ИСТИНА

Задачей является получение новой количественной и качественной информации по экспериментальной высокоскоростной газодинамике и плазмодинамике импульсных процессов на основе применения подходов машинного обучения к полученным большим массивам данных панорамной съемки. При этом качественно предлагается увеличить объем получаемой в экспериментах научной информации, повысить эффективность использования цифрового дорогостоящего оборудования, привлечь молодых специалистов в области цифровых технологий к решению прикладных и фундаментальных задач теплофизики, механики газа и плазмы.

At the present time, the amount of graphical information obtained in gas-dynamic experiments is extremely increasing due to the modern equipment for high-speed flow visualization (its shooting speed is up to 10,000,000 fps). The studies are carried out with high spatial and time resolution equipment in a wide range of wavelengths of electromagnetic radiation. Refractive methods are based on the refraction of light by the density inhomogeneities of a transparent medium. These methods are most popular for flow visualization applications. Video recordings of fluid flows obtained by shadowgraphy, schlieren, or other refractive methods can contain tens of thousands frames. The manual processing of is extremely difficult in this situation. So it requires the automation of the processing. In the course of the proposed project, experiments will be carried out on the basis of the Faculty of Physics in the Moscow State University. The experimental setup includes a shock tube, digital registration and synchronization complexes. The setup allows providing shadowgraphy and schlieren imaging methods (digital recording with a FASTCAM time-lapse camera up to 750,000 fps). Synchronization, registration and analysis of signals (current oscillograms and data from piezoelectric sensors) are carried out on the basis of the digital equipment. The problem of the automating processing of large arrays of graphical visualization data can be solved by using the methods of computer vision and machine learning. The study on the adaptation and creation of program codes for the recognition of structural elements in fluid flows is provided at our Faculty. This software has been developed (with further development and support). It allows detecting and tracking of shock waves, various gas-dynamic discontinuities, convective thermals, jets in shadowgraphy and schlieren images. The software includes a convolutional neural network trained on large arrays of previously prepared shadow frames, which allows flow structure recognizing with high accuracy. Due to this program codes, automatic recognition of discontinuities, thermals and tracer particles in the flow was realized with an accuracy of 99% for typical flows. The software includes computer vision methods which can be used to recognize and measure the dynamic quantities of various flow structures. The algorithms for boundary detection and line search with the Hough transformation are used to automatically highlighting of discontinuities and inclination angle measure of an oblique shock wave. The special techniques are used to improve the quality of the original images. These include subtraction of the background image in frequency representation (fast Fourier transform), noise removal using various filters, and histogram equalization. Tracking flow structure methods are developed using cross-correlation and feature detection. "Normalized 2D cross-correlation", "Speeded up robust features" (SURF), "Histogram of Oriented Gradients" (HOG), etc. are supposed to be used. The possibility of using clustering methods to solve some recognition problems should be considered. The software allowed to study in detail large data arrays of shadowgraphy images of shock tube flows, as well as disturbances propagating from a pulsed surface discharge initiated in the boundary layer. It is planned to extend the database of images for training neural networks, to increase the number of classes of recognized objects, to update the architecture of the neural network, to develop existing software and to implement new methods of computer vision. It is planned to automate the processing of more complex flows. The later include the flow in a shock tube in the presence of nanosecond discharges (plasma actuators), the development of a supersonic jet, the measurement of the distance between a bow-shock and an object, turbulent boundary layer development. During the project, it is planned to provide new experiments for testing, validating software, training a neural network. For these purposes, new experimental data will be obtained for the flow in a shock tube in the presence of pulsed discharges, supersonic jets, high-speed flows around various objects, development of the boundary layer, its transition to turbulence. The project involves the implementation and further use of a predicted pulsed high-energy energy input into a supersonic flow in a channel based on a unique plasma technology for self-localization of submicrosecond discharges, as well as the use of digital panoramic methods for high-speed registration of gas-dynamic fields in the nano-millisecond range. The problems of high-energy effect of plasma formations on high-speed flows (supersonic and hypersonic) are relevant and in demand in applied thermal physics and aeromechanics: when optimizing heat transfer, flow around airfoils, correcting flows in channels and nozzles, combustion control; the number and citation of articles on this topic continues to increase every year, especially in foreign scientific and technical literature. Experiments will also make it possible to provide new quantitative data for the numerical simulation of unsteady plasma-gasdynamic and thermal processes in a compressible medium. This study will significantly speed up the obtaining of new quantitative information during the processing of experimental data and automate the processing of experimental results using modern technologies of machine learning. The relevance of this study is determined by the rapid growth in the amount of experimental information in fluid dynamics and the need for automation of data processing. The results can be used in industry, for example, when studying the flow around aircraft, space technology, and channel flows. They can also be used to accelerate laboratory research in obtaining of new quantitative data in fundamental and engineering research. This topic is quite new. The first papers on the application of modern methods of computer vision and machine learning for solving problems of gas dynamics appeared in the 2010s, their number is constantly increasing, which confirms the relevance of this project.

1) Полученные и систематизированные видеозаписи течений в ударной трубе: на основе высокоскоростной съемки (от 150 тыс. к/с до 525 тыс. к/c) течения в канале за плоской ударной волной с числом Маха M = 1.5 – 3.5 в течение 35 – 40 мс вплоть до нулевой скорости потока (видеозапись каждого течения содержит более 5000 изображений). Будут зарегистрированы падающие, отраженные ударные волны, псевдоскачки, развитие пограничного слоя и его переход к турбулентности. Для автоматизации обработки больших массивов данных разработано и будет далее улучшаться ПО, позволяющее распознавать газодинамические разрывы, различные неоднородности течения. Для распознавания разрывов, частиц-трассеров в потоке, вихрей будет использоваться сверточная нейронная сеть, созданная на основе широко известной архитектуры YOLOv2. Нейронная сеть позволит автоматически определять координаты и размеры объекта на каждом кадре и строить x-t диаграммы движения объектов для всей видеозаписи, проводить расчет скоростей и ускорений программными методами и с помощью полиномиальной аппроксимации получать непрерывные зависимости x(t), v(t) и др. Исследование развития течения на более поздних стадиях в отсутствии ударных волн и разрывов будет проводиться с помощью таких алгоритмов компьютерного зрения как нормализованная кросс-корреляция, выделение границ. Написан и будет дорабатываться код для определения скорости потока по смещению структур течения, пограничного слоя. Будет реализован так называемый "беззасевный PIV", или, как такой подход иногда называют в литературе, "Schlieren Image Velocimetry". Будут получены поля скоростей течения в интервале от 0 до 40 мс. С помощью методов выделения границ будет оцениваться степень турбулизации потока. Таким образом, будет детально изучено течение в ударной трубе на длительных временных масштабах, что станет возможным благодаря применению технологий машинного зрения и искуственного интеллекта для обработки экспериментальных данных. 2) Полученные и систематизированные видеозаписи течения в ударной трубе с прямоугольным уступом в канале, дифракция ударной волны на препятствии. Реализовано автоматическое отслеживание развития косых скачков уплотнения и процесса дифракции ударной волны на препятствии с помощью методов компьютерного зрения. Построены зависимости угла наклона косого скачка уплотнения (от препятствия) от времени, оценено время перехода течения от сверхзвукового к дозвуковому режиму. По полученным данным оценено число Маха потока. Временной интервал исследования 0 - 40 мс. 3) Проведение экспериментов по инициированию течений наносекундным поверхностным и объемным разрядами на установке УТРО-3 – ударных волн, термиков. Предполагается изучение различных конфигураций разрядов на плазменном листе и в объеме. Будет подробно изучена конфигурация разряда в виде цилиндрического канала в объеме при давлениях в диапазоне от 3 до 100 Торр. Изучено ударно-волновое течение, создаваемое таким разрядом. Такой разряд может рассматриваться как протяженный по цилиндрическому объему взрыв с противодвалением. Будет изучена динамика возникающей цилиндрической ударной волны, контактной поверхности, волны сжатия, двигающейся к центру канала. Описаны новые физические эффекты, присущие такому течению с энергоподводом. Также аналогичным образом будет изучено течение, создаваемое поверхностным импульсным разрядом в неподвижном воздухе - плазменным актуатором. Автоматически, с помощью разработанной нейронной сети, будет построена зависимость размера возникающих неоднородностей потока, вызванных конвекцией (термиков) от времени, оценено влияние плазменного актуатора на окружающую невозмущенную среду и поток. Получение теневых видеозаписей развития течений (до 775 000 кадров/с), параметров тока разряда с помощью цифрового осциллографа, интегральных кадров его свечения. 4) Разработка собственных алгоритмов для отслеживания головной ударной волны. Результаты применения разработанного ПО для исследования динамики головной ударной волны при обтекании модели сверхзвуковым течением (число Маха М = 2-3): автоматическое измерение расстояния отхода головной ударной волны на оси симметрии, пульсаций турбулентного струйного течения около модели. Данная задача представляет большую значимость с технической точки зрения, так как моделируется ситуация обтекания носовых частей летательных аппаратов. Автоматически из экспериментальных данных будут извлекаться зависимости расстояния отхода головной ударной волны от времени. 5) Доработано существующее ПО, использующее нейронную сеть на базе архитектуры YOLOv2 (macOS приложение, написанное на языке Swift с использованием библиотек Core ML и Vision). Будет произведено улучшение архитектуры нейронной сети и качества распознавания, устойчивость к шумам. Улучшение пользовательского интерфейса: реализация выбора отдельных изображений или директории с изображениями, кнопка запуска обработки, ввод параметров пересчета пикселей в метры, превью процесса обработки. 6) Подготовка дополнительных данных для обучения нейронной сети. Сейчас она включает 300 изображений, содержащих 3 класса объектов: ударные волны, термики и частицы-трассеры в потоке. Количество будет увеличено до 500 – 800, добавлены другие классы течений (типы структур течений). Подготовка базы данных для обучения нейронной сети осуществляется на онлайн-ресурсе, разработанном компанией IBM, расположенном в сети «Интернет»: https://cloud.annotations.ai/ или на веб-сайте собственной разработки: https://fluiddynamycsonline.xyz. 7) Улучшено ПО, использующего методы компьютерного зрения (написано с использованием языка Python, библиотеки OpenCV, а также Matlab и пакета Image Processing Toolbox): улучшение алгоритмов выделения границ, распознавания прямых с помощью преобразования Хафа, кластеризации, кросс-корреляции и выявления признаков. Написание алгоритмов распознавания головной ударной волны на основе анализа полей интенсивности свечения на теневых изображениях. Написаны аглоритмы кластеризации изображений, позволяющие выделять и автоматически рассчитывать площади и другие геометрические параметры характерных структур на изображениях (будет применяться для обработки изображений свечения разрядов). Разрабатываемое ПО (пп. 5-7) будет улучшаться и обновляться в течение всего проекта (2 года). Новая физическая информация об изученных течениях, в том числе о течениях с энергоподводом, будет опубликована в журналах рейтинга Q1.