| 基于机器学习方法的三维粒子重构技术 |
| |
| 引用本文： | 朱浩然, 高琪, 王洪平, 廖相巍, 赵亮, 魏润杰, 王晋军. 基于机器学习方法的三维粒子重构技术[J]. 实验流体力学, 2021, 35(3): 88-93. doi: 10.11729/syltlx20200141 |
| |
| 作者姓名： | 朱浩然 高琪 王洪平 廖相巍 赵亮 魏润杰 王晋军 |
| |
| 作者单位： | 1. 浙江大学 航空航天学院, 杭州 310027;; 2. 中国科学院力学研究所, 北京 100190;; 3. 鞍钢集团钢铁研究院 冶金工艺研究所, 辽宁 鞍山 114009;; 4. 海洋装备用金属材料及其应用国家重点实验室, 辽宁 鞍山 114009;; 5. 北京立方天地科技发展有限责任公司, 北京 100083;; 6. 流体力学教育部重点实验室 北京航空航天大学, 北京 100191 |
| |
| 基金项目： | 国家自然科学基金面上项目91852204海洋装备用金属材料及其应用国家重点实验室开放基金课题SKLMEA-K201910国家重点研发计划资助2020YFA0405700 |
| |
| 摘 要： | 
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。
|
| 关 键 词： | 机器学习 粒子重构 层析粒子图像测速 卷积神经网络 重构质量 |
| 收稿时间： | 2020-11-10 |
| 修稿时间： | 2021-01-10 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《实验流体力学》浏览原始摘要信息 |
|
点击此处可从《实验流体力学》下载免费的PDF全文 |
|
