基于卷积神经网络的钝体尾迹识别研究

针对相同特征长度不同钝体的尾迹结构相近,肉眼难于分辨的问题,提出了一种基于卷积神经网络的钝体尾迹识别方法,并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证.实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成,可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄.所建立卷积神经网络识别模型由输入层、卷积层、池化层、全连接层和分类层组成,其中,卷积层和池化层用于提取尾迹的深层次特征信息,而全连接层和分类层构成识别分类模式来分类输出图像对应的钝体类型或雷诺数.通过将9000张尾迹图像数据集导入卷积神经网络模型,以数据驱动方式建立了具有钝体形状或雷诺数识别能力的尾迹特征识别模型.结果表明,该模型对相同雷诺数下识别钝体形状的准确率达97.6%(识别300张不同形状钝体尾迹图像),对不同雷诺数下识别钝体形状的准确率达96%(识别1200张不同雷诺数尾迹图像),即使将不同钝体形状和雷诺数下尾迹图像混放一起,其钝体形状和雷诺数识别准确率也可以达到91%(识别1500张混放尾迹图像).该方法为进一步利用人工智能提取流体尾迹中的物理信息提供借鉴.