Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hợp nhất đa cảm biến dựa trên mô hình để tái xây dựng dòng chảy xoáy bị gò bó
Tóm tắt
Dòng chảy xoáy bị gò bó có thể khó khăn trong việc đo lường trong các thí nghiệm do sự phong phú của các quy mô không gian và thời gian vốn có trong những dòng chảy này. Các thiết bị có khả năng thu thập dữ liệu theo thời gian (ví dụ: cảm biến anemometer nóng) thường bị giới hạn trong việc đo lường điểm cục bộ; ngược lại, các thiết bị có khả năng đạt được các phép đo trường phân giải không gian (ví dụ: velocimetry hình ảnh hạt) thường thiếu tỷ lệ lấy mẫu cần thiết để đạt được độ phân giải thời gian trong nhiều dòng chảy như vậy. Trong nghiên cứu này, chúng tôi đề xuất kết hợp các phép đo từ các cảm biến đa tỷ lệ và đa độ tin cậy với các dự đoán từ một mô hình dựa trên vật lý để tái tạo sự tiến hóa không-gian - thời gian của một dòng chảy xoáy bị gò bó. Một bộ lọc “nhanh” được hình thành để thu nhận các phép đo điểm tỷ lệ cao với các ước lượng từ một mô hình tuyến tính suy ra từ phương trình Navier-Stokes. Ngoài ra, một bộ lọc “chậm” được sử dụng để cập nhật việc tái xây dựng mỗi khi một phép đo trường mới trở nên khả dụng. Bằng cách tiến triển qua dữ liệu cả về phía trước và phía sau trong thời gian, chúng tôi có thể tái tạo dòng chảy xoáy với độ phân giải không-gian - thời gian lớn hơn so với từng phương pháp cảm biến đơn lẻ. Chúng tôi minh họa phương pháp này thông qua các mô phỏng số trực tiếp của một dòng chảy trong kênh xoáy từ Cơ sở dữ liệu Xoáy của Johns Hopkins. Một phân tích thống kê về phương pháp hợp nhất đa cảm biến dựa trên mô hình cũng được thực hiện.
Từ khóa
#dòng chảy xoáy #hợp nhất cảm biến #mô hình hóa #phương trình Navier-Stokes #phân tích thống kêTài liệu tham khảo
Adrian, R.J.: Conditional eddies in isotropic turbulence. Phys. Fluids 22(11), 2065–2070 (1979)
Adrian, R.J.: Stochastic estimation of conditional structure: a review. Appl. Sci. Res. 53(3–4), 291–303 (1994)
Amaral, F.R., Cavalieri, A.V.G., Martini, E., Jordan, P., Towne, A.: Resolvent-based estimation of turbulent channel flow using wall measurements. arXiv:2011.06525v1 (2020)
Batchelor, G., Proudman, I.: The effect of rapid distortion of a fluid in turbulent motion. Q. J. Mech. Appl. Math. 7(1), 83–103 (1954)
Bonnet, J.P., Cole, D.R., Delville, J., Glauser, M.N., Ukeiley, L.S.: Stochastic estimation and proper orthogonal decomposition: complementary techniques for identifying structure. Exp. Fluids 17(5), 307–314 (1994)
Chevalier, M., Hœpffner, J., Bewley, T.R., Henningson, D.S.: State estimation in wall-bounded flow systems. Part 2. Turbulent flows. J. Fluid Mech. 552(1), 167–187 (2006)
Durgesh, V., Naughton, J.: Multi-time-delay LSE-POD complementary approach applied to unsteady high-Reynolds-number near wake flow. Exp. Fluids 49(3), 571–583 (2010)
Encinar, M.P., Jiménez, J.: Logarithmic-layer turbulence: a view from the wall. Phys. Rev. Fluids 4(11), 114603 (2019)
Fukami, K., Fukagata, K., Taira, K.: Super-resolution reconstruction of turbulent flows with machine learning. J. Fluid Mech. 870, 106–120 (2019)
Fukami, K., Fukagata, K., Taira, K.: Machine-learning-based spatio-temporal super resolution reconstruction of turbulent flows. J. Fluid Mech. 909, A9 (2021)
Graham, J., Kanov, K., Yang, X., Lee, M., Malaya, N., Lalescu, C., Burns, R., Eyink, G., Szalay, A., Moser, R., et al.: A web services accessible database of turbulent channel flow and its use for testing a new integral wall model for LES. J. Turbul. 17(2), 181–215 (2016)
Guezennec, Y.: Stochastic estimation of coherent structures in turbulent boundary layers. Phys. Fluids A Fluid Dyn. 1(6), 1054–1060 (1989)
Hunt, J.C., Carruthers, D.J.: Rapid distortion theory and the ‘problems’ of turbulence. J. Fluid Mech. 212, 497–532 (1990)
Illingworth, S.J., Monty, J.P., Marusic, I.: Estimating large-scale structures in wall turbulence using linear models. J. Fluid Mech. 842, 146–162 (2018)
Jiang, C.M., Esmaeilzadeh, S., Azizzadenesheli, K., Kashinath, K., Mustafa, M., Tchelepi, H.A., Marcus, P., Prabhat, Anandkumar, A.: MeshfreeFlowNet: a physics-constrained deep continuous space-time super-resolution framework. arXiv:2005.01463v2 (2020)
Jovanović, M.R., Bamieh, B.: Componentwise energy amplification in channel flows. J. Fluid Mech. 534, 145–183 (2005)
Kalman, R.: E. 1960. a new approach to linear filtering and prediction problems. Trans. ASME J. Basic Eng. 82, 35–45 (1960)
Kim, J., Bewley, T.R.: A linear systems approach to flow control. Annu. Rev. Fluid Mech. 39, 383–417 (2007)
Krishna, C.V., Wang, M., Hemati, M., Luhar, M.: Fusion of physics-based models with field measurements for turbulent flow reconstruction. In: 11th International Symposium on Turbulence and Shear Flow Phenomena, TSFP 2019 (2019)
Krishna, C.V., Wang, M., Hemati, M.S., Luhar, M.: Reconstructing the time evolution of wall-bounded turbulent flows from non-time-resolved PIV measurements. Phys. Rev. Fluids 5(5), 054604 (2020)
Manohar, K., Brunton, B.W., Kutz, J.N., Brunton, S.L.: Data-driven sparse sensor placement for reconstruction: demonstrating the benefits of exploiting known patterns. IEEE Control Syst. Mag. 38(3), 63–86 (2018)
Mokhasi, P., Rempfer, D., Kandala, S.: Predictive flow-field estimation. Physica D 238(3), 290–308 (2009)
Murray, N.E., Ukeiley, L.S.: Estimation of the flowfield from surface pressure measurements in an open cavity. AIAA J. 41(5), 969–972 (2003)
Naguib, A., Wark, C., Juckenhöfel, O.: Stochastic estimation and flow sources associated with surface pressure events in a turbulent boundary layer. Phys. Fluids 13(9), 2611–2626 (2001)
Nguyen, T.D., Wells, J.C., Mokhasi, P., Rempfer, D.: Proper orthogonal decomposition-based estimations of the flow field from particle image velocimetry wall-gradient measurements in the backward-facing step flow. Meas. Sci. Technol. 21(11), 115406 (2010)
Raffel, M., Willert, C.E., Scarano, F., Kähler, C.J., Wereley, S.T., Kompenhans, J.: Particle Image Velocimetry: A Practical Guide. Springer, Berlin (2018)
Savill, A.: Recent developments in rapid-distortion theory. Annu. Rev. Fluid Mech. 19(1), 531–573 (1987)
Simon, D.: Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley, Hoboken (2006)
Taylor, J., Glauser, M.N.: Towards practical flow sensing and control via POD and LSE based low-dimensional tools. J. Fluids Eng. 126(3), 337–345 (2004)
Towne, A., Lozano-Durán, A., Yang, X.: Resolvent-based estimation of space-time flow statistics. J. Fluid Mech. 883, A17 (2020)
Tu, J.H., Griffin, J., Hart, A., Rowley, C.W., Cattafesta, L.N., Ukeiley, L.S.: Integration of non-time-resolved PIV and time-resolved velocity point sensors for dynamic estimation of velocity fields. Exp. Fluids 54(2), 1429 (2013)
Ukeiley, L., Murray, N., Song, Q., Cattafesta, L.: Dynamic surface pressure based estimation for flow control. In: IUTAM Symposium on Flow Control and MEMS, pp. 183–189. Springer (2008)
Van Nguyen, L., Laval, J.P., Chainais, P.: A Bayesian fusion model for space-time reconstruction of finely resolved velocities in turbulent flows from low resolution measurements. J. Stat. Mech. Theory Exp. 2015(10), P10008 (2015)
Zare, A., Jovanović, M.R., Georgiou, T.T.: Colour of turbulence. J. Fluid Mech. 812, 636–680 (2017)
Zhang, Y., Cattafesta, L., Ukeiley, L.: Spectral analysis modal methods (SAMMs) using non-time-resolved PIV. Exp. Fluids 61(226), 1–12 (2020)