بازسازی میدان سرعت سیال اندازه‌گیری شده توسط اِس.پی.آی.وی با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی، دانشگاه امام علی (ع)، تهران، ایران

2 دانشکده مهندسی مکانیک-دانشگاه امام علی (ع)، تهران، ایران

چکیده

یکی از ابزارهای مهم و اصلی مطالعه جریان و معیار ارزیابی دیگر روش‌ها مانند روش‌های عددی، داده‌های آزمایشگاهی مکانیک سیالات است. بنابراین، کیفیت مطلوب داده‌هایی که در آزمایشگاه اندازه‌گیری می‌شوند، مهم می‌باشد. میدان سرعت سیال، یکی از اطلاعات مهم هر جریانی است که با ابزارهای مختلفی اندازه‌گیری می‌شوند. یکی از آن ابزارها، ابزار اِس.پی.آی.وی است. این ابزار، اطلاعات صفحه‌ای را از مولفه‌های سرعت جریان در اختیار قرار می‌دهد. معمولا، داده‌های استخراج شده از این ابزار، در برخی از نقاط میدان سرعت، به دلایل مختلف و شرایط آزمایشگاهی، دارای خطای زیادی خواهند شد و مقادیر بدست آمده در این نقاط، حذف می‌گردند که اصطلاحا به آن‌ها، نقاط نقص گویند. بنابراین، برای بازسازی میدان سرعت در نقاط نقص، روش‌هایی مورد نیاز است که در این راستا، در پژوهش حاضر، از شبکه‌های عصبی مصنوعی، همانند اِم.اِل.پی و سی.اِن.اِن استفاده شده است. بهینه‌سازی تعداد نرون‌های شبکه اِم.اِل.پی، توسط میانگین خطای داده‌های تست و تطابق تصاویر، انجام شده است. خطای نهایی برای هر یک از روش‌ها بدست آمده است که با توجه به خطاها و تطابق میدان سرعت بازسازی شده با داده‌های آزمایشگاهی، این نتیجه حاصل شد که برای هر دو مولفه سرعت، شبکه عصبی سی.اِن.اِن بهترین عملکرد را داشته‌ است.

کلیدواژه‌ها

Smiley face

مراجع

  1. G. Raben, J. J. Charonko, and P. P. Vlachos, “Adaptive gappy proper orthogonal decomposition for particle image velocimetry data reconstruction”, Meas. Sci. Technol., Vol. 23, No. 2, p. 25303, 2012.
  2. E. Murray and L. S. Ukeiley, “An application of Gappy POD”, Exp. Fluids, Vol. 42, No. 1, pp. 79–91, 2007.
  3. Everson and L. Sirovich, “Karhunen–Loeve procedure for gappy data”, JOSA A, Vol. 12, No. 8, pp. 1657–1664, 1995.
  4. Venturi and G. E. Karniadakis, “Gappy data and reconstruction procedures for flow past a cylinder”, J. Fluid Mech., Vol. 519, pp. 315–336, 2004.
  5. Willcox, “Unsteady flow sensing and estimation via the gappy proper orthogonal decomposition”, Comput. Fluids, Vol. 35, No. 2, pp. 208–226, 2006.
  6. Gunes, S. Sirisup, and G. E. Karniadakis, “Gappy data: To Krig or not to Krig?”, J. Comput. Phys., vol. 212, No. 1, pp. 358–382, 2006.
  7. E. Meyer, J. M. Pedersen, and O. Özcan, “A turbulent jet in cross flow analysed with proper orthogonal decomposition”, J. Fluid Mech., Vol. 583, pp. 199–227, 2007.
  8. Ahmed, H. El Kadi, and A. AlSharif, “Three-dimensional turbulent swirling flow reconstruction using artificial neural networks”, J. Mech. Eng. Autom., Vol. 4, No. 1, pp. 1–9, 2014.
  9. Fukami, K. Fukagata, and K. Taira, “Super-resolution reconstruction of turbulent flows with machine learning”, J. Fluid Mech., Vol. 870, pp. 106–120, 2019.
  10. T. Mohan and D. V Gaitonde, “A deep learning based approach to reduced order modeling for turbulent flow control using LSTM neural networks”, arXivPrepr. arXiv1804.09269, 2018.
  11. Cai, J. Liang, Q. Gao, C. Xu, and R. Wei, “Particle image velocimetry based on a deep learning motion estimator”, IEEE Trans. Instrum. Meas., Vol. 69, No. 6, pp. 3538–3554, 2019.
  12. Evain, K. Faraz, T. Grenier, D. Garcia, M. De Craene, and O. Bernard, “A pilot study on convolutional neural networks for motion estimation from ultrasound images”, IEEE Trans. Ultrason. Ferroelectr. Freq. Control, Vol. 67, No. 12, pp. 2565–2573, 2020.
  13. HR, "Optimizing the Inlet of the Squirrel Nest Technique”, Msc Thesis, Amirkabir University of Technology, Faculty of Mechanical Engineering, 1998. (In Persian)
  14. Firuznia, Neda, "Jet and wake impact analysis and noise generation over fan cut off from PIV experiments”, Msc Thesis, Amirkabir University of Technology, Faculty of Mechanical Engineering, 2016. (In Persian).
  15. Loboda, I., Feldshteyn, Y., and Ponomaryov, V., “Neural Networks for Gas Turbine Fault Identification: Multilayer Perceptron or Radial Basis Network”, International Journal of Turbo and Jet Engines, 29(1), 37-48, 2012.
  16. T. Pham and X. Liu, “Neural Networks for Identification”, Prediction and Control, Springer Verlag, London, 1995.
  17. Hemmatasfe, M., esfande, S., and akhooundzade, M. “orecasting of Convective Heat Transfer Coefficient in Turbulent Flow of Different Nanofluids in Circular Tubes, Using Artificial Neural Network”, Fluid Mechanics & Aerodynamics Journal, 7(1), pp. 1-11, 2018.
  18. Yu W, Huang S, and Xiao W. Fault Diagnosis Based on an Approach Combining a Spectrogram and a Convolutional Neural Network with Application to a Wind Turbine System. Energies. 2018; 11(10):2561. https://doi.org/10.3390/en11102561
  19. Zhou, D., Yao, Q., Wu, H., and Zhang, H., “Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks”, Energy, Vol. 200, 1 June 2020, 117467.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 30 آذر 1400
  • تاریخ بازنگری: 30 اردیبهشت 1401
  • تاریخ پذیرش: 18 خرداد 1401

هم رسانی

ارجاع به این مقاله

آمار