基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤，有限二维投影下的三维粒子重构是一个欠定的反问题，其精确解往往很难得到。一般情况下，可以通过优化方法得到近似解。为了获取质量更高的粒子场并用于层析粒子图像测速，提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）的粒子重构方法。所提出的技术可以从基于传统的代数重构技术（Algebraic Reconstruction Technique，ART）的方法所得到的粗略粒子分布中进一步提高粒子重构质量。与现有的基于ART的算法相比，新技术在重构质量方面有了显著的改进，可以有效剔除虚假粒子并更准确地还原粒子形状，并且在粒子浓度较稠密的情况下计算速度至少快了一个数量级。     

单气泡上浮运动的层析PIV实验研究

为了揭示上浮过程中的尾流涡结构及其与气泡之间的相互作用，分别采用阴影图像法和层析PIV技术，对单个气泡在静止水中自由Z字型上浮的过程进行了实验研究，得到气泡的形状、运动和三维的尾流速度场。采用"λ" _"ci" 涡判据和有限时间李雅普诺夫指数（Finite-Time Lyapunov Exponent，FTLE），从速度场识别出三维的尾流涡结构和二维的拉格朗日拟序结构。结果表明，Z字型上浮过程中，气泡周围环绕有涡环，涡环会沿运动路径脱落交替的、方向相反的发卡涡；单个发卡涡脱落过程中，涡环一侧的FTLE脊线会闭合形成拉格朗日涡。由此可得到结论，发卡涡的周期性脱落，使涡环相对于气泡的对称性被周期性交替破坏，导致气泡形成Z字型周期运动；单个发卡涡脱落过程中，涡环两侧各自对发卡涡的流体输运存在显著差异。