Доклады Российской академии наук. Физика, технические науки, 2021, T. 497, № 1, стр. 16-20

Список областей, в которых в последние годы нашли применение нейронные сети, огромен. Важнейшим приложением для глубокого обучения на основе нейронных сетей является визуализация. В физике и механике переход от пленочных технологий [1] регистрации динамических процессов к цифровым [2] технологиям привел к многократному увеличению объемов визуальной информации. При этом теневой метод визуализации и его модификации продолжают оставаться основным, широкодоступным инструментом исследования сверхзвуковых и гиперзвуковых течений газа.

Для получения количественных данных о динамических характеристиках разрывов и неоднородностей в нестационарных процессах возникает необходимость обработки и расшифровки больших объемов данных теневой визуализации, полученных с использованием различных цифровых камер. Высокоскоростная съемка пленочными камерами (такими как СФР, ВСК и др.) позволяла получить за 1 эксперимент менее 50 кадров – изображений последовательных стадий быстропротекающего процесса. Начальные стадии нестационарных процессов в ударных трубах прямоугольного сечения достаточно хорошо были исследованы с помощью таких камер. Цифровая камера сегодня позволяет зарегистрировать фильмы, ограниченные по объему информации лишь объемом памяти носителя или длительностью нестационарного исследуемого процесса. Основным параметром, характеризующим высокоскоростную цифровую теневую съемку, является пропускная способность – объем цифровых пиксельных данных изображения, формируемый камерой.

Для обнаружения ударной волны (УВ) на теневом изображении подходят различные алгоритмы обнаружения краев (границ) [3], в том числе алгоритмы Prewitt, Roberts, Sobel и Canny [4]. Ли и др. [5] разработали программное обеспечение для обнаружения и отслеживания ударных волн с помощью модифицированного алгоритма Canny. Перед обработкой изображения дополнительно улучшались с помощью вычитания фонового изображения в частотном представлении (с помощью быстрого преобразования Фурье). Аналогичные работы проводились для отслеживания различных структур газодинамических течений в работах [6–8].

Нами проведена работа по адаптации и созданию программ распознавания структурных элементов в сплошных средах, на основе больших массивов данных панорамной теневой визуализации течений. Было создано программное обеспечение для автоматического отслеживания координат и размеров структур течений в автоматическом режиме с помощью алгоритмов выделения границ (краев), что позволило обрабатывать большие массивы экспериментальных данных (теневых и шлирен-изображений) без участия человека. ПО разработано на основе пакета MATLAB и алгоритма Canny. Часто УВ представляет собой прямую, которую можно обнаружить на изображении с помощью преобразования Хафа.

В настоящей работе метод Хафа впервые был использован для автоматического обнаружения УВ на теневых изображениях. Использовалась реализация данного алгоритма в MATLAB [9]. Также было разработано отдельное приложение, позволяющее классифицировать течения и распознавать на них структуры, такие как ударные волны, струи, термики, вихри и др., с помощью сверточных нейронных сетей (англ. convolutional neural network, CNN). Нейронная сеть обучалась на базе экспериментальных изображений. Точность классификации типовых течений достигала 99%. Используемая в данной работе модель обучена распознавать три класса объектов: ударные волны, термики и частицы-трассеры. Приложение написано на языке Swift c использованием библиотек Core ML и Vision. Разработанное ПО тестировалось для обработки теневых кадров с ударно-волновыми течениями и конвективными потоками (термиками) со значительными градиентами плотности среды, показана достаточно высокая эффективность предложенного подхода [10]. Созданное ПО позволило обрабатывать и в автоматическом режиме строить графики зависимости координат ударных волн, частиц-трассеров, размеров конвективных термиков от времени, в том числе для нескольких объектов на одном изображении, а также автоматически вычислять угол наклона косого скачка уплотнения.

Съемка высокоскоростной цифровой камерой на стенде УТРО-3 [11, 12] позволила получать большое количество фильмов, регистрирующих нестационарные процессы в канале ударной трубы сечением 24 × 48 мм с импульсным энергоподводом на основе лазерной теневой схемы. Для получения полной картины эволюции газодинамического потока и анализа возможностей моделирования различных нестационарных взаимодействий на стенде была проведена съемка и визуализирован весь поток, включая падающую УВ (числа Маха 2–3.5), нарастание пограничного слоя, турбулентное течение толкающего газа (гелия), течение разрежения, а также отраженные разрывы. Частота съемки составляла 150–600 тыс. к/с; длительность цифровых фильмов – несколько миллисекунд. Обработка и количественные измерения проведены на основе разработанного ПО: машинного зрения (выделение границ и преобразование Хафа) и машинного обучения (сверточная нейронная сеть). Один фильм в виде набора изображений (до 1000 кадров) в формате .png, расположенных в одной директории, анализируется 3–10 с.

На графике (рис. 1) приведены результаты измерения на основе нейронной сети координат разрывов (точки), выявленных при анализе теневых изображений потока в рабочей камере ударной трубы. Между падающей УВ с числом Маха М = 3.5 и отраженной от уступа при входе в цилиндрический канал интервал времени около 3000 мкс. Скорость первого отраженного скачка, движущегося по сверхзвуковой области развитой турбулентности, измеренная автоматически – 80 ± 10 м/c. За счет взаимодействия пограничного слоя с отраженным скачком происходит бифуркация скачка и образуется цуг псевдоскачков, они проходят навстречу потоку через 100–200 мкс с той же скоростью. Затем зафиксирован проход второй отраженной от дальнего уступа ударной волны. Она движется по дозвуковой области и ее измеренная скорость – значительно выше, чем у первой – 350 ± 10 м/c.

Рис. 1.

Автоматически измеренные с помощью нейронной сети координаты разрывов и частиц-трассеров.

Скорость набегающего потока в канале была измерена также на основе машинного обучения по движению трассеров (на графике рис. 1 – треугольники). Показано, что после прохождения отраженной волны и псевдоскачков скорость потока существенно падает (от 270 до 170 м/c), при этом пропадают косые скачки от неоднородностей стенок канала, что свидетельствует о переходе к дозвуковому течению.

На рис. 2 приведено изображение участка потока с распознанными конфигурациями псевдоскачков [13] (поток движется слева направо, цуг псевдоскачков – справа налево). Следует отметить, что до настоящего времени было проведено лишь несколько исследований по регистрации и анализу динамики подобного цуга псевдоскачков внутри ударной трубы – преимущественно путем изменения давления на стенке трубы [14].

Рис. 2.

Теневое изображение цуга псевдоскачков и их автоматическое распознавание при помощи сверточной нейронной сети.

Также на основе выделения границ и преобразования Хафа были по теневым фильмам проведены измерения эволюции угла наклона косого скачка уплотнения от препятствия на стенке канала ударной трубы (рис. 3).

Рис. 3.

Автоматически распознанный скачок уплотнения и рассчитанный угол наклона. Верхняя строка – для точечного препятствия; нижняя строка – прямоугольное препятствие, черным обозначены границы препятствия.

Таким образом, измерялась эволюция скорости набегающего потока и время выхода течения в канале на дозвуковой режим. На рис. 4 приведен график зависимости угла наклона косого скачка уплотнения полуконического течения около точечного препятствия на нижней стенке канала от времени, данные получены с помощью описанных алгоритмов машинного зрения и сравниваются с ручной обработкой.

Рис. 4.

График зависимости угла наклона скачка уплотнения конического течения около точечного препятствия от времени.

В линейном приближении величина, обратная синусу угла наклона скачка в ламинарном течении, близка к числу Маха набегающего потока. Измеренный по 100–150 теневым кадрам угол наклона конического (точечное препятствие, рис. 3, верхняя строка) и плоского (прямоугольное препятствие, рис. 3, нижняя строка) течения увеличивался, приближаясь к прямому углу, а интенсивность скачка падала, и он пропадал; при приближении угла наклона к 90° течение становится трансзвуковым. Достижение скачком уплотнения вертикального положения (угол 90° и число Маха потока порядка 1), соответствует переходу скорости течения от трансзвуковой к дозвуковой (через 2.5–3.5 мс).

Таким образом, с использованием машинного зрения (выделение границ, преобразование Хафа и др. алгоритмы) и машинного обучения (сверточная нейронная сеть) возможно проведение исследований в газодинамике на основе анализа больших данных цифровой съемки с многократным ускорением получения новой физической информации.