CN112560346A - 一种基于神经网络的荧光油膜灰度与厚度建模方法 - Google Patents
一种基于神经网络的荧光油膜灰度与厚度建模方法 Download PDFInfo
- Publication number
- CN112560346A CN112560346A CN202011493055.2A CN202011493055A CN112560346A CN 112560346 A CN112560346 A CN 112560346A CN 202011493055 A CN202011493055 A CN 202011493055A CN 112560346 A CN112560346 A CN 112560346A
- Authority
- CN
- China
- Prior art keywords
- neural network
- oil film
- value
- thickness
- fluorescent oil
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims abstract description 4
- 239000011521 glass Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010008 shearing Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229920002545 silicone oil Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于神经网络的荧光油膜灰度与厚度建模方法，包括：步骤1，采集荧光油膜灰度与厚度数据。步骤2，训练BP神经网络模型，对BP神经网络模型进行结构搭建。步骤3，精度检验，调整训练次数，重复步骤2；若1)效果不优，则网络结构，再调整训练次数，重复步骤2；最终形成BP神经网络结构；本发明的优点是：节约了大量成本和时间，操作方便简单，对精确解算空气摩擦阻力值具有重大军事和经济意义。
Description
技术领域
本发明涉及空气动力学技术领域，特别涉及一种基于神经网络的荧光油膜灰度与厚度建模方法。
背景技术
表面摩擦应力是空气动力学中最为重要的物理量之一，是航空器飞行所受总阻力的重要组成部分，其能够很好的描述湍流边界层的状态，同时也是最难确定的物理量之一。降低摩阻不仅能够降低飞行器的油耗和提高飞行器续航时长，且对超音速飞行器还意味着其表面热流降低，防热材质重量减少，有效载荷增加。
传统测量表面摩擦应力的方法大多是局部间接测量方法，如热线法、热膜法、边界层隔流法以及激光多普勒法，这些局部测量摩阻方法都存在以下缺点：
(1)测量精度受环境因素影响较大，测量步骤多为人为操作，测量结果主要靠人为主观意识去判断，基于以上种种因素，所造成的误差较大；
(2)成本开销较大，对传统工艺制造要求较高，且需要固定的几何外形模具才能很好的进行摩阻测量。
较传统局部间接测量方法，利用荧光油膜在激光照射下的显色反应，由荧光油膜灰度表征出油膜厚度这一关键因素，进而通过得到油膜厚度解算该处的摩阻分布，能有效的解决上述系列方法的缺点。近年来，Tanner[1]等提出通过油膜的激光干涉来测量表面摩阻，为摩阻的简化测量提供了坚实的基础。Monson[2]等对油膜干涉法进行完善，油膜干涉理论发展成熟。Brown、Naughton等[3]精确建立了在流体表面摩擦应力作用下的油膜演化方程，形象的表征出了油膜厚度随时间的变化率与其自身体积力、摩阻等因素的关系。对使用油膜进行全局摩阻的直接测量提供了可能性。刘天舒[4]提出利用相机采集荧光油膜灰度值来表征油膜厚度这一新方法，建立了荧光油膜灰度与厚度的线性模型，并结合光流法解算全局摩阻。李鹏[5]等将荧光油膜灰度与厚度线性方程引入相对表面剪切力模型，得出相对剪切力与成像平面灰度分布间的映射模型，为进行全局剪切力直接测量方法的研究和建立求解模型提供了有利的基础。但以上研究存在以下问题：
(1)目前相关研究还处于初级探索阶段，仅提供了理论基础和研究建模方向，不能真正应用到工程实际中去；
(2)并未对荧光油膜灰度与厚度关系进行系统性的模型建立，也未对模型的精度和误差进行系统性探讨研究。
(3)刘天舒[4]奠定了利用荧光油膜灰度来表征油膜厚度的基础。但该方案也存在一定的缺陷和局限性，具体如下：事实上，初始紫外光强可以根据厂家提供的紫外灯功率简单推算得出，但想要得到荧光效率系数，则需在荧光油膜配置过程中对硅油与荧光分子配比、浓度作标定实验，该标定实验需要大量不同配比的荧光油膜材料作对比，且配制不同荧光分子浓度的油膜耗时耗力，并需要高精密度的搅拌仪器，提高了实验成本。
根据目前实验研究表明，荧光油膜灰度成像不仅与初始紫外光强和荧光效率系数有关，相机光圈数、曝光时间、紫外光功率、环境光等主要外部因素也同样影响其灰度成像[6-10]，故式还处于初级阶段，还需要进行完善和成熟。而通过神经网络搭建模型，则可避免求取繁多影响参数过程，精度也有一定的提高。
参考文献
[1]Tanner L.,“A skin friction meter,using the viscosity balanceprinciple,suitable for use with flatrocurved metal surfaces”,J.Phys.E:Scientific Instr.,Vol.10,No.3,1977.
[2]Monson,D.J.,Matree,G.G,Boundary-Layer Transition and Global S kinFriction Measurement with an Oil-Fringe Imaging Technique.1993,102:1829-1843.
[3]Brown,J.L.,and Naughton,J.W.,”The Thin Oil Film Equation,”NASA TM1997-208767,MARCH 1999.
[4]Liu Tianshu,Montefort J.Global Luminescent Oil-Friction Mete r[J].AIAA Journal,2008,46(2):476-485.
[5]李鹏.全局表面摩擦应力直接测量技术研究[D].南京航空航天大学,2012.
[6]JW Naughton,MD Hind.Multi-image oil-flm interferometry ski nfriction measurement[J].Mcasurement Science and Technology,2013,24:1-12.
[7]D.M Driver.Application of oil-film interferometiry skin-fict ionmeasurement to large tunnels.Experiments in Fluids,2003,34:717-725.
[8]黄湛,王宏伟,魏连风,张淼,程攀基于荧光油膜的全局表面摩阻测量技术研究[J]航空学报,2016.34(3):373-378.
[9]马洪强,高贺,毕志献高超声速飞行器相关的摩擦阻力直接测量技术I]实验流体力学,2011,25(4):83-88.
[10]Monson D J.Mater G G,Menter F R.Boundary-layer transition andglobal skin-frictionmeasurement with an oil-ringe imaging tchnique[RI.SAEPaper 932550.Mofet Mesa,CA:NASA-Ames Research Center,1993.
发明内容
本发明针对现有技术的缺陷，提供了一种基于神经网络的荧光油膜灰度与厚度模型建立方法，解决了现有技术中存在的缺陷。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于神经网络的荧光油膜灰度与厚度模型建立方法，包括以下步骤：
步骤1，数据采集模块，通过可靠的数据采集方法采集荧光油膜灰度与厚度数据，该数据一部分主要用作BP神经网络的训练，另一部分则用作预测结果精度检验。具体步骤如下：
1)使用两片透光率为95％且长宽高分别为76.2mm、25.4mm、0.8-1.0mm的载玻片，采用荧光油膜数据采集方法搭建框架。
2)使用Baumer CCD高分辨率工业相机进行荧光油膜图像采集；
3)对采集的荧光油膜灰度图像进行网格化处理，网格处理是为了便于提取某一像素坐标点的灰度值与之对应物方坐标点的厚度值，建立像素坐标系与物方坐标系对应关系。
4)根据搭建采集荧光油膜灰度与厚度数据的框架模型，参见图2所示，具体利用三角变换公式(2)，其中三角形斜边为载玻片长度，h为载玻片高度，已知斜边和高则求得三角形底边x的长度值，进而求得夹角k值，有了三角形底边x值和夹角k值，通过图像上显示的框架模型长度与现实框架模型长度进行归一化处理，得到该像素坐标点的灰度值与之对应物方坐标点厚度值数据，选择合适步长重复步骤4)采集荧光油膜灰度与厚度数据；
h＝x·tan(k) (2)
5)对采集得到的数据进行预处理，剔除坏数据，并将采集得到的数据分为两部分，一部分用作BP神经网络模型的训练，一部分用作模型预测结果的精度检验,
步骤2，训练BP神经网络模型，对BP神经网络模型进行结构搭建，通过梯度下降法，不断迭代计算以达到期望值。初步搭建的神经网络结构为2-5-1，网络的初始权值取随机值，网络训练次数为10000次，全局最小误差设置为0.1，学习步长为0.1。
步骤3，精度检验，包括以下子步骤：
1)调整训练次数为100000，重复步骤2；
2)若1)效果不优，则网络结构，再调整训练次数为100000，重复步骤2；
3)最终形成BP神经网络结构，参数设置为神经网络结构为4-6-1，网络的初始权值取随机值，网络训练次数为100000次，全局最小误差设置为0.01，学习步长为0.1；
4)荧光油膜厚度值预测精度检验，运用传统插值法预测与BP神经网络预测相比较。
与现有技术相比，本发明的优点在于：
(1)依照神经网络本身即模型的独有特点，并只需要采集训练集进行训练模型，就可以根据输入得到输出结果，避免了各类试验和标定各类参数的步骤，节约了大量成本和时间，操作方便简单。
(2)运用BP(反向传播)神经网络得到的预测模型精度高于传统应用于荧光油膜灰度与厚度的插值法，通过BP(反向传播)神经网络预测模型得到的高精度荧光油膜厚度值，对精确解算空气摩擦阻力值具有重大军事和经济意义。
附图说明
图1是本发明实施例基于神经网络的荧光油膜灰度与厚度模型建立方法流程图。
图2是本发明实施例荧光油膜数据采集方法搭建框架图。
图3是本发明实施例荧光油膜灰度图。
图4是本发明实施例荧光油膜灰度图像网格化处理图。
图5是本发明实施例BP神经网络结构原理图；
图6是本发明实施例最终BP神经网络结构图；
图7是本发明实施例BP神经网络训练结果图；
图8是本发明实施例传统插值法预测与BP神经网络预测结果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
一种基于神经网络的荧光油膜灰度与厚度模型建立方法，主要分为数据采集和处理、训练BP(反向传播)神经网络模型、精度检验等三个模块，方案整体采用以下技术方案予以实现：
(1)数据采集模块，通过可靠的数据采集方法采集荧光油膜灰度与厚度数据，该数据一部分主要用作BP(反向传播)神经网络的训练，另一部分则用作预测结果精度检验。具体步骤如下：
1)使用两片透光率为95％且长宽高分别为76.2mm、25.4mm、0.8-1.0mm的载玻片，参照引文[5]中的荧光油膜数据采集方法搭建框架，具体方法为将一片载玻片放在一个光滑平整的平台处，在该载玻片前方倒入适量的荧光油膜于平台，取另一载玻片，一端接触平台上的荧光油膜，慢慢按压该载玻片至另一端接触平放在平台上的载玻片，完成荧光油膜数据采集系统的搭建。具体参照图2；
2)使用Baumer CCD高分辨率工业相机进行荧光油膜图像采集，因该相机会将RGB三通道彩图自动生成单通道灰度图像，故无需再对采集图像进行灰度处理，采集的荧光油膜灰度图参见图3；
3)对采集的荧光油膜灰度图像进行网格化处理，具体参见图4，网格处理是为了便于提取某一像素坐标点的灰度值与之对应物方坐标点的厚度值，建立像素坐标系与物方坐标系对应关系。
4)根据搭建采集荧光油膜灰度与厚度数据的框架模型，参见图2所示，具体利用三角变换公式(2)，其中三角形斜边为载玻片长度76.2mm，h为载玻片高度0.8mm-1.0mm，已知斜边和高则可以求得三角形底边x的长度值，进而可以求得夹角k值，有了三角形底边x值和夹角k值，斜边上任意一点的厚度都可以根据式(2)求出，通过图像上显示的框架模型长度与现实框架模型长度进行归一化处理，具体采用Z-score标准化数据归一化方法，就可以得到该点像素坐标点的灰度值与之对应物方坐标点厚度值数据，选择合适步长重复步骤4)采集荧光油膜灰度与厚度数据；
h＝x·tan(k) (2)
5)对采集得到的数据进行预处理，具体操作为剔除坏数据，并将采集得到的数据分为两部分，一部分用作BP(反向传播)神经网络模型的训练，一部分用作模型预测结果的精度检验。
(2)BP(反向传播)神经网络训练部分，需要对其进行结构搭建，本发明是在MATLAB2014a软件平台上进行，BP(反向传播)神经网络结构原理图具体参见图5所示，通过梯度下降法核心思想，不断迭代计算以达到期望值。初步搭建的神经网络结构为2-5-1，网络的初始权值取随机值，网络训练次数为10000次，全局最小误差设置为0.1，学习步长为0.1。
(3)精度检验部分，则是评判神经网络预测模型好坏的标准，通过初步设置参数，发现出现欠拟合现象，故继续调整参数，具体步骤如下所示：
1)调整训练次数为100000，重复步骤(2)；
2)若1)效果不优，则网络结构，再调整训练次数为100000，重复步骤(2)；
3)最终BP(反向传播)神经网络结构参见图6，参数设置为神经网络结构为4-6-1，网络的初始权值取随机值，网络训练次数为100000次，全局最小误差设置为0.01，学习步长为0.1；其训练结果参见图7；
4)荧光油膜厚度值预测精度检验。具体为运用了传统插值法预测与BP(反向传播)神经网络预测相比较，本发明采用了一元全区插值算法进行插值运算。由图8可知，通过搭建BP(反向传播)神经网络预测模型，其精度相比于一元全区插值算法有显著的提升。具体数值由表1所示：
表1 BP(反向传播)神经网络与插值法预测数据及其误差比较
由表1可以直观的看出，BP(反向传播)神经网络预测模型的精度由很大程度的提高，有利于工程实践的深入应用。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种基于神经网络的荧光油膜灰度与厚度模型建立方法，其特征在于，包括以下步骤：
步骤1，数据采集模块，通过可靠的数据采集方法采集荧光油膜灰度与厚度数据，该数据一部分主要用作BP神经网络的训练，另一部分则用作预测结果精度检验；具体步骤如下：
1)使用两片透光率为95％且长宽高分别为76.2mm、25.4mm、0.8-1.0mm的载玻片，采用荧光油膜数据采集方法搭建框架；
2)使用Baumer CCD高分辨率工业相机进行荧光油膜图像采集；
3)对采集的荧光油膜灰度图像进行网格化处理，网格处理是为了便于提取某一像素坐标点的灰度值与之对应物方坐标点的厚度值，建立像素坐标系与物方坐标系对应关系；
4)根据搭建采集荧光油膜灰度与厚度数据的框架模型，参见图2所示，具体利用三角变换公式(2)，其中三角形斜边为载玻片长度，h为载玻片高度，已知斜边和高则求得三角形底边x的长度值，进而求得夹角k值，有了三角形底边x值和夹角k值，通过图像上显示的框架模型长度与现实框架模型长度进行归一化处理，得到该像素坐标点的灰度值与之对应物方坐标点厚度值数据，选择合适步长重复步骤4)采集荧光油膜灰度与厚度数据；
h＝x·tan(k) (2)
5)对采集得到的数据进行预处理，剔除坏数据，并将采集得到的数据分为两部分，一部分用作BP神经网络模型的训练，一部分用作模型预测结果的精度检验,
步骤2，训练BP神经网络模型，对BP神经网络模型进行结构搭建，通过梯度下降法，不断迭代计算以达到期望值；初步搭建的神经网络结构为2-5-1，网络的初始权值取随机值，网络训练次数为10000次，全局最小误差设置为0.1，学习步长为0.1；
步骤3，精度检验，包括以下子步骤：
1)调整训练次数为100000，重复步骤2；
2)若1)效果不优，则网络结构，再调整训练次数为100000，重复步骤2；
3)最终形成BP神经网络结构，参数设置为神经网络结构为4-6-1，网络的初始权值取随机值，网络训练次数为100000次，全局最小误差设置为0.01，学习步长为0.1；
荧光油膜厚度值预测精度检验，运用传统插值法预测与BP神经网络预测相比较。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011493055.2A CN112560346A (zh) | 2020-12-17 | 2020-12-17 | 一种基于神经网络的荧光油膜灰度与厚度建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011493055.2A CN112560346A (zh) | 2020-12-17 | 2020-12-17 | 一种基于神经网络的荧光油膜灰度与厚度建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560346A true CN112560346A (zh) | 2021-03-26 |
Family
ID=75064438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011493055.2A Pending CN112560346A (zh) | 2020-12-17 | 2020-12-17 | 一种基于神经网络的荧光油膜灰度与厚度建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560346A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112964184A (zh) * | 2021-04-12 | 2021-06-15 | 西华大学 | 一种基于表面摩阻实验的油膜厚度测量装置及测量方法 |
| CN113204879A (zh) * | 2021-05-07 | 2021-08-03 | 西华大学 | 一种基于荧光油膜的改进Hankel矩阵预测模型建模方法及应用 |
| CN114660037A (zh) * | 2022-05-23 | 2022-06-24 | 山东交通学院 | 基于差分拉曼复合荧光光谱的油膜测量装置及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5672007A (en) * | 1993-04-01 | 1997-09-30 | Massachusetts Institute Of Technology | Radiometer for determining oil film thickness |
| CN110189280A (zh) * | 2019-06-28 | 2019-08-30 | 南京硕基信息科技有限公司 | 一种雷达溢油探测系统及其探测方法 |
| CN111595247A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
-
2020
- 2020-12-17 CN CN202011493055.2A patent/CN112560346A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5672007A (en) * | 1993-04-01 | 1997-09-30 | Massachusetts Institute Of Technology | Radiometer for determining oil film thickness |
| CN110189280A (zh) * | 2019-06-28 | 2019-08-30 | 南京硕基信息科技有限公司 | 一种雷达溢油探测系统及其探测方法 |
| CN111595247A (zh) * | 2020-03-24 | 2020-08-28 | 自然资源部第一海洋研究所 | 基于自扩展卷积神经网络的原油油膜绝对厚度反演方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙鹏: ""基于光谱曲线特性的油膜厚度估计模型分析"", 《万方学术期刊数据库》 * |
| 李鹏: ""全局表面摩擦应力直接测量技术研究"", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112964184A (zh) * | 2021-04-12 | 2021-06-15 | 西华大学 | 一种基于表面摩阻实验的油膜厚度测量装置及测量方法 |
| CN112964184B (zh) * | 2021-04-12 | 2022-07-01 | 西华大学 | 一种基于表面摩阻实验的油膜厚度测量装置及测量方法 |
| CN113204879A (zh) * | 2021-05-07 | 2021-08-03 | 西华大学 | 一种基于荧光油膜的改进Hankel矩阵预测模型建模方法及应用 |
| CN114660037A (zh) * | 2022-05-23 | 2022-06-24 | 山东交通学院 | 基于差分拉曼复合荧光光谱的油膜测量装置及方法 |
| CN114660037B (zh) * | 2022-05-23 | 2022-08-26 | 山东交通学院 | 基于差分拉曼复合荧光光谱的油膜测量装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560346A (zh) | 一种基于神经网络的荧光油膜灰度与厚度建模方法 | |
| Monin et al. | Basic laws of turbulent mixing in the surface layer of the atmosphere | |
| Driver | Application of oil-film interferometry skin-friction measurement to large wind tunnels | |
| Windsor et al. | The flow fields involved in hydrodynamic imaging by blind Mexican cave fish (Astyanax fasciatus). Part I: open water and heading towards a wall | |
| CN103901014B (zh) | 多元线性回归拟合获得真实的细胞拉曼光谱的方法 | |
| CN103926156A (zh) | 一种三维岩石结构面剪切力学行为多重分形评估方法 | |
| Chitsaz et al. | An experimental study of the aerodynamics of micro corrugated wings at low Reynolds number | |
| Catalucci et al. | Comparison between point cloud processing techniques | |
| CN113204879B (zh) | 一种基于荧光油膜的改进Hankel矩阵预测模型建模方法及应用 | |
| CN105758602A (zh) | 一种桁架梁桥断面抖振力同步测量方法 | |
| Parwani et al. | Effect of laminar-turbulent transition modeling on PSP rotor hover predictions | |
| Mateer et al. | Skin-friction measurements and calculations on a lifting airfoil | |
| CN111964867B (zh) | 用于线状细长结构顺流向三维风荷载评估的阻力气动导纳识别方法及系统 | |
| 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 | |
| Kaurkin et al. | Assimilation of the AVISO altimetry data into the ocean dynamics model with a high spatial resolution using Ensemble Optimal Interpolation (EnOI) | |
| Wiegelmann et al. | Optimization approach for the computation of magnetohydrostatic coronal equilibria in spherical geometry | |
| Carper et al. | Subfilter-scale fluxes over a surface roughness transition. Part I: Measured fluxes and energy transfer rates | |
| Costantini et al. | Skin-Friction-Based Identification of the Critical Lines in a Transonic, High Reynolds Number Flow via Temperature-Sensitive Paint | |
| Oshima et al. | Development of a physics-informed neural network to enhance wind tunnel data for aerospace design | |
| Gray et al. | Experimental and computational evaluation of smooth-body separated flow over boeing bump | |
| CN110763424B (zh) | 一种机翼表面压力测量方法、系统及装置 | |
| Sundarraj et al. | Estimation of skin friction on the NASA BeVERLI Hill using oil film interferometry | |
| CN103399974A (zh) | 量化比较随机振动仿真数据与实验数据的方法 | |
| Husen et al. | Global skin-friction measurements using particle image surface flow visualization and a luminescent oil-film | |
| Monastero | Validation of 3-D ice accretion documentation and replication method including pressure-sensitive paint |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
| RJ01 | Rejection of invention patent application after publication |