[论文解读] Density reconstruction from schlieren images through Bayesian nonparametric models

Bryn N. Ubald, Pranay Seshadri+1 more|arXiv (Cornell University)|Jan 13, 2022

Gaussian Processes and Bayesian Inference被引用 4

一句话总结

本文提出一种贝叶斯非参数方法，采用缩放的、导数增强的高斯过程，从刀刃全息图像中重建流体密度，利用水平和垂直刀刃取向。该方法即使在仅有部分梯度数据的情况下也能实现精确的密度估计，在风洞、飞行和CFD测试案例中均表现出稳健性能，并通过与真实值的定量对比验证了其有效性。

ABSTRACT

This study proposes a radically alternate approach for extracting quantitative information from schlieren images. The method uses a scaled, derivative enhanced Gaussian process model to obtain true density estimates from two corresponding schlieren images with the knife-edge at horizontal and vertical orientations. We illustrate our approach on schlieren images taken from a wind tunnel sting model, a supersonic aircraft in flight, and a high-order numerical shock tube simulation.

研究动机与目标

• 解决从通常为定性或半定量的刀刃全息图像中提取定量密度数据的挑战。
• 克服现有方法依赖单方向刀刃图像或假设已知流场参数的局限性。
• 开发一种稳健的非参数贝叶斯框架，从未完全观测的、含噪声的刀刃观测中推断完整的密度场。
• 实现在仅能获取一个梯度方向（水平或垂直）时的精确密度重建。
• 在多种物理场景下验证该方法，包括风洞实验、超音速飞行以及高保真CFD模拟。

提出的方法

• 采用缩放的、导数增强的高斯过程（GP）模型，从刀刃全息图像中联合推断密度场及其梯度。
• 通过Gladstone-Dale关系将折射率梯度建模为与密度梯度成正比，比例常数已知。
• 利用两张刀刃全息图像——一张为水平刀刃（感知∂n/∂x），一张为垂直刀刃（感知∂n/∂y）——作为GP先验的信息来源。
• 引入非高斯似然函数以及对长度尺度和信号方差的层次化先验，以提升对噪声和不确定性的鲁棒性。
• 采用马尔可夫链蒙特卡洛（MCMC）采样对密度场和超参数进行后验推断。
• 将GP的后验均值用作估计的密度场，后验标准差用于不确定性量化。

实验结果

研究问题

• RQ1 贝叶斯非参数模型能否成功地从两个正交刀刃取向的刀刃全息图像中重建准确的流体密度场？
• RQ2 当仅有单个梯度方向数据时，该方法的性能相较于完整数据表现如何？
• RQ3 在存在噪声、衍射伪影或全息系统过范围的情况下，该模型在多大程度上能恢复密度结构？
• RQ4 通过梯度增强GP引入导数信息，相较于标准GP回归，能在多大程度上提升重建精度？
• RQ5 该方法能否有效应用于真实实验数据和高保真模拟数据，而不仅限于理想化测试案例？

主要发现

• 在合成测试案例中，该方法成功重建了真实密度场，后验均值与真实值高度吻合。
• 即使仅有垂直梯度数据，模型仍能恢复正确的密度趋势并捕捉主要流场特征，表明对部分观测具有强鲁棒性。
• 在风洞支架模型案例中，重建的密度场与预期物理行为高度一致，后验标准差显示在流场中心区域具有高置信度。
• 在超音速飞行器案例中，该方法成功恢复了与激波形成一致的密度跃变，激波区域的估计密度与流体力学理论预期值相符。
• 在高阶CFD激波管模拟中，该模型准确捕捉了激波前缘和膨胀波，重建的密度剖面与模拟数据高度一致。
• 与标准GP回归相比，采用导数增强GP建模显著提升了重建保真度，尤其在分辨锐利梯度和不连续性方面表现更优。