Künstliche Intelligenz basierte Optical Flow Methoden für die Particle-Image Velocimetry

• Antragsteller: Professor Dr.-Ing. Wolfgang Schröder
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 470744243

Particle-Image Velocimetry (PIV) ist eine sehr vielseitige und effiziente Messmethode zur Untersuchung verschiedener, komplexer Strömungsphänomene. Dabei berechnen typische Auswertealgorithmen die Verschiebung zweier Bilder zueinander auf Basis von Kreuzkorrelationen. Um optimale Auswerteergebnisse zu erzielen, benötigen diese komplexen und deterministisch ausgelegten Methoden signifikantes Wissen und haben darüber hinaus noch zahlreiche Limitierungen in unterschiedlichen Anwendungen. Beispielhaft kann auf Strömungen mit starken Geschwindigkeitsfluktuationen, zeitabhängigen Geschwindigkeitsgradienten, großen Geschwindigkeitskomponenten orthogonal zur Lichtschnittebene oder eine inhomogene Partikelverteilung verwiesen werden. In vielen dieser Fälle wird bei der Auswertung ein systematischer Fehler aufgeprägt, so dass Geschwindigkeitsfluktuationen in der Regel zu klein berechnet werden. Darüber hinaus führt die räumliche Mittelung auf Basis der Kreuzkorrelation zu einem dünnbesetzten Geschwindigkeitsfeld.Das Aerodynamische Institut entwickelt daher basierend auf aktuellen Arbeiten zu Deep-Learning Methoden einen innovativen Auswertealgorithmus, der die Limitierung moderner PIV-Methoden umgeht und so einen neuen Standard in Hinsicht auf räumliche Auflösung, individuelle Expertise und Genauigkeit setzt. Im Unterschied zu deterministischen Methoden zeichnen sich die durch künstliche Intelligenz (KI) unterstützten Ansätze zur Berechnung von „optical flows“ durch eine gute Generalisierbarkeit, einen hohen Grad an Automatisierung und eine signifikant höhere räumliche Auflösung aus, während gleichzeitig starre, analytisch definierte Rechenvorschriften umgangen werden.Der Hauptfokus dieses Antrags liegt in der Weiterentwicklung und Anwendung moderner, KI-basierter „optical flow“-Methoden für den Einsatz in planaren PIV- Messungen, ihre systematische Analyse für unterschiedliche Strömungen, Belichtungszustände und Partikeldichten sowie detaillierte Untersuchungen bezüglich des zugrundeliegenden Lernalgorithmus. Im Unterschied zu existierenden Ansätzen, die fast ausschließlich idealisierte, synthetische und damit perfekte PIV- Bilder analysieren, adressiert dieser Antrag die Entwicklung von neuralen Netzen für den Einsatz in realen PIV-Experimenten unter verschiedenen Messbedingungen. Es werden systematisch alle Kernkomponenten von „supervised“, „unsupervised“ und „self-supervised“ Methoden für „optical flow“ Berechnungen analysiert und in einem neuen, innovativen und KI-unterstützten Auswertealgorithmus für PIV-Messungen zusammengefasst. Diese neue Auswertemethode stellt einen Wendepunkt in der PIV-Messtechnik dar, da sie durch die Verbindung von moderner „computer vision“ mit ingenieurwissenschaftlichen Anwendungen eine bis heute unerreichte räumliche Auflösung erzielen kann und so kleinskalige Details von Strömungen erfasst, die tiefgreifendere Interpretationen von physikalischen Phänomenen erlaubt.

• DFG-Verfahren: Sachbeihilfen