以背景为导向的施莱伦断层扫描使用封闭的循环单元

科学领域:

• 流体动力学 流体动力学
• 光学诊断仪器的使用.
• 计算机成像成像技术

背景情况:

• 传统的面向背景的Schleeren断层扫描 (BOST) 依赖于代算法.
• 代BOST方法涉及计算密集的3D射线跟踪用于重量投影矩阵生成,导致文物和效率降低.
• 现有的方法难以实时重建复杂的流场.

研究的目的:

• 开发一种更快,更准确的BOST重建方法.
• 利用深度学习,特别是循环神经网络 (RNN),以改进智能数据处理.
• 为了实现实时3D流场重建.

主要方法:

• 提出了一种新的BOST重建方法,利用一个封闭的反复单元 (GRU) 神经网络.
• 灵感来自计算机断层扫描 (CT) 重建原理和投影数据中的空间相关性.
• 为schlieren数据设计和实施了一个GRU模型架构.

主要成果:

• 在甲燃烧的数值模拟中达到0.23%的平均平均相对误差 (MRE).
• 在来自火焰的实验数据上证明了89%的再投射相关系数.
• 实现平均重建时间仅为每1.04秒.

结论:

• 基于GRU的BOST方法在速度和准确性方面明显优于传统的代方法.
• 这种深度学习方法为实时3D即时流场重建提供了可行的解决方案.
• 该研究强调了RNN在光流诊断中的潜力.