Resumen

La identificación y visualización de vórtices son medios importantes para comprender el mecanismo físico subyacente del campo de flujo. Los métodos de identificación de vórtices locales deben combinarse con la selección manual del umbral adecuado, lo que conlleva una escasa solidez. Los métodos de identificación global de vórtices son de alta complejidad computacional y consumen mucho tiempo. Los métodos de aprendizaje automático están relacionados con el tamaño y la forma del campo de flujo, por lo que son poco versátiles y escalables. No se pueden ampliar y son adecuados para campos de flujo de diferentes tamaños. Recientemente, los métodos de aprendizaje profundo propuestos tienen un largo tiempo de entrenamiento de la red y una alta complejidad computacional. Con el objetivo de resolver los problemas anteriores, presentamos un nuevo método de identificación de vórtices basado en las redes neuronales convolucionales-máquina de aprendizaje profundo (CNN-ELM). Este método transforma el problema de identificación de vórtices en un problema de clasificación binaria, y puede identificar vórtices de forma rápida, objetiva y robusta a partir del campo de flujo. Un gran número de experimentos demuestran la eficacia de nuestro método, que puede mejorar o complementar las deficiencias de los métodos existentes.

• Materias:Motores (Mecánica) Vehículo espacial Ingeniería Aeronáutica
• Subjects:Engines Space vehicles Aeronautical Engineering
• Palabras claves:métodos de identificación de vórtices, campo de flujo, alta complejidad computacional, problema de identificación de vórtices, red neuronal convolucional, tiempo de entrenamiento de la red, problema de clasificación binaria, identificación global de vórtices, máquina de aprendizaje extremo, métodos
• Keywords:vortex identification methods, flow field, high computational complexity, vortex identification problem, convolutional neural network, network training time, binary classification problem, global vortex identification, extreme learning machine, methods