Een onderzoeksgroep heeft een nieuwe methode ontwikkeld om vloeistofstroomsnelheden te meten, en inmiddels met succes getest. Sparse Processing Particle Image Velocimetry (SPPIV) optimaliseert conventionele meetmethoden en is erin geslaagd om real-time, high-speed vloeistofstroom te berekenen.

Details van de bevindingen van de groep werden gepubliceerd in het tijdschrift Experiments in Fluids op 29 augustus 2022.

Het meten van het snelheidsveld van een vloeistofstroom, zoals lucht of water, zorgt voor meer feedback en controle. Dit wordt belangrijk in het streven om de prestaties en het brandstofverbruik van vliegtuigen te verbeteren.

Particle Image Velocimetry (PIV) wordt traditioneel gebruikt om de vloeistofsnelheid te meten.

PIV maakt gebruik van beeldcorrelatieanalyse om de beweging van een vloeistof te bepalen. Hoewel dit tweedimensionale gegevens oplevert en het installeren van sensoren overbodig maakt, is het verwerken van de grote hoeveelheden gegevens tijdrovend, vooral bij beelden van een snelle luchtstroom. Hierdoor zijn realtime metingen onmogelijk met PIV.

Universitair hoofddocent Taku Nonomura van Tohoku University's Graduate School of Engineering en Research Fellow Kumi Nakai van het National Institute of Advanced Industrial Science and Technology's Research Institute for Energy Conservation hebben een groep geleid om de tekortkomingen van PIV te verhelpen.

SPPIV maakt gebruik van een laagdimensionale modus en technologie voor optimalisatie van de sensorpositie. De laagdimensionale modus vernauwt het complexe fenomeen tot bredere functies, waarbij niet-essentiële informatie wordt verwijderd die de gegevensberekening ingewikkeld maakt. De sensorpositie-optimalisatietechnologie selecteert zorgvuldig de optimale observatiepunten, in plaats van overstromingssystemen zoals PIV dat doet.

Door een windtunnelexperiment te maken met een real-time high-speed camera, toonde de groep aan dat real-time metingen mogelijk zijn met SPPIV. Ze waren ook getuige van 's werelds eerste realtime meting van de vloeistofstroom bij 2000 hertz.

"Deze technologie is veelzijdig en zal naar verwachting realtime meting en regeling van vloeistofstroom op verschillende gebieden mogelijk maken", aldus Nonomura. "Dankzij de combinatie van een laagdimensionaal model en optimalisatie, zelfs voor meetmethoden die omslachtige analyses met zich meebrengen, wordt de hoeveelheid geanalyseerde gegevens aanzienlijk verminderd." + Verder verkennen

Vloeistofmenging optimaliseren met machine learning