En grafisk bild av PIV och SPPIV. Kredit:Tohoku University
En forskargrupp har utvecklat, och nu framgångsrikt testat, en ny metod för att mäta vätskeflödeshastigheter. Sparse processing particle image velocimetry (SPPIV) optimerar konventionella mätmetoder och har lyckats beräkna realtid, höghastighetsvätskeflöde.
Detaljer om gruppens resultat publicerades i tidskriften Experiments in Fluids den 29 augusti 2022.
Att mäta hastighetsfältet för ett vätskeflöde, såsom luft eller vatten, möjliggör större återkoppling och kontroll. Detta blir viktigt i arbetet med att öka flygplanens prestanda och bränsleeffektivitet.
Partikelbildhastighet (PIV) har traditionellt använts för att mäta vätskehastighet.
PIV använder bildkorrelationsanalys för att bestämma en vätskas rörelse. Även om detta ger tvådimensionell data och gör det onödigt att installera sensorer, är bearbetningen av de stora datamängderna tidskrävande, särskilt med bilder av höghastighetsluftflöde. På grund av detta är realtidsmätningar omöjliga med PIV.
Docent Taku Nonomura från Tohoku Universitys Graduate School of Engineering och forskarstipendiat Kumi Nakai från National Institute of Advanced Industrial Science and Technologys Research Institute for Energy Conservation har lett en grupp för att övervinna PIV:s brister.
SPPIV utnyttjar ett lågdimensionellt läge och sensorpositionsoptimeringsteknik. Det lågdimensionella läget begränsar det komplexa fenomenet till bredare egenskaper, så att sållas bort icke-essentiell information som krånglar databeräkningen. Tekniken för optimering av sensorpositionen väljer noggrant de optimala observationspunkterna, istället för översvämningssystem som PIV gör.
Gruppen tillverkade ett vindtunnelexperiment med en höghastighetskamera i realtid och visade att realtidsmätning är möjlig med SPPIV. De bevittnade också världens första realtidsmätning av vätskeflödet vid 2000 hertz.
"Denna teknik är mångsidig och förväntas möjliggöra realtidsmätning och kontroll av vätskeflödet inom olika områden", säger Nonomura. "Tack vare kombinationen av en lågdimensionell modell och optimering – även för mätmetoder som involverar tråkig analys – reduceras mängden data som analyseras avsevärt." + Utforska vidare