基于扩散模型的流场超分辨率重建方法

低分辨率的流场数据具有较少的信息量,不能充分捕捉流场中的细节演化过程.尤其对于湍流的随机脉动特征和小尺度涡旋细节特征更加难以获取,这限制了对流场演化机理进行深入研究.为了解决这一局限性,并从低分辨率流场中重建高分辨率数据,文章提出一种流场超分辨率重建的生成扩散模型FlowDiffusionNet.该模型以低分辨率流场数据输入作为约束条件,采用去噪分数匹配方法,来实现高分辨率流场数据的复现.FlowDiffusionNet在结构设计上充分考虑了流场数据的低频信息与高频空间特征,采用基于扩散过程的建模方法,用于重建高分辨率流场数据的残差.该模型结构便于实现迁移学习,可在不同程度的退化流场上应用.将该方法在多种经典流场数据集上进行测试,并与双三次插值(bicubic)、超分辨率生成对抗网络(SRGAN)、超分辨率卷积神经网络(SRCNN)等方法进行比较.结果表明,该方法在各种流场上的重建性能达到最佳水平,特别是对于包含小尺度涡结构的4倍下采样流场数据,客观评价指标SSIM达到0.999.

基于深度学习的气液两相流气泡分割算法

针对气液两相流中重叠气泡难以检测与分割的问题,基于深度学习框架,在YOLACT模型算法的基础上,将有效通道注意力机制(ECA)和空洞卷积引入特征提取网络,提出一种ECA-YOLACT气泡检测与分割算法,以增加重叠气泡的边缘提取能力.为获得气泡数据集,基于气泡生成对抗网络(BubGAN)生成数据集,同时开展气液两相流试验工作,采用数据增强的方式进行扩充,完成对网络模型训练.为验证算法的可行性,针对气泡的不同空隙率开展模型算法实验.实验结果表明:基于改进的YOLACT气泡检测与分割算法,在测试集上进行验证的准确率为89.49%,召回率为97.51%,平均准确率为96.80%.