112326187B (zh) 2020-09-15 2020-09-15 一种应用液晶涂层和深度学习算法测量摩擦力场的方法

Publications (2)

Publication Number Publication Date
CN112326187A CN112326187A (zh) 2021-02-05
CN112326187B true CN112326187B (zh) 2022-04-08

Family

ID=74303761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010969504.XA Active CN112326187B (zh) 2020-09-15 2020-09-15 一种应用液晶涂层和深度学习算法测量摩擦力场的方法

Country Status (1)

Country Link
CN (1) CN112326187B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444551B (zh) * 2022-04-02 2022-06-10 西南交通大学 一种基于小波变换和卷积自编码器的气动力载荷辨识方法
CN116973018B (zh) * 2023-09-15 2023-12-05 中国空气动力研究与发展中心高速空气动力研究所 一种持续表面剪切力光学测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5394752A (en) * 1993-03-16 1995-03-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for determing shear direction using liquid crystal coatings
US5438879A (en) * 1993-03-16 1995-08-08 The United States Of America Represented By The Administrator Of The National Aeronautics And Space Administration Method for measuring surface shear stress magnitude and direction using liquid crystal coatings
CN106768822A (zh) * 2017-02-07 2017-05-31 中国航天空气动力技术研究院 一种流场边界层剪切应力光学测量方法
CN106940244A (zh) * 2017-02-14 2017-07-11 中国航天空气动力技术研究院 一种剪切敏感液晶涂层制备方法
CN108240882A (zh) * 2017-12-28 2018-07-03 北京航空航天大学 像素级剪敏液晶标定与测量方法和系统
CN111639749A (zh) * 2020-05-25 2020-09-08 上海智殷自动化科技有限公司 一种基于深度学习的工业机器人摩擦力辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5394752A (en) * 1993-03-16 1995-03-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for determing shear direction using liquid crystal coatings
US5438879A (en) * 1993-03-16 1995-08-08 The United States Of America Represented By The Administrator Of The National Aeronautics And Space Administration Method for measuring surface shear stress magnitude and direction using liquid crystal coatings
CN106768822A (zh) * 2017-02-07 2017-05-31 中国航天空气动力技术研究院 一种流场边界层剪切应力光学测量方法
CN106940244A (zh) * 2017-02-14 2017-07-11 中国航天空气动力技术研究院 一种剪切敏感液晶涂层制备方法
CN108240882A (zh) * 2017-12-28 2018-07-03 北京航空航天大学 像素级剪敏液晶标定与测量方法和系统
CN111639749A (zh) * 2020-05-25 2020-09-08 上海智殷自动化科技有限公司 一种基于深度学习的工业机器人摩擦力辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Zhao Jisong ; .Investigation on wall shear stress measurement in supersonic flows with shock waves using shear-sensitive liquid crystal coating.《Aerospace science and technology》.2019,453-463. *
基于剪切敏感液晶涂层的壁面摩擦力矢量场全局测量方法;赵吉松;《航空科学技术》;20190225;第30卷(第2期);第53-58页 *

Also Published As

Publication number Publication date
CN112326187A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112326187B (zh) 一种应用液晶涂层和深度学习算法测量摩擦力场的方法
Pennings et al. Flow field measurement around vortex cavitation
CN109283230B (zh) 一种平面阵列电容成像方法及系统
Giovannetti et al. Uncertainty assessment of coupled Digital Image Correlation and Particle Image Velocimetry for fluid-structure interaction wind tunnel experiments
Gim et al. Three-dimensional particle tracking velocimetry using shallow neural network for real-time analysis
Van Oudheusden et al. Non-intrusive load characterization of an airfoil using PIV
CN111693999A (zh) 基于雷达测风组合策略的多传感器融合风速风向估计方法
Costantini et al. A robust method for reliable transition detection in temperature-sensitive paint data
Somehsaraei et al. A novel approach based on artificial neural network for calibration of multi-hole pressure probes
Chitsaz et al. An experimental study of the aerodynamics of micro corrugated wings at low Reynolds number
CN111553373A (zh) 一种基于cnn+svm的压力气泡图像识别算法
Misaka Image-based fluid data assimilation with deep neural network
Jisong et al. A learning-based approach for solving shear stress vector distribution from shear-sensitive liquid crystal coating images
Lynch et al. Revisiting Bachalo-Johnson: the sandia axisymmetric transonic hump and CFD challenge
CN110108271B (zh) 一种气动光学效应引起的星光偏折补偿方法
Ghosh et al. Neural-network-based sensor data fusion for multi-hole fluid velocity probes
Davidson et al. Time-resolved surface pressure and model deformation measurements in an industrial transonic wind tunnel
Wu et al. A robust calibration method for seven-hole pressure probes
Silva et al. On the use of a linear interpolation method in the measurement procedure of a seven-hole pressure probe
CN114030008B (zh) 一种基于数据驱动的工业机器人实训能耗测量方法
Liu et al. Experimental fluid mechanics
Oshima et al. Development of a physics-informed neural network to enhance wind tunnel data for aerospace design
Fan et al. An improved neural-network-based calibration method for aerodynamic pressure probes
CN112326186B (zh) 一种适用于任意照射和观测方向的液晶涂层颜色标定方法
Dunbar et al. Design of flush air data systems insensitive to manufacturing variance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant