ИСТИНА

Визуализация течений теневым методом широко применяется для изучения течений в экспериментальной газовой динамике, позволяя визуализировать области, где изменяется вторая производная плотности. Метод хорошо подходит для визуализации границ газовых струй, ударных волн и других газодинамических разрывов. В настоящее время, с развитием цифровых камер, позволяющих производить съемку течений со частотой до миллионов кадров в секунду, возникает необходимость в автоматизации обработки больших массивов экспериментальных изображений, автоматическом отслеживании различных структур течений и сохранении их параметров. Для распознавания используются как классические методы компьютерного зрения, так и более продвинутые – машинное обучение, нейронные сети. Наиболее полный обзор статей по применению глубокого обучения при визуализации течений приведен в работе [1]. В настоящей работе приводятся результаты исследований течений в ударной трубе прямоугольного сечения размером 24×48 мм2 с числами Маха M = 2 – 4, а также обтекание затупленного тела типа «усеченный конус - цилиндр» стационарным потоком из сопла Лаваля с числом Маха M = 2.4. Для экспериментов в ударной трубе рабочим газом был воздух, толкающим – гелий. Визуализация течений в обоих случаях проводилась с помощью прямого теневого метода (на параллельных пучках света). Съемка течений производилась высокоскоростной камерой со скоростями до 775 000 кадров / с и экспозицией 1 мкс. Для распознавания косых скачков уплотнения, возникающих в сверхзвуковом потоке при наличии малого препятствия на нижней стенке трубы, использовался алгоритм выделения границ Кэнни и метод Хафа, позволяющий по найденным границам определить те, которые образуют прямые линии. Написанная программа позволяла получать уравнения найденных прямых и рассчитывать угол наклона, давая ценную физическую информацию о течении [2]. Для распознавания ударных волн в более сложных ситуация использовалась заранее обученная на большом количестве теневых изображений свёрточная нейронная сеть. Была выбрана известная архитектура сети YOLOv2. На вход подавалось изображение, на выходе выдавались координаты рамок, соответствующих искомым объектам, название класса объекта и достоверность результата. С помощью данного подхода было исследовано течение в ударной трубе на интервале времен от 0 до 40 мс. На рис. 1 приведен пример распознавания цуга псевдоскачков в ударной трубе; справа-распознавание головной ударной волны при обтекании модели (М = 2.4). По полученным данным строились спектры колебаний головной ударной волны с помощью быстрого преобразования Фурье, определялись частоты. Исследование выполнено за счет гранта Российского научного фонда (проект № 22-79-00054) [1] C. Liu, R. Jiang, D. Wei, C. Yang, Y. Li, F. Wang and X. Yuan, "Deep learning approaches in flow visualization," Advances in Aerodynamics, vol. 4, no. 17, 2022, doi: https://doi.org/10.1186/s42774-022-00113-1. [2] I. A. Znamenskaya, I. A. Doroshchenko, N. N. Sysoev and D. I. Tatarenkova, "Results of Quantitative Analysis of High-Speed Shadowgraphy of Shock Tube Flows Using Machine Vision and Machine Learning," Doklady Physics, vol. 66, pp. 93-96, 2021, doi: 10.1134/S1028335821040066