• search hit 1 of 3
Back to Result List

Enhancement of PIV measurements via physics-informed neural networks

Verbesserung von PIV-Messungen durch physikinformierte neuronale Netze

  • Physics-informed neural networks (PINN) are machine-learning methods that have been proved to be very successful and effective for solving governing equations of fluid flow. In this work we develop a robust and efficient model within this framework and apply it to a series of two-dimensional three-component (2D3C) stereo particle-image velocimetry datasets, to reconstruct the mean velocity field and correct measurements errors in the data. Within this framework, the PINNsbased model solves the Reynolds-averaged-Navier-Stokes (RANS) equations for zeropressure-gradient turbulent boundary layer (ZPGTBL) without a prior assumption and only taking the data at the PIV domain boundaries. The TBL data has different flow conditions upstream of the measurement location due to the effect of an applied flow control via uniform blowing. The developed PINN model is very robust, adaptable and independent of the upstream flow conditions due to different rates of wall-normal blowing while predicting the mean velocity quantities simultaneously. Hence,Physics-informed neural networks (PINN) are machine-learning methods that have been proved to be very successful and effective for solving governing equations of fluid flow. In this work we develop a robust and efficient model within this framework and apply it to a series of two-dimensional three-component (2D3C) stereo particle-image velocimetry datasets, to reconstruct the mean velocity field and correct measurements errors in the data. Within this framework, the PINNsbased model solves the Reynolds-averaged-Navier-Stokes (RANS) equations for zeropressure-gradient turbulent boundary layer (ZPGTBL) without a prior assumption and only taking the data at the PIV domain boundaries. The TBL data has different flow conditions upstream of the measurement location due to the effect of an applied flow control via uniform blowing. The developed PINN model is very robust, adaptable and independent of the upstream flow conditions due to different rates of wall-normal blowing while predicting the mean velocity quantities simultaneously. Hence, this approach enables improving the mean-flow quantities by reducing errors in the PIV data. For comparison, a similar analysis has been applied to numerical data obtained from a spatially-developing ZPGTBL and an adverse-pressure-gradient (APG) TBL over a NACA4412 airfoil geometry. The PINNs-predicted results have less than 1% error in the streamwise velocity and are in excellent agreement with the reference data. This shows that PINNs has potential applicability to shear-driven turbulent flows with different flow histories, which includes experiments and numerical simulations for predicting high-fidelity data.show moreshow less
  • Physikalisch informierte neuronale Netze (PINN) sind Methoden des maschinellen Lernens, die sich als sehr erfolgreich und effektiv bei der Lösung von Strömungsgleichungen erwiesen haben. In dieser Arbeit entwickeln wir ein robustes und effizientes Modell in diesem Rahmen und wenden es auf eine Reihe von zweidimensionalen Drei-Komponenten-Stereo-Partikel-Bild-Velocimetrie-Datensätzen (2D3C) an, um das mittlere Geschwindigkeitsfeld zu rekonstruieren und Messfehler in den Daten zu korrigieren. In diesem Rahmen löst das PINN-basierte Modell die Reynolds-gemittelten-Navier-Stokes-Gleichungen (RANS) für die turbulente Grenzschicht mit Null-Druckgradienten (ZPGTBL) ohne vorherige Annahmen und nur unter Verwendung der Daten an den PIV-Domänengrenzen. Die TBL-Daten weisen unterschiedliche Strömungsbedingungen stromaufwärts des Messortes auf, was auf die Wirkung einer angewandten Strömungskontrolle durch gleichmäßiges Blasen zurückzuführen ist. Das entwickelte PINN-Modell ist sehr robust, anpassungsfähig und unabhängig von den stromaufwärtsPhysikalisch informierte neuronale Netze (PINN) sind Methoden des maschinellen Lernens, die sich als sehr erfolgreich und effektiv bei der Lösung von Strömungsgleichungen erwiesen haben. In dieser Arbeit entwickeln wir ein robustes und effizientes Modell in diesem Rahmen und wenden es auf eine Reihe von zweidimensionalen Drei-Komponenten-Stereo-Partikel-Bild-Velocimetrie-Datensätzen (2D3C) an, um das mittlere Geschwindigkeitsfeld zu rekonstruieren und Messfehler in den Daten zu korrigieren. In diesem Rahmen löst das PINN-basierte Modell die Reynolds-gemittelten-Navier-Stokes-Gleichungen (RANS) für die turbulente Grenzschicht mit Null-Druckgradienten (ZPGTBL) ohne vorherige Annahmen und nur unter Verwendung der Daten an den PIV-Domänengrenzen. Die TBL-Daten weisen unterschiedliche Strömungsbedingungen stromaufwärts des Messortes auf, was auf die Wirkung einer angewandten Strömungskontrolle durch gleichmäßiges Blasen zurückzuführen ist. Das entwickelte PINN-Modell ist sehr robust, anpassungsfähig und unabhängig von den stromaufwärts gelegenen Strömungsbedingungen aufgrund unterschiedlicher Raten des Wandnormalblasens bei gleichzeitiger Vorhersage der mittleren Geschwindigkeitsgrößen. Daher ermöglicht dieser Ansatz eine Verbesserung der mittleren Strömungsgrößen durch Reduzierung der Fehler in den PIV-Daten. Zum Vergleich wurde eine ähnliche Analyse auf numerische Daten angewandt, die von einer sich räumlich entwickelnden ZPGTBL und einer TBL mit ungünstigem Druckgradienten (APG) über einer NACA4412-Schaufelgeometrie gewonnen wurden. Die von PINNs vorhergesagten Ergebnisse haben einen Fehler von weniger als 1% in der Strömungsgeschwindigkeit und stimmen hervorragend mit den Referenzdaten überein. Dies zeigt, dass PINNs das Potenzial hatshow moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: Gazi HasanuzzamanORCiD, Hamidreza EivaziORCiD, Sebastian MerboldORCiD, Christoph Egbers, Ricardo VinuesaORCiD
DOI:https://doi.org/10.1088/1361-6501/aca9eb
Document Type:Scientific article
Language:English
Year of Completion:2022
Release Date:2023/12/15
Tag:Maschinelles Lernen; Messung; Physikalisch informiertes neuronales Netz; Turbulente Grenzschicht
Large Eddy Simulation; Machine learning; Measurement; Particle image velocimetry; Turbulent boundary layer
GND Keyword:Turbulente Grenzschicht; Neuronales Netz; Maschinelles Lernen; Particle-Image-Velocimetry
Source:Erstveröffentlichnug: Hasanuzzaman, G.; Eivazi, H.; Merbold, S.; Egbers, Ch.; Vinuesa, R.: Enhancement of PIV measurements via physics-informed neural networksal. - Measurement Science and Technology, 2023, 34. - https://iopscience.iop.org/article/10.1088/1361-6501/aca9eb
Institutes:Fakultät 3 Maschinenbau, Elektro- und Energiesysteme / FG Aerodynamik und Strömungslehre
Licence (German):Creative Commons - CC BY-NC - Namensnennung - Nicht kommerziell 4.0 International
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.