Детектирование ламинарно-турбулентного перехода, вызванного неустойчивостью поперечного течения, методами машинного зрения
Автор: Александр Янович Котвицкий
Соавторы: Коробков В.А., Моралев И.А.
Организация: ОИВТ РАН
В задаче затягивания ламинарно-турбулентного перехода (ЛТП) необходимы адаптивные к различному сценарию перехода методы контроля качества управления. Классические методы анализа перехода основаны на результатах термоанемометрии [1] и интегральной по времени термографии [2]. В работе рассматривается сегментация на ламинарные и турбулентные участки мгновенных полей скорости в области ЛПТ, вызванного неустойчивостью поперечного течения (НПТ). Исследование стимулированного ЛТП различными внешними условиями выполнялось в дозвуковой низкотурбулентной аэродинамической трубе с разомкнутой рабочей частью при нормальных условиях и скорости набегающего потока 25м/с. Трехмерный пограничной слой формировался на модели скользящего крыла с углом стреловидности 40 град. и наведенным градиентом давления. В пограничном слое доминируют моды неустойчивости поперечного течения, которые вызывают ламинарно-турбулентный переход на участке x⁄L≈0.6-0.9 по хорде модели. Диагностика потока выполнялась панорамным PIV параллельно пластине. В области перехода наблюдается несколько процессов различного пространственного масштаба: нарастание первичных мод НПТ с длиной волны λ≈7мм, образование вторичной неустойчивости λ≈1-3мм и формирование турбулентных пятен. Задача машинного обучения состоит в поиске оптимального фильтрового преобразования, чтобы сегментировать двумерные мгновенные поля скорости на ламинарные и турбулентные области. Модель основана на 2-х уровневой энкодер-дектодер сверхточной нейросети с прямой связью и параллельными обходными [3] с общим числом параметров 76 тыс. Обучение выполнялось на результатах статистического анализа перехода методом стохастического градиентного спуска с функцией потерь индекса Тверски. Продемонстрирована возможность анализа ламинарно-турбулентного перехода методом машинного зрения (рис. 1). Показана робастность результатов прогнозирования нейросети к данным измерения различной стадии и типа ЛТП, при доминировании НПТ. Показана возможность анализа турбулентных структур по мгновенной реализации. При сопоставлении нарастания перемежаемости вдоль выделенных клиньев точность определения точки перехода нейросетью составляет 5-10 мм или 1-2% хорды модели.
Работа выполнена при поддержке гранта Российского Научного Фонда № 24-19-00627.
1. Hedley T.B., Kefer J.F. Turbulent/non-turbulent decisions in an intermittent flow // J. Fluid Mech. 1974. Vol. 64. № 4. P. 625-644.
2. Boiko A. V., Ivanov A. V., Borodulin V. I., and Mischenko D. A. Quantification technique of transition to turbulence in boundary layers using infrared thermography // International Journal of Heat and Mass Transfer. 2022. Vol. 183. № Part A.
3. Ranneberger O., Fischer P., et al. U-Net: Convolutional Networks for Biomedical Image Segmentation // CoRR. 2015.
