Realtidsmåling af højhastighedsluftstrøm er 20 gange hurtigere end konventionelle metoder

En forskergruppe har udviklet og nu med succes testet en ny metode til at måle væskestrømningshastigheder. Sparse processing particle image velocimetry (SPPIV) optimerer konventionelle målemetoder og er lykkedes med at beregne højhastighedsvæskestrøm i realtid.

Detaljer om gruppens resultater blev offentliggjort i tidsskriftet Experiments in Fluids den 29. august 2022.

Måling af hastighedsfeltet for en væskestrøm, såsom luft eller vand, giver mulighed for større feedback og kontrol. Dette bliver vigtigt i indsatsen for at øge flyets ydeevne og brændstofeffektivitet.

Partikelbilledhastighed (PIV) er traditionelt blevet brugt til at måle væskehastighed.

PIV anvender billedkorrelationsanalyse til at bestemme en væskes bevægelse. Selvom dette giver todimensionelle data og gør installation af sensorer unødvendig, er behandling af de store mængder data tidskrævende, især med billeder af højhastighedsluftstrøm. På grund af dette er realtidsmålinger umulige med PIV.

Lektor Taku Nonomura fra Tohoku University's Graduate School of Engineering og forskningsstipendiat Kumi Nakai fra National Institute of Advanced Industrial Science and Technologys Research Institute for Energy Conservation har ledet en gruppe for at overvinde PIV's mangler.

SPPIV udnytter en lavdimensionel tilstand og sensorpositionsoptimeringsteknologi. Den lavdimensionelle tilstand indsnævrer det komplekse fænomen til bredere træk, og luger ikke-essentielle informationer ud, der indvikler databeregninger. Sensorpositionsoptimeringsteknologien udvælger omhyggeligt de optimale observationspunkter i stedet for oversvømmelsessystemer, som PIV gør.

Ved at fremstille et vindtunneleksperiment med et højhastighedskamera i realtid viste gruppen, at måling i realtid er mulig ved hjælp af SPPIV. De så også verdens første realtidsmåling af væskeflow ved 2000 hertz.

"Denne teknologi er alsidig og forventes at muliggøre måling og kontrol af væskeflow i realtid på forskellige områder," sagde Nonomura. "Takket være kombinationen af ​​en lavdimensionel model og optimering - selv for målemetoder, der involverer kedelige analyser - reduceres mængden af ​​analyserede data betydeligt." + Udforsk yderligere

Optimering af væskeblanding med maskinlæring