[論文レビュー] Neural Particle Image Velocimetry

Nikolay Stulov, Michael Chertkov|arXiv (Cornell University)|Jan 28, 2021

Advanced Vision and Imaging参考文献 30被引用数 6

ひとこと要約

本論文では、連続する画像対から微細な速度場を推定することで、リアルタイムかつ高解像度の粒子画像速度計測（PIV）に適応した深層学習ベースの手法、PIV-VCN-enを提案する。この手法は、従来のオプティカルフロー法や相関相関法と比較して顕著に高い計算効率を達成しながら、最先端の精度を実現し、厳密な物理に基づく乱流診断を満たす。

ABSTRACT

In the past decades, great progress has been made in the field of optical and particle-based measurement techniques for experimental analysis of fluid flows. Particle Image Velocimetry (PIV) technique is widely used to identify flow parameters from time-consecutive snapshots of particles injected into the fluid. The computation is performed as post-processing of the experimental data via proximity measure between particles in frames of reference. However, the post-processing step becomes problematic as the motility and density of the particles increases, since the data emerges in extreme rates and volumes. Moreover, existing algorithms for PIV either provide sparse estimations of the flow or require large computational time frame preventing from on-line use. The goal of this manuscript is therefore to develop an accurate on-line algorithm for estimation of the fine-grained velocity field from PIV data. As the data constitutes a pair of images, we employ computer vision methods to solve the problem. In this work, we introduce a convolutional neural network adapted to the problem, namely Volumetric Correspondence Network (VCN) which was recently proposed for the end-to-end optical flow estimation in computer vision. The network is thoroughly trained and tested on a dataset containing both synthetic and real flow data. Experimental results are analyzed and compared to that of conventional methods as well as other recently introduced methods based on neural networks. Our analysis indicates that the proposed approach provides improved efficiency also keeping accuracy on par with other state-of-the-art methods in the field. We also verify through a-posteriori tests that our newly constructed VCN schemes are reproducing well physically relevant statistics of velocity and velocity gradients.

研究の動機と目的

• PIVデータから微細な速度場を推定するオンライン、高精度かつ高効率なアルゴリズムの開発を目的とする。
• 従来のPIV手法の限界、特に相関相関法による低空間分解能とオプティカルフロー法による高計算コストを克服することを目的とする。
• 特にボリュメトリックコアポンデンスネットワーク（VCN）を含む先進的なコンピュータビジョン技術をPIV問題に適応させ、性能向上を図ることを目的とする。
• 合成および実際の流れデータを用いた検証を通じて、速度および速度勾配統計の物理的整合性を保証することを目的とする。
• 高精度と計算効率を組み合わせることで、リアルタイムPIV処理を可能とし、アクティブな流れ制御などの応用を支援することを目的とする。

提案手法

• 本手法は、コンピュータビジョン分野で開発された立体マッチングを目的とした畳み込みニューラルネットワーク（VCN）をPIVに適応させ、連続する粒子像対間のオプティカルフローを推定する。
• VCNは、チャネル、シリンダ、バックワードステップ、DNS乱流、SQG流れを含む多様な流れタイプを含む、合成および実PIVデータの組み合わせからなるデータセット上でエンド・ツー・エンドに訓練される。
• ネットワークは、ピクセル単位の対応関係を学習することで、局所的な強度パターンとグローバルな流れ構造の両方を活用して、密な速度場を予測する。
• 物理的制約は、データ分布を通じて暗黙的かつ統合的に組み込まれており、非圧縮性やエネルギースペクトルスケーリングといった流体力学的性質が予測された速度場に適合していることを保証する。
• 標準的なPIV指標に加え、エネルギースペクトル、構造関数、発散テストといった高度な物理に基づく診断指標を用いてモデルを評価する。
• 一般化性と解像度の向上を図るため、強化されたアーキテクチャとデータ拡張を用いた変種、PIV-VCN-enが導入される。

実験結果

リサーチクエスチョン

• RQ1 合成および実PIVデータ上で訓練された深層学習ベースのオプティカルフローネットワークは、最先端の手法と同等の精度で密な速度場を生成できるか？
• RQ2 提案されたVCNベースの手法は、精度と計算効率の両面で、従来の相関相関法およびオプティカルフロー法を上回るか？
• RQ3 予測された速度場は、エネルギースペクトルや速度構造関数といった物理的に重要な統計的性質をどの程度保持しているか？
• RQ4 明示的な物理モデルなしに、乱流や複雑な流れを含む多様な流れ領域に一般化できるか？
• RQ5 本手法はリアルタイムPIV処理に適しており、アクティブな流れ制御などのオンライン応用を可能にするか？

主な発見

• PIV-VCN-enモデルは、空間分解能と計算効率の両面で、従来の相関相関法およびオプティカルフロー法を上回る最先端の精度を達成した。
• エネルギースペクトルおよび構造関数の観点から、予測された速度場は真値に非常に近い結果を示し、物理的整合性が強いことを示している。
• 特に非圧縮性を示す流れにおいて、平均発散が低く抑えられ、2次元投影における圧縮性アーチファクトに対して高い耐性を示しており、発散テストに合格している。
• VCNベースのアプローチは、HSのような従来のオプティカルフロー法と比較して推論時間を顕著に短縮しており、リアルタイム実装の可能性を秘めている。
• DNS乱流やSQG流れを含む多様な流れタイプにわたり、一貫した性能を示し、一般化性が優れている。
• 物理に基づく診断により、予測された速度勾配および速度増分が空間的・時間的スケールに適切にスケーリングされていることが確認され、物理的に妥当な妥当性が裏付けられた。