Variational Auto-Encoder Based Deep Learning Technique For Filling Gaps in Reacting PIV Data

要約

この研究では、条件付き変分自動エンコーダ (CVAE) として知られる深層学習ベースの条件付き密度推定技術を使用して、燃焼システムの粒子画像流速測定 (PIV) 測定で通常観察されるギャップを埋めます。
提案された CVAE 手法は、産業関連の燃焼器で通常観察される、時間分解されたギャップのある PIV フィールドを使用してトレーニングされます。
提案された CVAE 技術の精度を示すために、非常に高いベクトル収量を備えたスワール燃焼器からのステレオ PIV (SPIV) データが使用されます。
ギャップ内の再構成された速度場で評価されたさまざまな誤差メトリクスは、3 セットの燃焼器動作条件に対応するデータ セットから提示されます。
正確なデータ再現に加えて、提案された CVAE 技術は、潜在空間次元を削減することによるデータ圧縮を提供し、大規模な PIV データの効率的な処理を可能にします。

要約(オリジナル)

In this study, a deep learning based conditional density estimation technique known as conditional variational auto-encoder (CVAE) is used to fill gaps typically observed in particle image velocimetry (PIV) measurements in combustion systems. The proposed CVAE technique is trained using time resolved gappy PIV fields, typically observed in industrially relevant combustors. Stereo-PIV (SPIV) data from a swirl combustor with very a high vector yield is used to showcase the accuracy of the proposed CVAE technique. Various error metrics evaluated on the reconstructed velocity field in the gaps are presented from data sets corresponding to three sets of combustor operating conditions. In addition to accurate data reproduction, the proposed CVAE technique offers data compression by reducing the latent space dimension, enabling the efficient processing of large-scale PIV data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google