[论文解读] Uncovering wall-shear stress dynamics from neural-network enhanced fluid flow measurements

Esther Lagemann, Steven L. Brunton+1 more|arXiv (Cornell University)|Oct 17, 2023

Anomaly Detection Techniques and ApplicationsComputer Science被引用 3

一句话总结

本文提出WSSflow，一种深度学习框架，通过物理信息光学流网络增强粒子图像测速（PIV）数据，以估计高分辨率速度场与壁面剪切应力（WSS）场。通过保持原始图像分辨率并强制执行物理一致性，WSSflow在WSS动力学的时空分辨率方面表现优越，优于传统PIV及最先进的方法，在合成与真实流体流动中均表现出色。

ABSTRACT

Friction drag from a turbulent fluid moving past or inside an object plays a crucial role in domains as diverse as transportation, public utility infrastructure, energy technology, and human health. As a direct measure of the shear-induced friction forces, an accurate prediction of the wall-shear stress can contribute to sustainability, conservation of resources, and carbon neutrality in civil aviation as well as enhanced medical treatment of vascular diseases and cancer. Despite such importance for our modern society, we still lack adequate experimental methods to capture the instantaneous wall-shear stress dynamics. In this contribution, we present a holistic approach that derives velocity and wall-shear stress fields with impressive spatial and temporal resolution from flow measurements using a deep optical flow estimator with physical knowledge. The validity and physical correctness of the derived flow quantities is demonstrated with synthetic and real-world experimental data covering a range of relevant fluid flows.

研究动机与目标

• 解决实验方法在湍流中捕捉瞬时、高分辨率壁面剪切应力（WSS）动力学的严重不足。
• 克服传统PIV的分辨率限制，后者在互相关窗口内对速度进行平均，并在壁面附近平滑梯度。
• 开发一种数据驱动框架，将物理定律与深度学习相结合，从PIV测量中生成物理解析一致的高分辨率WSS估计。
• 实现航空航天、血管健康与能源系统中精确、实时的WSS监测。
• 在多种流动构型中验证该方法，包括弹性血管等复杂几何结构和典型边界层。

提出的方法

• 该方法采用物理信息深度光学流网络WSSflow，通过在合成PIV数据上端到端训练，从图像对中估计像素级速度场。
• 网络使用损失函数进行训练，通过最小化速度场的散度并确保壁面边界处正确的法向速度梯度，以强制实现物理一致性。
• WSSflow直接在原始图像分辨率上运行，避免了传统PIV中固有的空间平均，从而保留了细尺度速度梯度。
• 该框架在黏性亚层内采用法向平均策略，使用至少三个像素以提高WSS估计的准确性，并降低对亚像素壁面错位的敏感性。
• 在训练和推理过程中采用多尺度、多网格方法，结合迭代细化与亚像素位移估计，以确保高精度速度场。
• 该模型在合成与实验数据上，通过标准PIV指标与物理验证，与高性能自研PIV代码（SOTA）进行对比评估。

实验结果

研究问题

• RQ1 深度学习框架能否提升PIV数据，实现比传统PIV更高的空间与时间分辨率的壁面剪切应力估计？
• RQ2 整合物理约束（如无滑移条件、无散度流动）在多大程度上提升了WSS估计的准确性与泛化能力？
• RQ3 在速度估计中保留原始图像分辨率在多大程度上提升了壁面附近壁面剪切应力动力学的分辨率？
• RQ4 WSSflow在多种流动构型中的表现如何，包括典型边界层与复杂几何结构（如弹性血管）？
• RQ5 该方法能否在无需额外传感器或校准的情况下，从有限的真实PIV测量中可靠估计瞬时WSS动力学？

主要发现

• WSSflow的空间分辨率比标准PIV高出64倍，从$1024 \times 1024$ px²图像对中获得$1024 \times 1024$个速度矢量。
• 该方法减少了壁面附近的速度梯度平滑，从而能够准确估计对WSS计算至关重要的法向速度梯度。
• 在黏性亚层中使用至少三个像素可提高WSS估计的准确性，并降低对亚像素壁面错位与光学伪影的敏感性。
• WSSflow在合成与真实实验数据中均优于最先进的自研PIV代码（SOTA），尤其在解析瞬态WSS动力学方面表现更优。
• 该框架成功恢复了复杂流动中的瞬时WSS场，包括强非定常性与分离流，展现出鲁棒性与泛化能力。
• 在配备四个A100的单个GPU节点上训练200个周期约需22小时，全局批量大小为8，表明其计算成本可行，适合实际部署。