摘要:几个世纪以来,流动可视化一直是使流体运动在物理和生物系统中可见的艺术。尽管这些流动模式原则上可以通过Navier-Stokes方程描述,但直接从图像中提取速度场和压力场仍然具有挑战性。我们通过开发隐藏的流体力学(HFM)解决了这一问题。这是一个物理知识驱动的深度学习框架,能够将Navier-Stokes方程编码到神经网络中,同时不受几何形状或初始和边界条件的限制。我们通过几个物理和生物医学问题展示了HFM,通过提取可能无法进行直接测量的定量信息。HFM在观察数据中具有抗低分辨率和显著噪声的能力,这对于潜在的应用非常重要。
图1 流动可视化的量化
(A) 莱昂纳多·达·芬奇的科学艺术使他能够为各种流动问题绘制出准确的涡流和漩涡图案。(B至D) 我们使用HFM在与(A)中左下角绘图相似的几何结构中量化速度场和压力场;我们的输入是(B)左侧显示的浓度场c(t, x, y)的数据点云。在(B)至(D)的左侧,我们绘制了参考的浓度、压力和流线图,而在右侧,我们绘制了算法生成的相应回归量。(C)和(D)基于HFM方法,利用时间和空间上随机分布的浓度场数据,得到系统的隐藏状态——压力p(t, x, y)和速度场。(D) 对比参考的(左侧)和回归的(右侧)瞬时流线图。流线图是根据速度场计算得出的。
我们考虑了一个被动标量c(t, x, y, z)在速度场u(t, x, y, z)= [u(t, x, y, z), v(t, x, y, z), w(t, x, y, z)]中的传输过程,这个速度场满足不可压缩的Navier-Stokes(NS)方程。被动标量在流动中被对流并扩散,但对流体运动本身没有动态影响。烟雾和染料是两个典型的被动标量示例。在本研究中,我们假设唯一可观察的量是被动标量的浓度c(t, x, y, z)的噪声数据(图2B)。这一组时空坐标代表了一个由N个数据点(tn, xn, yn, zn)及其对应的标签cn组成的单一散乱数据点云,其中cn是在点(tn, xn, yn, zn)处测量的浓度值。这里,上标n表示第n个数据点,并从1到N取值。给定这样的在空间和时间上分布的数据,我们的目标是推断感兴趣的潜在(隐藏)量u(t, x, y, z)、v(t, x, y, z)、w(t, x, y, z)以及压力p(t, x, y, z)。我们的目的是开发一个灵活的框架,可以处理在任意复杂领域中获取的数据,如车辆周围的流动或脑部或主动脉瘤中的血流。
图2 圆柱尾流中的任意训练域
(A) 训练数据的域,其中浓度和速度及压力的参考数据通过直接数值模拟生成。(B) 在位于圆柱尾流中的花形任意域上的浓度c(t, x, y)训练数据。实心黑色方块表示一个非常精细的数据点云,而实心黑色星号表示一个低分辨率的数据点云。(C) 一个物理知识无关的神经网络(左侧)以输入变量t, x, y为输入,并输出c, u, v和p。通过对输出变量应用自动微分,我们在物理知识驱动的神经网络ei中编码了传输方程和NS方程,其中i = 1,…,4(右侧)。(D) 通过HFM回归得到的速度和压力场。(E) 在(A)中的任意域中切割出的用于测试HFM性能的参考速度和压力场。(F) 针对不同空间时间分辨率的浓度c观测数据估计的相对误差。顶行列出了每种情况下的空间分辨率,下一行列出了对应于2.5个涡脱落周期的时间分辨率。
其中,第一项对应于被动标量浓度的训练数据,而最后一项则在有限的残差点集上强制施加由Navier-Stokes方程和传输方程所规定的结构,这些残差点的数量和位置可以与实际的训练数据不同。这些点的数量和位置是我们完全可以控制的,而被动标量的浓度数据则在测量点处可用。小批量梯度下降算法及其现代变体,如Adam优化器,使我们能够在几乎“无限多”的点上对方程进行惩罚。此外,在表S2和S3中,我们展示了除了速度和压力场之外,还可以直接从被动标量浓度数据中发现流动的其他未知参数,如雷诺数和Péclet数。
我们首先考虑了外部流动,从圆柱绕流的典型二维问题入手,雷诺数为Re = 100,被动标量的Péclet数为Pe = 100(图2)。我们通过直接数值模拟[使用谱元法(6)]生成了训练数据以及参考的速度和压力场,以验证HFM的准确性。被动标量在左侧边界的入口处注入。正如图2所示,我们为分析选择的训练域的边界形状和范围可以是任意的。
然而,在选择训练域时需要考虑两个重要因素。首先,被动标量的浓度场必须存在于训练域内,以便其信息可用于推断其他流动变量。其次,为了避免需要为速度指定适当的边界条件,必须在边界法线方向上有足够的浓度梯度(∂c/∂n ≠ 0),以便该方法能够推断出速度场的唯一解。在训练域的某些区域中,仅凭浓度分布无法提供足够的信息以保证唯一的速度或压力场,可以为算法提供额外的信息,例如速度或压力数据(例如在壁面边界上施加的无滑移边界条件)。
除了一个例子(图S8和S9)外,本研究中所有的示例都仅依赖于被动标量浓度数据中的信息。正如图2所示,在圆柱下游的完全任意训练域内,算法的预测结果与参考数据可以达到良好的定量一致性。输入算法的数据本质上是时空分散的被动标量浓度点云(图2B)。我们针对被动标量浓度分布的训练数据的时空分辨率进行了系统研究(图2F和图S5),验证了所提出的算法对于点云数据的时空分辨率具有很强的鲁棒性。特别是,如果训练时每个涡脱落周期内的时间快照少于五次,或空间域内的点少于250个,算法将失效。更多关于此案例的细节——包括量化圆柱上的流体力、三维外部流过圆柱的基准问题,特别是分析HFM对浓度数据中显著噪声水平的鲁棒性——在图S3到S14中提供。
此外,我们展示了HFM使用条纹线信息的有效性(图S11和表S4),并显示了其在生成训练数据时不论在圆柱壁面施加何种边界条件(c = 0 或 ∂c/∂n = 0)均表现出的鲁棒性。
接下来,我们专注于内部流动,首先展示了HFM在一个有狭窄部位的二维通道中的有效性,我们的目标是推断壁面剪切应力(图S15到S18)。我们研究了HFM在一个特定患者的三维生理血流中应用的现实生物医学案例(ICA颅内动脉瘤)(图3)。该动脉瘤位于右侧颈内动脉的海绵窦段,处于眼睛水平并在脑部下方。通过使用特定患者的边界条件和入口处的生理流量波形,以及被动标量的均匀浓度,数值生成了精确的浓度场。
由于我们算法的特性,我们可以只专注于需要速度和压力场的区域,从而大大减少数据量和训练成本。我们首先将动脉瘤囊从其他几何结构中裁剪出来,然后仅使用ICA囊内的被动标量数据(图3B)进行训练,没有使用边界条件信息。然后,将ICA囊内在一个样本时刻的参考和回归的浓度、速度和压力场投影到两个垂直于y和z轴的平面上(图3D)。鉴于流动场的复杂性,我们观察到参考场与回归场之间具有非常好的一致性。关于此案例的更多细节,包括对ICA囊壁面剪切应力分量的预测,见图S19到S21。
我们开发的算法不受几何、初始条件和边界条件的限制,因此在选择感兴趣的数据采集域以及后续的训练和预测方面提供了极大的灵活性。
此外,当前的方法使我们能够构建计算效率高且完全可微的速度和压力场代理模型,这些模型可以进一步用于估计其他感兴趣的量,例如剪切应力和涡量场。标量场在流体流动中的传输已经在许多应用中得到研究,如空气动力学、生物流体力学和无反应流体混合等。使用烟雾在风洞中或使用染料在水洞中进行流动可视化和量化在实验流体力学中已被广泛应用。
此外,最近在平面激光诱导荧光成像与粒子图像测速结合的技术已经被开发出来,以评估标量场与速度-涡量场之间的关系。
如今,在血管网络中使用标量传输结合先进成像技术来量化血流已成为常规做法。例如,在注射不可扩散的碘对比剂后,通常在多探测器CT系统上进行冠状动脉CT血管造影,这样可以实现冠状动脉的可视化和冠状动脉狭窄的检测。
另一个例子是量化脑血流,无论是在中风患者的预后评估中使用对比剂和灌注CT,还是在认知神经科学中使用依赖血氧水平的功能磁共振成像来测量脑活动。正如本研究所展示的,当前方法的一个直接应用是量化血管中的血流动力学。这可能对与重要病理(如心脏病发作和中风)相关的血管疾病的临床诊断(尤其是非侵入性方法)产生重大影响。作用于血管壁上的血流剪切应力在血管疾病的预后中至关重要,其量化在临床上也非常重要。使用所提出的方法,可以在不增加成本的情况下估算壁面剪切应力。这将简化目前从临床图像中提取血管精确边界的复杂操作。
我们的方法具有通用性,可以扩展到其他学科;例如,在电磁学中,给定电场数据并已知麦克斯韦方程组,我们可以推断磁场。我们还验证了HFM对观测到的浓度场的低分辨率和显著噪声的鲁棒性(图2和图S5、S6),这表明HFM可能在工程和生物医学中具有应用前景。
翻译转载自:《Science》: "Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations"