基于深度学习的流场时程特征提取模型

• 作者: 战庆亮 葛耀君 白春锦
• 来源期刊: 物理学报
• 关键词: 流场特征提取 深度学习 流场时程 残差卷积网络 特征识别
• 年，卷（期）: 2022,（7）
• 所属期刊栏目: 电磁学、光学、声学、传热学、经典力学和流体动力学|ELECTROMAGNETISM, OPTICS, ACOUSTICS, HEAT TRANSFER,CLASSICAL MECHANICS, AND FLUID DYNAMICS
• 页码范围: 219-228
• 页数: 10页
• 语种: 中文
• DOI: 10.7498/aps.71.20211373

摘要

特征识别是流体力学的重要研究方向,然而在中高雷诺数情况下物体的尾流流场复杂,难以通过传统方法实现特征的提取与识别.深度学习理论与技术的不断发展为复杂流场特征的识别提供了新方法.基于流场时程数据的深度学习模型,本文研究了4种模型对尾流场特征提取与识别的精度,得到了针对流场时程特征提取的高精度新方法.结果表明:所提出的模型能够识别尾流物理时程的不同特征,并通过流场时程实现了目标的外形识别,验证了方法的可行性;同时结果表明基于卷积运算的深度学习模型精度高,适用于流场时程数据的特征分析;深度学习网络结构更深、层间结构复杂的残差卷积网络识别精度最高,是尾流时程分析的高精度算法.本文所提方法从流场物理量时程的角度对流场特征进行了提取与识别,证明了深度学习方法具有较高的识别精度,是研究流场特征的重要途径.