Reconstruction of particle distribution for tomographic particle image velocimetry based on unsupervised learning method (Open Access)
Duanyu Zhang, Haoqin Huang, Wu Zhou (周骛)*, Mingjun Feng, Dapeng Zhang, Limin Gao
Keywords: Tomographic particle image velocimetry; 3D reconstruction; Unsupervised learning; Convolutional neural network
DOI: 10.1016/j.partic.2024.06.016
层析粒子图像测速技术（Tomographic Particle Image Velocimetry, Tomo-PIV）是目前主流的三维空间三分量（3D-3C）流体速度场测量手段。三维重建是Tomo-PIV的核心步骤之一，在准确获取三维速度场信息中扮演了至关重要的作用。然而，从有限的粒子图像中重建三维粒子分布一直是一项具有挑战性的任务，尤其是对于较高粒子浓度的三维空间流场，传统的重建算法往往难以达到理想的重建精度。
近年来，随着深度学习在图像处理领域的发展，利用深度学习来处理流场相关图像也成为一个可选途径，同时也为解决Tomo-PIV三维重建问题提供了一条有前景的道路。然而，目前的有监督学习方法需要大量真值数据，而从实验场景中获取大量的真值数据非常困难。虽然可以使用仿真数据集作为替代方案，但仍存在与实验场景一致性的问题。
鉴于此，上海理工大学周骛教授团队创新性地提出一种基于U-net无监督学习模型重建Tomo-PIV中粒子三维空间分布的技术，使用投影函数作为无监督损失函数来进行网络训练，而无需使用真值数据。该技术通过最小化原始记录图像与重建的三维粒子分布投影图像之间的差异来更新三维粒子分布。与传统的代数重建技术相比，该方法无论在重建质量和噪声鲁棒性方面都展现了更优越的性能。
由于准确获取实际流场速度信息较为困难，因此为了定量验证该技术在实际流动中的重建准确性，作者使用含有颗粒的环氧树脂固态样品搭建了一个粒子测速装置。通过不同方法对固态样品中的粒子分布进行重建，重建结果表明了所提技术相较于其他方法有着更高的重建质量。进一步，作者为了展示该技术在高浓度粒子场中的重建性能及其在真实湍流流场中的可行性，在平面叶栅通道中进行了三维流场的测量实验。
该成果发表于PARTICUOLOGY （Volume 93），并在美国科学促进会AAAS主办的全球科技新闻网站EurekAlert!报道，欢迎感兴趣的读者扫描下方二维码查看详情或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！
通讯作者
周骛，上海理工大学能源与动力工程学院教授、博导。主要从事颗粒与两相流测量方法研究，包括三维流场测量、三维喷雾场测量、颗粒污染物监测、纳米颗粒原位表征等。主持国家科技重大专项专题、国家重点研发计划子课题、国家自然科学基金面上项目等，参与重大科研仪器设备研制专项。发表SCI论文30余篇，授权发明专利8项。研究成果先后获上海市技术发明奖二等奖、中国颗粒学会自然科学奖一等奖、中国计量测试学会科学技术进步奖二等奖、中国仪器仪表学会科学技术奖一等奖等。目前任中国颗粒学会理事、中国计量测试学会多相流测试专业委员会秘书兼委员、中国工程热物理学会多相流分会青年工作委员会委员、Particuology青年编委、Measurement副编辑。
供稿：原文作者
编辑：《颗粒学报》编辑部
文章信息
Zhang, D., Huang, H., Zhou, W., Feng, M., Zhang, D., & Gao, L. (2024). Reconstruction of particle distribution for tomographic particle image velocimetry based on unsupervised learning method. Particuology, 93, 349-363. https://doi.org/10.1016/j.partic.2024.06.016