基于GPU的荧光油膜运动路径实时测量

在风洞试验中,现有的基于CPU的光流法求解荧光油膜运动速度场耗时过长,而基于GPU的光流法存在GPU资源利用不充分的问题。为此,提出基于荧光油膜图像分块和临界约束的GPU荧光油膜运动路径实时测量方法。将荧光油膜时序图像按照GPU的资源将整帧图像切割分块并行处理,创建其对应的光流并行计算策略,即充分利用GPU的并行流水架构优势和共享内存实现各并行块的光流计算的硬件加速;同时结合块间临界约束条件,以各块的速度矩阵迭代差为标志控制其迭代计算次数。结果表明:本文方法在保证荧光油膜运动速度场计算精度的条件下,较传统的基于CPU的光流法解算速度平均提升了2789.5倍,较整帧图像的GPU光流法速度平均提升了10.09倍,实时解算速度可达90帧/秒。

基于荧光油膜的全局表面摩阻测量技术研究

针对表面摩阻传统测量方法的单点性和间接性,探索了荧光油膜进行全局表面摩阻分布的直接测量方法。建立了表征荧光油膜厚度与表面摩阻之间关系的油膜控制方程,引入附加约束和积分最小化方法,采用变分迭代方法求解表面摩阻分布。研制了可用紫外光激发的荧光油膜,采用紫外光源和高分辨率CCD相机,建立荧光油膜表面摩阻测量硬件系统。针对特定的三角翼模型进行了表面摩阻分布测量实验,获得了高分辨率的表面摩阻分布和相对幅值分布,并与文献理论进行比较分析。实验结果与理论分析完全一致,表明了基于荧光油膜的全局表面摩阻测量技术的有效性。

荧光油膜技术及其在流动控制中的应用（英文）

研究了运用荧光油膜技术测量全局表面摩擦应力的方法,引入金字塔迭代技术和模拟演化技术提出了该方法的优化求解算法,并通过平板绊线实验对以上方法进行了验证。以此为基础,通过两个典型的流动控制实验进一步探讨了荧光油膜技术在流动控制中的应用,其中包括采用不同参数锯齿形转捩带控制平板流动转捩的被动流动控制实验和不同激励频率下的后台阶零质量射流主动流动控制实验。以上实验测量结果表明,荧光油膜方法能够有效帮助理解流动机理并可用于评估流动控制策略。

基于神经网络的荧光油膜厚度与灰度研究

在全局摩阻测量中,薄油膜技术可以很好地表征表面摩阻的分布情况。用特定波长的紫外线照射添加了荧光显色分子的不同厚度的油膜,油膜将发出不同的亮度。利用该原理通过检测受激发的荧光油膜灰度值可解算出相应油膜的厚度。本次采用BP神经网络及极限学习机(Extreme learning machine,ELM)神经网络搭建模型完成了荧光油膜厚度与灰度关系的预测,运用Hopfield神经网络完成了相应参数的辨识。实验表明,ELM神经网络模型、BP神经网络模型及插值法模型的预测误差分别为5.150%、5.485%和5.935%。通过Hopfield神经网络辨识,光源功率、光距和曝光系数等影响因素的参数误差率控制在1%左右,达到实际工程运用的要求。与传统插值法相比,通过神经网络可获得更高的精度,为荧光油膜灰度与厚度研究提供了一种可行的方法。

荧光油膜速度场的自适应快速光流解法

现有光流法解算基于荧光油膜的摩阻测量方程耗时长,制约了荧光油膜试验技术在生产型风洞中的推广应用。为此,提出了荧光油膜速度场的空间自适应快速光流解法,一方面通过推导构造共轭迭代式,较现有光流法的雅可比矩阵分割迭代式,有更小的存储量、更高的收敛性与稳定性;另一方面结合荧光油膜图像的灰度梯度信息,对图像进行空间自适应降采样进行共轭迭代快速获得大流动结构,再升到满分辨率迭代和全局优化,即可准确捕捉到精细的流动结构,大幅提高荧光油膜速度场的解算速度。仿真实验表明:在给定收敛误差限下本算法较现有光流法计算速度提升26.6%,在相同预设迭代次数下,平均误差减小1.4%,最大误差减小2.3%。多个高速风洞的油膜试验结果表明:本算法测得壁面流动现象正确、流谱清晰精细,较现有光流法计算速度平均提升了23%,优势明显,工程应用价值大。

基于Elman的荧光油膜厚度近效测量

为解决荧光油膜灰度与厚度现标定方法(微小高度装置法)存在采集工况复杂、标定周期较长等缺陷,提出了一种新的近效测量方法,该方法只需极少量标定数据,便可达到与现标定方法相近的效果。近效方法利用了Elman动态神经网络对小样本数据进行量程扩展并引入一维插值算法使扩展后的数据项平滑,对解算出的三维荧光油膜厚度数据采用二维插值算法进行二次平滑以求得完整的厚度分布图。经模拟试验结果显示,通过该近效方法进行厚度测量最终可以清晰、准确、定量地显示荧光油膜厚度分布,与目前广泛使用的微小高度装置法相比效果相近,在荧光油膜汇集处(较厚区域)误差最大不超过±2.5μm,在平滑适中及较薄区域误差不超过±2μm,达到荧光油膜厚度工程测量标准,为飞行器全局摩阻测量提供了一种新标定思路,具有一定的实际工程应用意义。

风洞试验模型表面的荧光油膜路径运动速度测量

风洞试验模型在气流脉动作用下小幅振动,导致光流法从荧光油膜时序图像中解得的荧光油膜路径运动速度含有模型运动速度,降低了荧光油膜全局摩阻测量准度。为此,提出试验模型表面的荧光油膜路径运动速度测量方法,将模型表面的背景纹理(如人工网格线或其他典型特征)作为基准,利用图像相关法离散匹配,获得相邻时序图像中背景纹理的(几何位姿)映射矩阵;基于模型运动的连续性,推导了映射矩阵的全局优化方程,并结合光流法,实现了模型振动与其表面荧光油膜路径运动的解耦。Oseen涡对的荧光油膜路径运动速度场仿真试验结果表明:在给定的平移旋转条件下,本文方法的计算结果(沿Oseen涡核连线分布的测量速度)与理论值的最大相对误差为4.1%,较无平移旋转条件下的光流计算结果最大相对误差仅增加0.6%。2m量级高速风洞某空腔试验与机翼试验的荧光油膜路径运动速度测量结果进一步显示:本文方法测得的流动现象正确,能得到定量、清晰的表面摩擦应力线图谱与油膜路径运动速度场,较传统方法优势明显,工程应用价值大。

基于Hankel阵的荧光油膜灰度与厚度预测模型改进

针对荧光油膜灰度与厚度关系数据采集方法较为繁琐、耗时耗力这一问题,研究了基于Hankel阵的系统辨识算法,并在此基础提出了Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型等两种改进方法,利用了极少数据量建立模型,实现了对其余未知荧光油膜厚度值的预测,且保持了较高的精度。试验结果表明:基于极少数据量建模以预测该数据量外的数据点这一特殊背景下,插值法的外插能力显得并不适用。而传统Hankel阵预测模型的预测精度为76.69%,Hankel阵误差修正模型和Hankel阵高阶迭代误差修正模型的预测精度分别为85.69%和89.25%,较之传统方法预测精度分别提高了9%和12.56%,为荧光油流技术领域针对荧光油膜灰度与厚度建模问题提供了一种可行技术路线,具有一定的实际工程应用意义。

基于深度学习光流法的荧光油膜全局速度测量

针对基于先验的传统光流法存在前提条件苛刻的问题,提出使用基于深度学习的光流法进行荧光油膜全局速度测量。采用数值仿真试验对基于先验的改进HS光流法和基于深度学习的FlowNet2光流法进行对比,结果显示:在不外加干扰时,改进HS光流法和FlowNet2光流法的平均端点误差分别为0.4587像素/s和0.3817像素/s;在亮度变化、噪声干扰或不同的演化时间下,FlowNet2光流法的平均端点误差均明显低于改进HS光流法,平均端点误差差值最大可达5.19像素/s;风洞试验进一步证明,FlowNet2光流法能够获得正确、清晰、定量的荧光油膜全局速度场,较改进HS光流法鲁棒性更高,对风洞工程应用具有一定的参考价值。