Kann physikinformiertes Deep Learning die Rekonstruktion von Strömungsfelddaten verbessern? Diese Studie untersucht die Anwendung von physikinformierten neuronalen Netzen (PINNs) für die Superauflösung von Strömungsfelddaten aus verrauschten Messungen. Ziel ist es, eine physikalisch konsistente Vorhersage ohne hochauflösende Referenzdaten zu erhalten. PINNs werden auf die Burgers-Gleichung, die Wirbelablösung hinter einem Zylinder und die turbulente Kanalströmung angewendet und demonstrieren ihre Fähigkeit, die Auflösung zu verbessern und das Rauschen zu reduzieren. Die Ergebnisse zeigen das Potenzial von PINNs bei der Datenaugmentation für Experimente in der Strömungsmechanik und stellen einen vielversprechenden Ansatz für Forscher dar, die mit unvollständigen oder verrauschten Daten arbeiten.
Diese Forschung, die in Measurement Science and Technology veröffentlicht wurde und sich auf Fortschritte in der Messtechnik und Instrumentierung konzentriert, steht im Einklang mit dem Schwerpunkt der Zeitschrift auf innovativen Methoden zur Datenanalyse und -interpretation. Durch die Präsentation der Fähigkeiten von physikinformiertem Deep Learning für die Rekonstruktion von Strömungsfelddaten bietet die Arbeit ein wertvolles Werkzeug für die experimentelle Strömungsmechanik und trägt zur Mission der Zeitschrift bei.