CN114036856B - 一种锂离子电池电极干燥流场高分辨率图像重构方法 - Google Patents

一种锂离子电池电极干燥流场高分辨率图像重构方法 Download PDF

Info

Publication number
CN114036856B
CN114036856B CN202111420265.3A CN202111420265A CN114036856B CN 114036856 B CN114036856 B CN 114036856B CN 202111420265 A CN202111420265 A CN 202111420265A CN 114036856 B CN114036856 B CN 114036856B
Authority
CN
China
Prior art keywords
flow field
resolution image
lithium ion
ion battery
battery electrode
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
CN202111420265.3A
Other languages
English (en)
Other versions
CN114036856A (zh
Inventor
黄天仑
陈再励
王楠
李辰潼
焦泽昱
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.)
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
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 Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority to CN202111420265.3A priority Critical patent/CN114036856B/zh
Publication of CN114036856A publication Critical patent/CN114036856A/zh
Application granted granted Critical
Publication of CN114036856B publication Critical patent/CN114036856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于锂离子电池电极干燥领域，具体涉及一种锂离子电池电极干燥流场高分辨率图像重构方法，其包括以下步骤，S1、获取锂离子电池电极干燥流场的低分辨率图像样本；S2、构建基于物理信息的损失函数；S3、设计基于物理信息损失函数的深度网络模型；S4、利用S1锂离子电池电极干燥流场的低分辨率图像样本，训练基于物理信息损失函数的深度网络模型，获得优化后的基于物理信息损失函数的深度网络模型；S5、将待重构的锂离子电池电极干燥流场的低分辨率图像重构为高分辨率的流场图像。该方法可以降低成像设备空间分辨率的要求或计算流体力学模型的网格规模，重构的流场同时可以满足相关的物理守恒定律，从而提高设计效率并降低成本。

Description

一种锂离子电池电极干燥流场高分辨率图像重构方法
技术领域
本发明属于锂离子电池电极干燥领域，具体涉及一种锂离子电池电极干燥流场高分辨率图像重构方法。
背景技术
锂离子电池电极制造通常采用涂布、干燥等方法进行制造，其中干燥是指借助于热空气除去电极浆料中的溶剂，并由热空气带走所生成废气的过程。干燥工艺是决定锂离子电池电极组分分布、倍率、循环等性能的关键性工艺。干燥工艺的模式严重依赖于干燥流场特性，通常采用高精度计算流体力学仿真(李徐佳,高殿荣,王华山.锂电池极片干燥箱风刀内流特性的试验与数值模拟对比研究.机械工程学报[J].2015,51(24):105-111.黄天仑.锂离子电池极片悬浮干燥的喷嘴流场特性分析与优化[D].华中科技大学,2020.)、高精度粒子成像速度仪(胡建军,朱晴,王美达,金瑶兰,王思民,孔祥东.近距离下射流冲击平板PIV实验研究[J].力学学报,2020,52(05):1350-1361.)来预测锂离子电池电极干燥流场，高精度计算流体力学仿真需要耗费大量的计算资源、设计周期长；而高精度粒子成像速度仪测量成本高，导致锂离子电池电极干燥流场的预测难以满足锂离子电池快速更新换代的需求。
目前其他领域的流场高分辨率重构大多借助于高分辨率图像作为监督信息，用于低分辨率图像的超分辨率重构。而在实际过程中，高分辨率图像的获取周期长、成本高，甚至难以获取。现有无监督超分辨率重构,如公布号“CN113538246A”的专利，公开了一种基于无监督多阶段融合的遥感图像超分辨率重建方法，其实现步骤为：构建由多阶段融合网络；生成非匹配的训练集；利用构建一致性损失函数对网络依次进行内容一致性、感知内容一致性和感知分布一致性三个阶段的训练；对遥感图像进行超分辨率重建侧过程没有利用物理信息，从而重构的高分辨率流场可能不满足相应的物理守恒定律。
因此，需提供一种基于物理信息的锂离子电池电极干燥流场无监督高分辨率重构方法。
发明内容
本发明针对锂离子电池电极干燥流场的难以快速、高精度的预测，而现有无监督超分辨率重构没有利用物理信息导致重构的高分辨率流场可能不满足物理守恒定律的问题，提供一种基于物理信息的锂离子电池电极干燥流场无监督超分辨率重构方法，具体实施方案如下。
一种锂离子电池电极干燥流场高分辨率图像重构方法，包括如下步骤，
S1、获取锂离子电池电极干燥流场的低分辨率图像样本；
S2、构建基于物理信息的损失函数；
S3、设计基于物理信息损失函数的深度网络模型，该模型的输入为锂离子电池电极干燥流场的低分辨率图像，输出为高分辨图像；
S4、利用S1锂离子电池电极干燥流场的低分辨率图像样本，通过随机小批量梯度下降方法训练基于物理信息损失函数的深度网络模型，获得优化后的基于物理信息损失函数的深度网络模型；
S5、利用优化后的基于物理信息损失函数的深度网络模型，将待重构的锂离子电池电极干燥流场的低分辨率图像重构为高分辨率的流场图像。
此方法中，构建了基于物理信息的损失函数，重构的流场可满足相关的物理守恒定律；可降低计算流体力学仿真的计算规模、设计周期；可降低成像设备空间分辨率的要求。
进一步的，所述S1采用低分辨率的粒子成像速度仪设备对锂离子电池电极干燥流场进行数据采集，获得锂离子电池电极干燥流场的低分辨率图像样本。
进一步的，所述S1具体为：
建立锂离子电池电极干燥流场的计算流体力学仿真模型；
利用粗网格对计算域进行网格划分，设定合适的边界条件，采集低分辨率流场数据，获得锂离子电池电极干燥流场的低分辨率图像样本。
进一步的，所述S1具体为：
建立锂离子电池电极干燥流场的计算流体力学仿真模型；
利用精细网格对计算域进行网格划分，并设定合适的边界条件，采集高分辨率流场数据；
对高分辨率流场数据进行降采样，获得锂离子电池电极干燥流场的低分辨率图像样本。
进一步的，所述对高分辨率流场数据进行降采样利用双线性插值、最大池化或平均池化降采样方法。
进一步的，所述S2构建基于物理信息的损失函数，
基于物理信息的损失函数的形式为：
Figure BDA0003377074960000021
其中M、N、K分别为高分辨率图像在x、y、z方向上的像素点数目，e1，ijk，e2，ijk，e3，ijk，e4，ijk为高分辨率图像第i,j,k个像素点在各个偏微分方程的残差，e1，ijk，e2，ijk，e3，ijk，e4，ij通过将高分辨图像代入物理信息的连续性方程和动量方程的离散格式得到，
所述物理信息的连续性方程和动量方程为：
Figure BDA0003377074960000031
其中ux、uy、uz分别表示各个分量方向上的速度，P表示压力，μ表示动力粘度，ρ表示密度；
采用有限差分法、有限体积法或有限单元法获得方程(2)的离散格式。
进一步的，所述S3中的基于物理信息损失函数的深度网络模型包括多个密集连接模块、多个卷积模块和一个上采样模块，每个密集连接模块包含四个卷积层。
进一步的，所述上采样模块为PixelShuffle层。
进一步的，所述S4具体为：
将S1中锂离子电池电极干燥流场的低分辨率图像样本输入基于物理信息损失函数的深度网络模型，得到重构后的高分辨率图像，将重构后的高分辨率图像代入到连续性方程和动量方程的离散格式，并通过上述公式(2)得到相应的基于物理信息的损失函数，结合基于物理信息的损失函数和小批量梯度下降方法，对基于物理信息损失函数的深度网络模型的参数进行训练优化，优化到预设数值后停止训练,获得优化后的基于物理信息损失函数的深度网络模型。
有益效果：
1.构建了基于物理信息的损失函数，重构的流场可满足相关的物理守恒定律；
2.重构后的高分辨率的流场图像与高精度粒子成像速度仪设备测量的结果基本一致；
3.采用粒子成像速度仪设备获得锂离子电池电极干燥流场的低分辨率图像样本时，可降低粒子成像速度仪设备空间分辨率的要求；建立锂离子电池电极干燥流场的计算流体力学仿真模型，以获得锂离子电池电极干燥流场的低分辨率图像样本时，可降低计算流体力学仿真模型的网络规模；从而可有效提高锂离子电池的设计效率并降低成本。
附图说明
下面结合附图和具体实施例对本发明作出进一步详细说明。
图1为本优选实施例中锂离子电池电极干燥流场超分辨率重构的方法示意图。
图2为本优选实施例中深度网络模型的结构示意图。
图3为本优选实施例中密集连接模块的结构示意图。
图4为本优选实施例中低分辨率流场数据的高分辨率图像重构结果。
图5为原始高分辨率的仿真结果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例
本实施例提供一种锂离子电池电极干燥流场高分辨率图像重构方法，具体包括以下步骤：
S1、获取锂离子电池电极干燥流场的低分辨率图像样本，可通过如下方法的一种获得：
1.采用低分辨率的粒子成像速度仪设备对锂离子电池电极干燥流场进行数据采集，锂离子电池电极干燥流场的低分辨率图像样本；
2.建立锂离子电池电极干燥流场的计算流体力学仿真模型，利用粗网格对计算域进行网格划分，并设定合适的边界条件，获得锂离子电池电极干燥流场的低分辨率图像样本；
3.建立锂离子电池电极干燥流场的计算流体力学仿真模型，利用精细网格对计算域进行网格划分，并设定合适的边界条件，获得高分辨率流场数据；利用双线性插值、最大池化或平均池化等降采样方法对高分辨率流场数据进行降采样，锂离子电池电极干燥流场的低分辨率图像样本。
S2、构建基于物理信息的损失函数,
基于物理信息的损失函数的形式为：
Figure BDA0003377074960000051
其中M、N、K分别为高分辨率图像在x、y、z方向上的像素点数目，e1，ijk，e2，ijk，e3，ijk，e4，ijk为高分辨率图像第i,j,k个像素点在各个偏微分方程的残差，e1，ijk，e2，ijk，e3，ijk，e4，ij通过将高分辨图像代入物理信息的连续性方程和动量方程的离散格式得到，
所述物理信息的连续性方程和动量方程为：
Figure BDA0003377074960000052
其中ux、uy、uz分别表示各个分量方向上的速度，P表示压力，μ表示动力粘度，ρ表示密度；
采用有限差分法、有限体积法或有限单元法获得方程(2)的离散格式。
其中，有限差分中ux的一阶和二阶偏导数离散格式为：
Figure BDA0003377074960000053
与ux的一阶和二阶偏导数离散格式(3)类似，只需将相应的ux替换为相应的uy、uz和P，即可得到uy、uz和P的离散格式，将ux、uy和uz的一阶和二阶偏导数、P的一阶偏导数代入到方程(2)中，得到物理信息的连续性方程和动量方程的离散格式；将高分辨图像代入物理信息的连续性方程和动量方程的离散格式得到e1，ijk，e2，ijk，e3，ijk，e4，ijk；将e1，ijk，e2，ijk，e3，ijk，e4，ijk代入到(1)中，即可获得基于连续性方程、动量方程的物理信息损失函数。
S3、设计基于物理信息损失函数的深度网络模型，该模型的输入为锂离子电池电极干燥流场的低分辨率图像，输出高分辨图像；
S4、利用S1锂离子电池电极干燥流场的低分辨率图像样本，通过随机小批量梯度下降方法训练基于物理信息损失函数的深度网络模型，获得优化后的基于物理信息损失函数的深度网络模型；
具体来说，将S1中锂离子电池电极干燥流场的低分辨率图像样本输入基于物理信息损失函数的深度网络模型，得到重构后的高分辨率图像，将重构后的高分辨率图像代入到连续性方程和动量方程的离散格式，并通过上述公式(2)得到相应的基于物理信息的损失函数，结合基于物理信息的损失函数和小批量梯度下降方法，对基于物理信息损失函数的深度网络模型的参数进行训练优化，优化200个epoch后停止训练，获得优化后的基于物理信息损失函数的深度网络模型。
S5、利用优化后的基于物理信息损失函数的深度网络模型，将待重构的锂离子电池电极干燥流场的低分辨率图像重构为高分辨率的流场图像。
此实施例提供锂离子电池电极干燥流场高分辨率图像重构方法，构建了基于物理信息的损失函数，重构的流场可满足相关的物理守恒定律；重构后的高分辨率的流场图像与高精度粒子成像速度仪设备测量的结果基本一致；采用粒子成像速度仪设备获得锂离子电池电极干燥流场的低分辨率图像样本时，可降低粒子成像速度仪设备空间分辨率的要求；建立锂离子电池电极干燥流场的计算流体力学仿真模型，以获得锂离子电池电极干燥流场的低分辨率图像样本时，可降低计算流体力学仿真模型的网络规模，从而可有效提高锂离子电池的设计效率并降低成本。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，包括如下步骤，
S1、获取锂离子电池电极干燥流场的低分辨率图像样本；
S2、构建基于物理信息的损失函数；
基于物理信息的损失函数的形式为：
Figure FDA0003886107270000011
其中M、N、K分别为高分辨率图像在x、y、z方向上的像素点数目，e1,ijk，e2,ijk，e3,ijk，e4,ijk为高分辨率图像第i,j,k个像素点在各个偏微分方程的残差，e1,ijk，e2,ijk，e3,ijk，e4,ijk通过将高分辨图像代入物理信息的连续性方程和动量方程的离散格式得到，
所述物理信息的连续性方程和动量方程为：
Figure FDA0003886107270000012
Figure FDA0003886107270000013
Figure FDA0003886107270000014
Figure FDA0003886107270000015
其中ux、uy、uz分别表示各个分量方向上的速度，P表示压力，μ表示动力粘度，ρ表示密度；
采用有限差分法、有限体积法或有限单元法获得方程(2)的离散格式；
S3、设计基于物理信息损失函数的深度网络模型，该模型的输入为锂离子电池电极干燥流场的低分辨率图像，输出高分辨图像；
S4、利用S1锂离子电池电极干燥流场的低分辨率图像样本，通过随机小批量梯度下降方法训练基于物理信息损失函数的深度网络模型，获得优化后的基于物理信息损失函数的深度网络模型；
S5、利用优化后的基于物理信息损失函数的深度网络模型，将待重构的锂离子电池电极干燥流场的低分辨率图像重构为高分辨率图像。
2.根据权利要求1所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，所述S1采用低分辨率的粒子成像速度仪设备对锂离子电池电极干燥流场进行数据采集，获得锂离子电池电极干燥流场的低分辨率图像样本。
3.根据权利要求1所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，所述S1具体为：
建立锂离子电池电极干燥流场的计算流体力学仿真模型；
利用粗网格对计算域进行网格划分，设定合适的边界条件，采集低分辨率流场数据，获得锂离子电池电极干燥流场的低分辨率图像样本。
4.根据权利要求1所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，所述S1具体为：
建立锂离子电池电极干燥流场的计算流体力学仿真模型；
利用精细网格对计算域进行网格划分，并设定合适的边界条件，采集高分辨率流场数据；
对高分辨率流场数据进行降采样，获得锂离子电池电极干燥流场的低分辨率图像样本。
5.根据权利要求4所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，所述对高分辨率流场数据进行降采样利用双线性插值、最大池化或平均池化降采样方法。
6.根据权利要求5所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，所述S3中的基于物理信息损失函数的深度网络模型包括多个密集连接模块、多个卷积模块和一个上采样模块，每个密集连接模块包含四个卷积层。
7.根据权利要求6所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，所述上采样模块为PixelShuffle层。
8.根据权利要求7所述的锂离子电池电极干燥流场高分辨率图像重构方法，其特征在于，
所述S4具体为：
将S1中锂离子电池电极干燥流场的低分辨率图像样本输入基于物理信息损失函数的深度网络模型，得到重构后的高分辨率图像，将重构后的高分辨率图像代入到连续性方程和动量方程的离散格式，并通过上述公式(1)得到相应的基于物理信息的损失函数，结合基于物理信息的损失函数和小批量梯度下降方法，对基于物理信息损失函数的深度网络模型的参数进行训练优化，优化到预设数值后停止训练,获得优化后的基于物理信息损失函数的深度网络模型。
CN202111420265.3A 2021-11-26 2021-11-26 一种锂离子电池电极干燥流场高分辨率图像重构方法 Active CN114036856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111420265.3A CN114036856B (zh) 2021-11-26 2021-11-26 一种锂离子电池电极干燥流场高分辨率图像重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111420265.3A CN114036856B (zh) 2021-11-26 2021-11-26 一种锂离子电池电极干燥流场高分辨率图像重构方法

Publications (2)

Publication Number Publication Date
CN114036856A CN114036856A (zh) 2022-02-11
CN114036856B true CN114036856B (zh) 2022-12-23

Family

ID=80138855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111420265.3A Active CN114036856B (zh) 2021-11-26 2021-11-26 一种锂离子电池电极干燥流场高分辨率图像重构方法

Country Status (1)

Country Link
CN (1) CN114036856B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9497380B1 (en) * 2013-02-15 2016-11-15 Red.Com, Inc. Dense field imaging
CN111956259A (zh) * 2020-08-13 2020-11-20 厦门大学 基于深度神经网络架构的肺音识别方法、装置和设备
WO2021185225A1 (zh) * 2020-03-16 2021-09-23 徐州工程学院 基于自适应调整的图像超分辨率重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10769761B2 (en) * 2017-06-30 2020-09-08 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9497380B1 (en) * 2013-02-15 2016-11-15 Red.Com, Inc. Dense field imaging
WO2021185225A1 (zh) * 2020-03-16 2021-09-23 徐州工程学院 基于自适应调整的图像超分辨率重建方法
CN111956259A (zh) * 2020-08-13 2020-11-20 厦门大学 基于深度神经网络架构的肺音识别方法、装置和设备

Also Published As

Publication number Publication date
CN114036856A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN109657418B (zh) 一种基于mike21的湖泊水环境容量计算方法
CN106934185A (zh) 一种弹性介质的流固耦合多尺度流动模拟方法
CN108594660B (zh) 一种时不变结构的工作模态参数识别方法和系统
CN108153984B (zh) 一种基于流场密度阶跃的高精度间断迦辽金人工粘性激波捕捉方法
US20220372891A1 (en) Method for stability analysis of combustion chamber of gas turbine engine based on image sequence analysis
CN114117968B (zh) 水气两相流全耦合求解的飞行器水上起降载荷分析方法
CN110441209B (zh) 一种基于致密储层数字岩心计算岩石渗透率的方法
Prasianakis et al. Simulation of 3D porous media flows with application to polymer electrolyte fuel cells
CN109117954A (zh) 基于混合径向基神经网络的黑箱系统设计优化方法
CN112560346A (zh) 一种基于神经网络的荧光油膜灰度与厚度建模方法
CN111339642A (zh) 仿真模型率定方法、系统、可读介质、设备
CN115758841A (zh) 一种面向数字孪生应用的变压器温度场有限元降阶建模方法
Liu et al. Linear and weakly nonlinear analysis of Rayleigh–Bénard convection of perfect gas with non-Oberbeck–Boussinesq effects
CN110222368B (zh) 一种利用二维切片计算岩心三维孔隙度和渗透率的方法
CN114036856B (zh) 一种锂离子电池电极干燥流场高分辨率图像重构方法
Majewski et al. Developing particle image velocimetry software based on a deep neural network
CN107622476A (zh) 基于概率生成模型的图像超分辨处理方法
CN111751403A (zh) 一种热障涂层数值重构模型测试方法和装置
CN108256266B (zh) 一种一维水动力模型和二维水动力模型耦合方法及系统
CN116306206A (zh) 一种基于深度神经网络的翼型跨音速抖振流场快速预测方法
CN116362108A (zh) 一种基于试验数据的斜爆震流场重构方法及系统
CN113591417B (zh) 一种应用于高精度间断迦辽金流体仿真的粘性项处理方法
CN110441204B (zh) 一种基于数字岩心模拟的致密储层压裂液伤害数字化评价方法
CN115563894A (zh) 一种复杂分层及拼接数字岩心的渗透率预测方法
CN109886188B (zh) 一种基于图像处理的pemfc阴极流道水可视化处理方法

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