一种用于PIV图像预测的深度学习方法：面向加速度估计的后处理

《Results in Engineering》：A Deep Learning Approach for PIV Image Prediction: Post-Processing Toward Acceleration Estimation

　　

粒子图像测速（Particle Image Velocimetry，PIV）是一种非侵入式实验技术，通过图像数据分析确定流体流动速度场。若可获得连续3幅或4幅图像，则可通过对PIV速度场进行后处理来计算加速度场和压力场。高频脉冲PIV能够以较高重复频率采集图像，但其时间采样未必严格均匀；只有时间分辨PIV（Time-Resolved PIV，TR-PIV）依赖严格均匀的高重复频率采集。尽管TR-PIV装置适用于PIV加速度的确定，但相关设备成本效益不足。低频脉冲PIV设备更具成本优势，但通常只能采集两幅连续图像，而非3幅或4幅。该研究构建了一种深度学习方法，以首个图像对为条件预测后续PIV图像。借助这一高技术方法，即使采用经典低频脉冲PIV装置，也能够获得连续3幅或4幅图像。该深度学习方法将卷积神经网络（Convolutional Neural Networks，CNNs）与循环神经网络（Recurrent Neural Networks，RNNs）中的长短期记忆网络（Long Short-Term Memory，LSTM）相结合。研究提出了一种创新优化方法，以有效降低计算成本。深度学习方法预测得到的图像与基于互相关（cross-correlation）的PIV算法相结合，用于确定速度场；随后应用流体流动控制方程计算加速度场和压力场。针对低频脉冲PIV中加速度场和压力场的确定，研究建立了两种框架，涵盖PIV图像生成、深度神经网络（Deep Neural Network，DNN）模型以及速度场、加速度场和压力场的计算。第一种框架基于4图像序列，第二种框架基于3图像序列。研究通过两个案例对上述框架进行了评估：合成受迫涡流与实验水轮机流动。结果表明，所提出框架在低频脉冲PIV应用中具有较高精度。

该文发表于《Results in Engineering》，聚焦于低频脉冲粒子图像测速（PIV）系统中加速度场与压力场难以获取这一关键瓶颈。研究背景在于：在流体力学实验研究中，速度场、加速度场与压力场共同构成流动物理机制解析的核心信息，尤其对于不可压缩流动，压力分布可用于载荷推断，加速度场则有助于揭示湍流、涡结构和复杂非定常流动的局部演化。然而，传统PIV通常通过两幅连续粒子图像求取速度场，而加速度场与压力场的重建需要至少两组速度场，这意味着必须具备连续3幅或4幅图像。时间分辨PIV（TR-PIV）虽然能够满足这一需求，但其硬件成本、数据采集与存储成本较高；低频脉冲PIV虽然更经济且具有较高空间分辨率，却通常只能记录单个图像对，难以直接支持加速度估计。因此，如何在不升级为TR-PIV的前提下，使低频脉冲PIV具备加速度与压力场重建能力，成为该研究开展的直接动因。

针对上述问题，研究人员提出了一种面向PIV后续图像预测的深度学习框架，其核心思想不是直接预测速度场，而是从首幅或首对粒子图像出发，递推预测后续粒子图像，再将预测图像输入传统基于互相关的PIV算法求取速度场，最后依据流体控制方程计算加速度场和压力场。研究提出了两套具体框架：其一为4图像序列框架，通过输入第1幅图像依次预测第2幅、第3幅和第4幅图像，再由图像1-2′与3′-4′分别构造两组速度场，以时间间隔2×dt求取加速度场；其二为3图像序列框架，通过预测第2幅和第3幅图像，由图像1-2′与2′-3′构建速度场，并以1.5×dt作为速度场之间的时间间隔计算加速度场。两套框架均将预测图像与控制方程耦合，以实现低成本低频脉冲PIV条件下的加速度场和压力场估计。研究结论表明，该方法在合成受迫涡流和实验水轮机流动中均可获得较高精度，说明深度学习图像预测能够有效弥补低频脉冲PIV时间连续性不足的问题，为低成本实验系统中的高阶流动参数反演提供了可行路径。

研究所采用的关键技术方法主要包括以下几方面。首先，构建合成与实验两类PIV图像数据集，其中实验验证采用时间分辨PIV（TR-PIV）图像序列下采样形成低频采样特征，样本来源为矩形水槽中的二维水轮机湍流水流实验。其次，建立融合卷积神经网络（CNNs）与长短期记忆网络（LSTM）的深度神经网络（DNN）模型，以同时提取粒子图像的空间特征与短时、长时序特征。再次，提出带50%重叠区域的图像分块优化策略，以降低训练计算成本并减弱拼接边界伪影。最后，采用基于快速傅里叶变换（FFT）的互相关PIV算法计算速度场，并结合中心有限差分法与压力梯度方程重建加速度场和压力场。

在结果部分，论文围绕两个案例展开分析，并按不同框架报告模型性能与流场重建效果。

3.1. Case study I: The forced vortex flow
该部分针对合成受迫涡流开展验证。研究将流动划分为4种流动模式，即A、B、C、D，对应不同时间段内涡流与均匀流主导关系的变化，并在各模式下生成连续合成PIV图像。该案例的目的在于检验所建模型在受控流场中对粒子图像演化、速度场以及加速度/压力场的重建能力。

3.1.1. Results of first framework (four-image sequence)
在4图像序列框架中，研究首先比较了采用重叠优化与不采用重叠优化时的预测图像质量，结果显示带重叠的分块策略可显著减弱边界处像素突变与空间不连续性，从而更有利于后续加速度场和压力场的准确计算。随后，研究以均方误差（MSE）与结构相似性指数（SSIM）评价预测性能，结果表明该DNN模型在全部流动模式下均表现出较高精度。文中进一步给出第2幅预测图像image 2′与真实第2幅图像image 2之间的定性比较，并递推获得image 3′和image 4′；结果说明模型不仅能够准确预测整体粒子分布，还能较好保留角点、大速度梯度区以及图像拼接边界附近的粒子结构。基于图像1-2′得到的首个预测速度场与真实图像1-2求得的速度场高度一致，表明预测图像已足以支撑后续PIV反演。进一步利用预测得到的两组速度场计算加速度场和压力场，结果显示在各流动模式下均取得准确重建。研究同时指出，增加网络层数和滤波器规模有望进一步提升预测精度，但会引入额外计算开销，因此需要在计算成本与精度之间保持平衡。

3.1.2. Results of second framework (three-image sequence)
在3图像序列框架中，研究同样对受迫涡流4种模式进行了评估。结果表明，第2幅预测图像image 2′与真实图像之间具有良好一致性，基于其递推生成的image 3′也具备足够精度。由图像1-2′计算得到的首个预测速度场与真实速度场高度吻合，说明即便仅使用3图像序列框架，模型仍可可靠支撑加速度场和压力场的后续求解。文中给出的MSE结果显示，各流动模式下图像预测误差均处于较低水平，其中最大MSE为9.5×10^?5，说明该框架在简化图像序列条件下仍具有优良表现。整体而言，该部分结果证明了3图像序列方案在维持高精度的同时，具备更紧凑的实现路径。

3.2. Case study II: The water turbine flow
该部分使用实验水轮机流动检验方法在真实复杂流场中的适用性，且仅采用3图像序列框架。由于经典低频脉冲PIV无法直接测得可用于加速度验证的高时间分辨数据，研究使用TR-PIV作为受控参考数据集，并通过系统性下采样模拟低频脉冲PIV的采样特征。结果显示，该DNN模型在实验图像上的MSE为4.09×10^?4，SSIM为0.972，说明预测图像与真实图像具有较高一致性。定性结果进一步表明，即使在靠近叶片等较具挑战性的区域，模型仍能较好恢复第2幅预测图像的空间与时间特征，并据此递推得到精度可接受的第3幅预测图像。由图像1-2′求得的预测速度场与真实速度场对比后显示出可接受精度，基于此进一步计算得到的加速度场和压力场也具有较高可靠性。研究同时指出，在远离水轮机的区域，忽略黏性项对压力重建影响较小；但在靠近水轮机的局部区域，黏性项可能不可忽略，因此当前压力场计算在近壁区域存在一定局限，这构成该案例讨论中的一个明确边界条件。

综合讨论部分可见，论文强调所提方法并非替代传统PIV算法，而是通过“深度学习图像预测 + 互相关PIV后处理 + 控制方程重建”的串联流程，扩展了低频脉冲PIV的应用边界。该方法的主要优势在于：第一，避免直接学习速度场而保留原始粒子图像中的丰富空间信息，减小由低分辨率速度场训练带来的信息损失与误差累积；第二，通过CNN与LSTM联合建模，同时捕获粒子图像的空间结构与时序演化特征；第三，提出的重叠分块优化策略在降低显存与计算负担的同时，抑制了边界伪影对速度梯度、加速度及压力估计的不利影响；第四，在简单流动和复杂实验流动中均表现出较好的泛化能力。研究还指出，该方法适用于需要兼顾成本与高频非定常信息解析的场景，但在局部黏性作用显著区域，压力场重建仍需在控制方程中纳入黏性项，以进一步提高物理精度。

研究结论部分可译述为：与TR-PIV装置相比，低频脉冲PIV装置成本更低，但通常只能记录两幅连续图像，而推导加速度场需要连续3幅或4幅图像。该研究的主要目标是开发一种深度学习方法来预测后续PIV图像，从而使这类装置能够计算加速度场。研究提出了两种框架，用于在低成本、低频脉冲PIV条件下准确确定流体流动的加速度场和压力场。这些框架包括PIV图像生成、DNN模型以及速度场、加速度场和压力场的计算。第一种框架基于4图像序列，第二种框架基于3图像序列。研究通过合成受迫涡流和实验水轮机流动两个案例对框架进行了评估。在4图像序列框架中，受迫涡流全部流动模式下DNN预测图像的最大MSE为1.02×10^?4；在3图像序列框架中，预测图像的最大MSE为9.5×10^?5；在水轮机流动中，DNN预测图像的MSE为4.09×10^?4。总体而言，所提出的DNN模型及相关框架能够在低频脉冲PIV系统中高精度预测加速度场和压力场，并表现出较强泛化能力，可适用于从简单到复杂的多种流动结构分析。