Spatio-Temporal Interface Reconstruction by Means of Glare Points and Deep Learning

In der vorliegenden Arbeit wird das Potenzial von Deep-Learning-Techniken für die raumzeitliche Rekonstruktion von Gas-Flüssigkeits-Grenzflächen in Zweiphasenströmungen auf Grundlage optischer Messverfahren untersucht. Die dreidimensionale (3D) Natur von Zweiphasenströmungen stellt eine erhebliche Herausforderung für monokulare Rekonstruktionstechniken dar, da die Projektion der 3D-Grenzflächen auf 2D-Bilder zu Mehrdeutigkeiten führt, insbesondere bei deformierten oder selbstverdeckenden Grenzflächen. Um diese grundlegende Limitation zu überwinden, wird in der vorliegenden Arbeit ein innovativer Ansatz für die Rekonstruktion von Gas-Flüssigkeits-Grenzflächen vorgestellt, der neuronale Netzwerke mit einer speziell entwickelten optischen Messtechnik kombiniert. ... mehrDas traditionelle Schattenbildverfahren wird hierbei durch Glanzpunkte seitlicher Lichtquellen erweitert, wodurch zusätzliche 3D-Informationen über die Grenzfläche in den aufgenommenen Bildern kodiert werden. Eine Netzwerkarchitektur auf Basis sogenannter Convolutional Neural Networks (CNNs) wird verwendet, um räumlich orientierte und kontextreiche Bildmerkmale zu extrahieren, die anschließend für die Grenzflächenrekonstruktion eingesetzt werden. Mittels Visualisierungstechniken und einer vergleichenden experimentellen Studie wird gezeigt, dass das neuronale Netzwerk diese zusätzlichen Bildinformationen erfolgreich für eine präzise Rekonstruktion der Grenzfläche nutzt. Die Erkenntnis, dass die Rekonstruktion des neuronalen Netzwerks exakt der Schattenbildkontur folgt, belegt, dass die Kombination der hohen räumlichen Genauigkeit der Schattenbildtechnik und der räumlich orientierten Merkmalsextraktion durch das CNN eine präzise Rekonstruktion in der Bildebene ermöglicht. Darüber hinaus zeigen Experimente mit Substraten unbekannter Benetzbarkeit, dass dieses Zusammenspiel der Methoden eine Generalisierung auf unbekannte Grenzflächengeometrien und variierende fluidmechanische Bedingungen in den Experimenten ermöglicht. Diese Ergebnisse verdeutlichen, dass durch die Abstimmung und gezielte gemeinsame Entwicklung von experimentellen Messmethoden und datengestützten Algorithmen erhebliche Synergien freigesetzt werden können. Das schwer lösbare Problem der monokularen Rekonstruktion wird zusätzlich durch die Einbindung von Domänenwissen aus numerischen Simulationen und analytischen Modellen adressiert, um die datengestützte Optimierung des neuronalen Netzwerks zu regulieren. Hierbei wird die Erzeugung synthetischer Trainingsdaten durch physikalisch-basiertes Rendering eingesetzt, um überwachtes Lernen mit Daten aus numerischen Simulationen zu ermöglichen. Diese Strategie erwies sich als effektive Möglichkeit, um das neuronale Netzwerk implizit auf die Einhaltung der Physik von Zweiphasenströmungen zu trainieren - wie durch die zuverlässige Rekonstruktion verborgener und selbstverdeckender Grenzflächen demonstriert werden kann. Zur weiteren Optimierung der Rekonstruktionsmethode werden Physik-informierte neuronale Netzwerke (PINNs) integriert, um die zugrundeliegende Erhaltungsgleichungen der Zweiphasenströmungen direkt in die datengestützte Rekonstruktion einzubeziehen. Dieser Ansatz führt zu einer signifikanten Verbesserung der Genauigkeit und zeitlichen Konsistenz der Grenzflächenrekonstruktion und ermöglicht darüber hinaus die Vorhersage von Geschwindigkeits- und Druckfeldern in beiden Phasen. Diese Ergebnisse verdeutlichen, dass die Einbeziehung von Domänenwissen aus den zugrundeliegenden Erhaltungsgleichungen das Training physikalisch präziser Modelle für Zweiphasenströmungen erheblich verbessert. Zusammenfassend veranschaulichen die in dieser Dissertation gewonnenen Erkenntnisse das Potenzial von Deep-Learning-Techniken für die nahtlose Integration von Domänenwissen aus Experimenten, numerischer Simulation und analytischen Modellen, was erfolgversprechende Strategien zur Bewältigung ungelöster Herausforderungen bei der Rekonstruktion dynamischer Grenzflächen in Zweiphasenströmungen bietet.

This thesis explores the potential of deep learning techniques for the spatio-temporal reconstruction of gas-liquid interfaces in two-phase flows based on optical measurements. The inherently three-dimensional (3D) nature of two-phase flows currently renders single-view reconstruction techniques impractical due to ambiguities in the projection from 3D interfaces onto 2D images, especially for deformed and self-occluding interfaces. To address this challenge, this thesis proposes a novel framework for the reconstruction of gas-liquid interfaces based on neural networks and a purposefully developed optical measurement technique. ... mehrThe canonical shadowgraphy setup is extended by glare points from lateral light sources to encode additional 3D information on the interface in the images. A convolutional neural network (CNN) architecture is employed to extract spatially-aligned, context-rich features from these images, which are then used for interface reconstruction. During the course of the present investigation, feature visualization techniques and a comparative experimental study revealed that the neural network successfully leverages the additional information in the images to achieve highly accurate interface reconstruction. Based on the insight that the reconstruction of the neural network closely adheres to the shadowgraphy contour, it can be concluded that the combination of the high spatial accuracy of the shadowgraphy technique and the spatially-aligned feature extraction by the CNN facilitates a precise in-plane reconstruction. Moreover, experiments involving substrates with unknown wetting properties uncovered that this interplay enables the generalization to unfamiliar interface geometries and varying fluid mechanical conditions in the experiments. These findings demonstrate that substantial synergies can be unlocked through the alignment and purposeful co-development of experimental measurement methods and data-driven algorithms. To address the ill-posed nature of monocular reconstruction, the data-driven optimization of the neural network is regularized by incorporating prior knowledge from numerical simulations and analytical models. Synthetic training data generation through physically-based rendering is employed to enable supervised learning from data obtained by numerical simulation. This strategy is found to provide an effective way to implicitly train the neural network to adhere to the physics of the two-phase flow, as demonstrated by the reliable reconstruction of hidden and self-obscured interfaces.
To further enhance the framework, physics-informed neural networks (PINNs) are integrated to directly incorporate the knowledge of the underlying physics of two-phase flows in the data-driven reconstruction. This approach significantly improves the accuracy and temporal consistency of the interface reconstruction, while also providing the additional capability for the prediction of velocity and pressure fields in both phases. These findings demonstrate that additional prior knowledge from encoded governing equations facilitates the training of physically accurate models of two-phase flows. In conclusion, the insights uncovered in this thesis highlight the potential of deep learning techniques to seamlessly integrate experimental, numerical, and analytical domain knowledge, outlining promising strategies to address previously unsolved challenges in the reconstruction of dynamic interfaces in two-phase flows.