Исследование быстропротекающих газо – плазмодинамических процессов с использованием подходов машинного обучения при анализе больших массивов данных экспериментальной визуализации

В последние годы количество графической информации, получаемой в газодинамических экспериментах, многократно увеличилось благодаря применению современного оборудования высокоскоростной визуализации течений (скорость съемки до 10 000 000 кадров / с). Исследования проводятся с помощью аппаратуры высокого пространственного и временного разрешения в широком диапазоне длин волн электромагнитного излучения. Для визуализации течений чаще всего применяются рефракционные методы, основанные на преломлении света неоднородностями плотности прозрачной среды. Видеозаписи течений, полученные теневым, шлирен или другими рефракционными методами могут содержать десятки тысяч кадров, обработка которых вручную крайне затруднительна и требует автоматизации. Эксперименты проводятся на базе Физического факультета МГУ на установке, включающей в себя ударную трубу, цифровые комплексы регистрации и синхронизации. Установка включает в себя теневые, шлирен методы визуализации (цифровая регистрация покадровая камерой FASTCAM до 750000 к/c). Синхронизация, регистрация и анализ сигналов - осциллограмм тока и данных с пъезодатчиков осуществляются на базе единого цифрового комплекса. Для решения задачи автоматизации обработки больших массивов графических данных визуализации можно применить известные методы компьютерного зрения и машинного обучения. В настоящее время на физическом факультете МГУ нашей научной группой ведутся работы по адаптации и созданию программ распознавания структурных элементов в газах, жидкостях и плазме. Разработано и продолжает разрабатываться и поддерживаться программное обеспечение (ПО), позволяющее обнаруживать и отслеживать на теневых и шлирен изображениях течений ударные волны, различные газодинамические разрывы, конвективные термики, струи. Разработанное ПО включает в себя обученную на больших массивах заранее подготовленных теневых кадров сверточную нейронную сеть, позволяющую производить распознавание структур течений с высокой точностью и автоматически сохранять их координаты и размеры. С помощью разработанной программы было реализовано автоматическое распознавание разрывов, термиков и частиц-трассеров в потоке с точностью до 99% для типовых течений и получение количественной физической информации. ПО также включает в себя комплекс методов компьютерного зрения, применяемых для распознавания и измерения динамики различных структур течений. Алгоритмы выделения границ и поиска прямых с помощью преобразования Хафа применяются для автоматического выделения разрывов, измерения угла наклона косого скачка уплотнения. Для улучшения качества исходных изображений применяются такие техники улучшения изображений как: вычитание фонового изображения в частотном представлении (с помощью быстрого преобразования Фурье), удаление шумов при помощи различных фильтров, эквализация гистограммы. Разрабатываются методы отслеживания структур течений с помощью кросс-корреляции и выявления признаков (feature detection). Предполагается использовать такие алгоритмы и методы, как нормированная кросс-корреляция (normalized 2D cross-correlation), «speeded up robust features» (SURF), «Гистограмма направленных градиентов» (англ. Histogram of Oriented Gradients, HOG) и др. Прорабатывается возможность использования методов кластеризации для решения некоторых задач распознавания. ПО позволило, в частности, подробно исследовать большие массивы данных теневой съемки течений в ударной трубе, а также возмущений, распространяющихся от импульсного поверхностного разряда, инициируемого в пограничном слое. В будущем планируется дополнять базу данных изображений, используемых для обучения нейронных сетей, увеличивать количество классов распознаваемых объектов, обновлять архитектуру нейронной сети, развивать существующее ПО и дополнять его новыми методами компьютерного зрения. Планируется автоматизировать обработку более сложных течений: течение в ударной трубе в присутствии наносекундных разрядов (плазменных актуаторов), развитие сверхзвуковой струи, измерение расстояния между скачком уплотнения (головной ударной волной) и объектом при его обтекании сверхзвуковым потоком, развитие турбулентного пограничного слоя. Планируется улучшить и доработать существующее ПО для более широкого круга течений. Также планируется проведение экспериментов: течение в ударной трубе в присутствии импульсных разрядов, сверхзвуковые струи, обтекание различных объектов высокоскоростными потоками, развитие пограничного слоя, его переход к турбулентности и др. для тестирования, валидации ПО, обучения нейронной сети. Проект предполагает, помимо анализа газодинамических течений, реализацию и дальнейшее использование импульсного прогнозируемого высокоэнергетического энерговклада в сверхзвуковой поток в канале на основе уникальной плазменной технологии самолокализации субмикросекундных разрядов, а также использование цифровых панорамных методов высокоскоростной регистрации газодинамических полей в нано-миллисекундном диапазоне. Задачи высокоэнергетического воздействия плазменных образований на высокоскоростные течения (сверхзвуковые и гиперзвуковые) актуальны и востребованы в прикладной теплофизике и аэромеханике: при оптимизации теплообмена и обтекания профилей, коррекции течений в каналах и соплах, управлении горением; количество и цитируемость статей по данной проблеме продолжает увеличиваться с каждым годом, особенно в зарубежной научно-технической литературе. Проведение экспериментов и их обарботка с помощью машинного зрения и нейронных сетей позволит также предоставить новые количественных данные для численного моделирования нестационарных плазмо-газодинамических и тепловых процессов в сжимаемой среде. Таким образом, данная работа позволит значительно ускорить получение новой физической информации в физическом эксперименте и автоматизировать обработку экспериментальных результатов с помощью применения современных технологий искусственного интеллекта и машинного зрения. Актуальность исследований определяется бурным ростом объемов экспериментальной информации в газодинамике, возникновением потребности в автоматизации обработки данных. Полученные результаты могут использоваться в промышленности, например, при изучении обтекания летательных аппаратов, космической техники, течений в каналах. Также они могут использоваться для многократного ускорения лабораторных исследований и получения новой физической информации. Данное направление достаточно новое. Первые работы по применению современных методов компьютерного зрения и машинного обучения для решения задач газовой динамики появились в 2010-х годах, их количество постоянно увеличивается, что подтверждает актуальность данного направления.