EngineBench: Flow Reconstruction in the Transparent Combustion Chamber III Optical Engine

要約

燃焼機械内部の乱流の研究に高品質の実験データを使用する最初の機械学習 (ML) 指向のデータベースである EngineBench を紹介します。
流体力学における ML 用の以前のデータセットは合成であるか、過度に単純化されたジオメトリを使用していました。
EngineBench は、特別に設計された光学エンジンで乱気流パターンを捕捉する現実世界の粒子画像流速測定 (PIV) データで構成されています。
ただし、エンジンなどの内部フローからの PIV データでは、完全な視野を実現することが困難な場合が多く、大きなオクルージョンが存在する可能性があります。
最適な燃焼システムを設計するには、これらの隠れた領域の乱流についての洞察が必要です。これは修復モデルによって提供できます。
ここでは、ランダムなエッジ ギャップを使用した新しい修復タスクを提案します。これは、PIV 画像のエッジにランダムなサイズと方向のオクルージョンを導入することでリアリズムを強調する手法です。
ピクセル単位、ベクトルベース、およびマルチスケールのパフォーマンス メトリックを使用して、ランダムなエッジ ギャップに対して 5 つの ML メソッドをテストします。
UNet ベースのモデルは、ギャップ サイズが小さい場合でも大きい場合でも、このタスクでは業界標準のノンパラメトリック アプローチやコンテキスト エンコーダーよりも正確であることがわかりました。
このペーパーで説明されているデータセットと修復タスクは、エンジン設計の問題に対する、より汎用的な事前トレーニング済み ML モデルの開発をサポートします。
メソッドの比較により、実験的フロー診断の問題に対して、より多くの情報に基づいた ML モデルの選択が可能になります。
すべてのデータとコードは、https://eng.ox.ac.uk/tpsrg/research/enginebench/ で公開されています。

要約(オリジナル)

We present EngineBench, the first machine learning (ML) oriented database to use high quality experimental data for the study of turbulent flows inside combustion machinery. Prior datasets for ML in fluid mechanics are synthetic or use overly simplistic geometries. EngineBench is comprised of real-world particle image velocimetry (PIV) data that captures the turbulent airflow patterns in a specially-designed optical engine. However, in PIV data from internal flows, such as from engines, it is often challenging to achieve a full field of view and large occlusions can be present. In order to design optimal combustion systems, insight into the turbulent flows in these obscured areas is needed, which can be provided via inpainting models. Here we propose a novel inpainting task using random edge gaps, a technique that emphasises realism by introducing occlusions at random sizes and orientations at the edges of the PIV images. We test five ML methods on random edge gaps using pixel-wise, vector-based, and multi-scale performance metrics. We find that UNet-based models are more accurate than the industry-norm non-parametric approach and the context encoder at this task on both small and large gap sizes. The dataset and inpainting task presented in this paper support the development of more general-purpose pre-trained ML models for engine design problems. The method comparisons allow for more informed selection of ML models for problems in experimental flow diagnostics. All data and code are publicly available at https://eng.ox.ac.uk/tpsrg/research/enginebench/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google