nach oben

Experiments in Fluids

Erschienen in:

01.02.2020 | Research Article

Particle streak velocimetry using ensemble convolutional neural networks

verfasst von: Alexander V. Grayver, Jerome Noir

Erschienen in: Experiments in Fluids | Ausgabe 2/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

This study reports an approach and presents its open-source implementation for quantitative analysis of experimental flows using streak images and convolutional neural networks (CNN). The latter are applied to retrieve a length and an angle from streaks, which can be used to deduce kinetic energy and directionality (up to an \(180^{\circ }\) ambiguity) of an imaged flow. We developed a quick method for generating essentially unlimited number of training and validation images, which enabled efficient training. Additionally, we show how to apply an ensemble of CNNs to derive a formal uncertainty on the estimated quantities. The approach is validated on the numerical simulation of a convective turbulent flow and applied to a longitudinal libration flow experiment.

Graphic abstract

Vorheriger Artikel Measurement of particle decontamination behavior using interferometer

Nächster Artikel On the dynamics of sprays in complex gas turbine swirl injectors

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Galamhos C, Matas J, Kittler J (1999) Progressive probabilistic Hough transform for line detection. In: Proceedings of 1999 IEEE computer society conference on computer vision and pattern recognition (Cat. No PR00149), vol 1. IEEE, pp 554–560

Glorot X, Bengio Y (2010) Understanding the difficulty of training deep feedforward neural networks. In: Proceedings of the thirteenth international conference on artificial intelligence and statistics, vol 9, pp 249–256

He K, Zhang X, Ren S, Sun J (2015) Delving deep into rectifiers: surpassing human-level performance on imagenet classification. In: Proceedings of the IEEE international conference on computer vision. pp 1026–1034

Hinton G, Vinyals O, Dean J (2015) Distilling the knowledge in a neural network. arXiv preprint: arXiv:1503.02531

Huber PJ et al (1973) Robust regression: asymptotics, conjectures and monte carlo. Ann Stat 1(5):799–821MathSciNetCrossRef

Ioffe S, Szegedy C (2015) Batch normalization: accelerating deep network training by reducing internal covariate shift. arXiv preprint: arXiv:1502.03167

Karpathy A, Toderici G, Shetty S, Leung T, Sukthankar R, Fei-Fei L (2014) Large-scale video classification with convolutional neural networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp 1725–1732

Krizhevsky A, Sutskever I, Hinton GE (2017) ImageNet classification with deep convolutional neural networks. Commun ACM 60(6):84–90. https://doi.org/10.1145/3065386 CrossRef

Lawrence S, Giles CL, Tsoi AC, Back AD (1997) Face recognition: a convolutional neural-network approach. IEEE Trans Neural Netw 8(1):98–113CrossRef

LeCun Y, Bengio Y, Hinton G (2015) Deep learning. Nature 521(7553):436CrossRef

Meister A (2018) Effects of boundary topography on the flow forced by libration in longitude in a rotating cylinder, master thesis, ETH Zurich

Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, Killeen T, Lin Z, Gimelshein N, Antiga L, Desmaison A, Kopf A, Yang E, DeVito Z, Raison M, Tejani A, Chilamkurthy S, Steiner B, Fang L, Bai J, Chintala S, Wallach H, Larochelle H, Beygelzimer A, d' Alché-Buc F, Fox E, Garnett R (2019) PyTorch: an imperative style, high-performance deep learning library. Adv Neural Inf Process Syst 32:8024–8035

Plumley M, Julien K, Marti P, Stellmach S (2016) The effects of Ekman pumping on quasi-geostrophic Rayleigh–Bénard convection. J Fluid Mech 803:51–71MathSciNetCrossRef

Raffel M, Willert CE, Scarano F, Kähler CJ, Wereley ST, Kompenhans J (2018) Particle image velocimetry: a practical guide. Springer, BerlinCrossRef

Simard PY, Steinkraus D, Platt JC (2003) Best practices for convolutional neural networks applied to visual document analysis. In: Proceedings of the seventh international conference on document analysis and recognition, Edinburgh, UK, 2003, pp 958–963. https://doi.org/10.1109/ICDAR.2003.1227801

Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R (2014) Dropout: a simple way to prevent neural networks from overfitting. J Mach Learn Res 15(1):1929–1958MathSciNetMATH

Tropea C, Yarin AL (2007) Springer handbook of experimental fluid mechanics. Springer Science & Business Media, BerlinCrossRef

Westerweel J (1997) Fundamentals of digital particle image velocimetry. Meas Sci Technol 8(12):1379CrossRef

Titel: Particle streak velocimetry using ensemble convolutional neural networks
verfasst von: Alexander V. Grayver
Jerome Noir
Publikationsdatum: 01.02.2020
Verlag: Springer Berlin Heidelberg
Erschienen in: Experiments in Fluids / Ausgabe 2/2020
Print ISSN: 0723-4864
Elektronische ISSN: 1432-1114
DOI: https://doi.org/10.1007/s00348-019-2876-1

Premium Partner

Marktübersichten

Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen.

Zur Marktübersicht

Springer Professional

Abstract

Graphic abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Weitere Artikel der Ausgabe 2/2020

Quantitative metrics for comparison of in-cylinder velocity fields using particle image velocimetry

Magnetic resonance velocimetry in high-speed turbulent flows: sources of measurement errors and a new approach for higher accuracy

Thanks to our reviewers

Application of hot-film anemometry to resolve the unsteady boundary layer transition of a laminar airfoil experiencing limit cycle oscillations

Unsteady boundary-layer transition measurements and computations on a rotating blade under cyclic pitch conditions

Time-frequency analysis for two cases of boundary-layer transition induced by random distributed roughness

Premium Partner

Marktübersichten