文献

J-GLOBAL ID：202002281488246489   整理番号：20A2754829

粒子画像速度測定のためのニューラルネットワークを用いた壁乱流の壁近傍速度の予測【JST・京大機械翻訳】

Predicting the near-wall velocity of wall turbulence using a neural network for particle image velocimetry

著者 (4件)： Wang Hongping (The State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences, Beijing 100190, China) ,  Yang Zixuan (The State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences, Beijing 100190, China) ,  Li Binglin (The State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences, Beijing 100190, China) ,  Wang Shizhao (The State Key Laboratory of Nonlinear Mechanics, Institute of Mechanics, Chinese Academy of Sciences, Beijing 100190, China)
資料名： Physics of Fluids  (Physics of Fluids)
巻： 32  号： 11  ページ： 115105-115105-16  発行年： 2020年 
JST資料番号： H0052B  ISSN： 1070-6631  CODEN： PHFLE6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 壁結合乱流に対する壁近傍速度予測は,壁モデルの構築と散逸と壁せん断応力の推定に有用である。粒子画像流速測定(PIV)を用いて得た壁結合乱流速度場に対する壁近傍速度予測と空間分解能を改善するために畳み込みニューラルネットワークを開発した。低解像度と高分解能場の間の関係を確立するために,この機械学習モデルを,Re_τ=1000での乱流チャネル流の直接数値シミュレーションから得た速度場に基づいて生成した合成PIVデータセット上で訓練した。Re_τ=5200の高いReynolds数を有する試験データセットを用いて,このモデルの性能を瞬間的場,誤差解析,速度統計,およびエネルギースペクトルに関して評価した。また,このネットワークの性能に対する質問窓,画像分解能,および粒子濃度の影響も検討した。さらに,Re_τ=2200での乱流境界層からの実際のPIVデータにこのネットワークを適用し,実際の実験条件下でネットワーク性能を評価した。結果は,提案した機械学習ベースのモデルが,壁近傍速度場の欠損を予測でき,PIV場の空間分解能を強化することができるが,Reynolds剪断応力予測の精度は,さらに改善する必要があることを示した。提示した手法は,低Reynolds数流れ場から高Reynolds数乱流の壁近傍瞬間速度を予測する潜在的能力を示した。Copyright 2020 AIP Publishing LLC All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： チャネル流 ,  *乱流 ,  乱流境界層 ,  *ネットワーク ,  *ニューラルネットワーク ,  Reynolds数 ,  エネルギー分布 ,  剪断応力 ,  高分解能 ,  流れ場 ,  機械学習 ,  粒子画像流速測定
準シソーラス用語： 壁剪断応力 ,  低Reynolds数 ,  高Reynolds数 , 【Automatic Indexing@JST】

分類 (2件)： 管内流  (BC02090Q) ,  層流,乱流,境界層  (BC02030C)

タイトルに関連する用語 (5件)： 速度測定 ,  ニューラルネットワーク ,  壁乱流 ,  近傍 ,  予測