Identifikace vírů v proudění s využitím neuronových sítí

Abstract

Výsledkem této práce je model, který dokáže rychle a přesně vypočitat velikost reziduálni viřivost. V této práci je prezentován úvod do identifikace virů v proudových polich. Podrobně je představena metoda trojné dekompozice. Tato metoda je schopna velmi přesně rozložit proud tekutiny na tři složky -- rotaci, deformaci a smyk. Jeji nevýhodou je, že je časově náročná a nemá analytickou reprezentaci pro 3D prouděni, což vede k diskrétnimu vzorkovani spojitého prostoru. Za cilem urychleni této metody je proveden pokus o předpověd' velikosti reziduálni viřivosti pomoci neuronové sitě. Tato práce rovněž popisuje připravu dat a trénink neuronové sitě.The result of this work is a model that can quickly and accurately compute residual vorticity magnitude. In this thesis an introduction to vortex identification in flow fields is provided. The Triple decomposition method is presented in detail. This method is excellent at accurately decomposing motion in a fluid into three components -- rotation, strain, and shear. Its downside is that it is time-consuming, since it does not have an analytical representation for 3D flows, which leads to using a grid search. To speed up this method, an attempt is made to predict residual vorticity magnitude using a neural network. Data preparation and the training of a neural network are described.