基于深度光流神经网络的标量场测速
摘要
提出一种基于改进光流神经网络的非侵入式速度场观测方法。针对常规光学条件下无示踪粒子存在的场景，该方法通过深度学习直接从标量场图像中提取速度信息。研究构建了SIV-RAFT（Scalar Image Velocimetry Recurrent All-Pairs Field Transforms）模型，该模型主要在经典RAFT框架基础上实现两项关键改进：1） 采用可变形卷积神经网络（DCN）重构特征提取模块，提升对几何形变的适应能力；2） 在光流更新模块中引入注意力机制，以增强对复杂流动特征的捕捉能力。研究结合实验观测与大涡模拟（LES）构建射流标量场数据集，利用标量场时空演变数据训练网络模型。进一步对湍流标准数据集进行直接数值模拟（DNS）验证，速度场的重建均方根误差为0.682。结果表明模型在速度场的重建上具有较好的泛化能力。该方法为复杂流动场景下速度场与标量场的同步观测实验提供了新的技术途径。
引用本文（GB/T 7714）
蒋茗韬 Jiang Mingtao, 徐文杰 Xu Wenjie, 陈维 Chen Wei. 基于深度光流神经网络的标量场测速[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。