[论文解读] Robust Principal Component Analysis for Particle Image Velocimetry

Isabel Scherl, Benjamin Strom+4 more|arXiv (Cornell University)|May 16, 2019

Probabilistic and Robust Engineering Design参考文献 34被引用 12

一句话总结

本文提出利用鲁棒主成分分析（RPCA）通过利用全局低秩结构和稀疏异常分量，检测并重构粒子图像测速（PIV）数据中的错误或缺失速度矢量。RPCA在包括层流、湍流和复杂钝体流在内的多种流动中，有效保留了相干流动结构和小尺度湍流，同时填补了异常值。

ABSTRACT

Particle image velocimetry (PIV) is an experimental technique used to measure fluid flow fields. However, PIV fields often have spurious and missing velocity vectors that degrade subsequent analyses. Standard post-processing involves the identification and replacement of outliers based on local information. We present a method to identify and fill in erroneous or missing PIV vectors using global information via robust principal component analysis (RPCA), a statistical technique developed for outlier rejection. RPCA decomposes a data matrix into a low-rank matrix containing coherent structures and a sparse matrix of outliers. We explore RPCA on a range of fluid simulations and experiments of varying complexity. First, we analyze direct numerical simulations of flow past a circular cylinder at Reynolds number 100 with artificially added outliers, alongside similar PIV measurements at Reynolds number 413. Next, we apply RPCA to a turbulent channel flow simulation from the Johns Hopkins Turbulence database, demonstrating that dominant coherent structures are maintained and the turbulent kinetic energy spectrum remains largely intact. Finally, we investigate PIV measurements behind a two-bladed cross-flow turbine that exhibits both broadband and coherent phenomena. In all cases, we find that RPCA extracts dominant fluid coherent structures and identifies and fills in corruption and outliers, with minimal degradation of small scale structures.

研究动机与目标

• 解决PIV数据中虚假和缺失速度矢量导致下游分析质量下降的挑战。
• 通过引入一种全局、数据驱动的矢量校正方法，克服局部后处理方法的局限性。
• 在PIV矢量重构过程中，同时保留大尺度相干结构和小尺度湍流特征。
• 展示RPCA在从层流到湍流及复杂流动等多种流动状态下的鲁棒性。
• 在合成数据、直接数值模拟和真实实验PIV测量数据上验证该方法。

提出的方法

• 应用鲁棒主成分分析（RPCA）将PIV数据矩阵分解为表示相干流动结构的低秩分量和表示异常值及缺失矢量的稀疏分量。
• 使用核范数最小化和ℓ1-范数最小化求解RPCA优化问题，实现结构化流动与受损数据的分离。
• 将PIV矢量场处理为矩阵，其中每一行对应一个空间位置，每一列对应一个时间实例或测量周期。
• 通过交替方向乘子法（ADMM）算法迭代优化低秩分量和稀疏分量，实现高效计算。
• 通过将低秩矩阵与识别出的异常值稀疏矩阵相结合，重构校正后的PIV场。
• 通过与模拟和真实PIV数据中的真实值对比，验证方法的性能。

实验结果

研究问题

• RQ1 RPCA能否有效利用全局数据结构识别并重构缺失或受损的PIV矢量？
• RQ2 RPCA在重构的PIV数据中，对相干流动结构和小尺度湍流特征的保留效果如何？
• RQ3 RPCA在矢量校正后是否保持了湍流动能谱等湍流统计量的准确性？
• RQ4 RPCA在包括层流、湍流和复杂钝体流在内的不同流动状态下的表现如何？
• RQ5 与传统局部异常值检测方法相比，RPCA在保持流动保真度方面是否表现更优？

主要发现

• RPCA在所有测试的流动配置中均成功识别并重构了受损和缺失的PIV矢量，包括合成异常值和真实实验数据。
• 该方法在层流和湍流中均有效保留了主要的相干结构，例如圆柱后方的冯·卡门涡街。
• RPCA重构后，湍流动能谱基本保持不变，表明对小尺度湍流的失真极小。
• 在复杂流动（如两叶片横流涡轮机后方）中，RPCA仍能保持准确性，该区域同时存在宽带和相干结构。
• RPCA的低秩分量捕捉了主导流动动力学，而稀疏分量则以高保真度隔离了异常值和缺失矢量。
• 与局部后处理方法相比，RPCA通过利用全局数据一致性，提供了更优的重构质量。