科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对火焰三维羟基浓度场的高速测量难度大、成本昂贵的问题，提出一种基于深度学习的帧重建模型Cycle-3D-CNN，用于连续时间的湍流火焰三维羟基浓度场数据。使用基于循环一致性（Cycle Consistency）的三维卷积神经网络（3D Convolutional Neural Networks（3D-CNN）），以数值驱动的方式实现了更高的时间分辨率。在实验分析中使用该模型分别实现了三维羟基浓度场时间序列的两倍和三倍时间分辨率提升，验证了其良好的重建性能。在两种实验结果中，峰值信噪比（peak signal-to-noise ratio（PSNR））均值分别达到了33.57dB和30.37dB，结构相似性（structural similarity（SSIM））指数分别达到了0.899和0.813，均优于传统的帧重建方法。
- 出版日期2023
- 单位厦门大学; 航天学院
