Панорамная визуализация потока или теплоотдачи на поверхностных моделях является эффективным и информативным методом исследования направления в пограничном слое. Вследствие развития цифровых и технических возможностей научные исследования все более основаны на анализе больших данных с помощью искусственного интеллекта (ИИ). Насколько оправдано применение тех или иных методов ИИ в каждой конкретной задаче, пока открытый вопрос. Цель работы - обзор результатов применения нейронных сетей (НС) и машинного обучения для решения задач диагностики течений с помощью ЖК. А именно, для измерения полей температуры, тепловых потоков и векторов касательного напряжения внешнего трения. Кроме этого, актуальными задачами являются измерение физической характеристики ЖК и получение новых ЖК-смесей. Обсуждаются возможности и ограничения, области применения и перспективы нейросетевого подключения. А также программные средства для его реализации. Анализ литературных данных показал, что применение НС и глубокого машинного обучения для аппроксимации калибровочных зависимостей температуры и касательного напряжения от многофакторного оптического отклика ЖК позволяет получить точность, сравнимую с пределом контрольной выборки.
Предпросмотр статьи
Идентификаторы и классификаторы
В Институте теоретической и прикладной механики в течение многих лет разрабатывались и применяются ЖК-составы и комплекс методик для панорамной диагностики газодинамических параметров на поверхности исследуемой модели [1–5]. К числу задач, которые приходится решать при этом в экспериментальной аэродинамике, теплофизике и других технических приложениях, относятся:
Список литературы
1. Жаркова Г. М., Сонин А. С. Жидкокристаллические композиты. Новосибирск: Наука, 1994. 214 с. [Zharkova G.M., Sonin A.S. Liquid-crystal composites. Novosibirsk: Nauka, 1994, 214 p. (in Russ.)].
2. Жаркова Г. М., Коврижина В. Н., Петров А. П., Подъячев С. П. Панорамная диагностика касательных напряжений на стенке канала с выступом с помощью жидких кристаллов // Теплофизика и аэромеханика. 2016. Т. 23, № 6. С. 865–873. [Zharkova G.M., Kovrizhina V.N., Petrov A.P., Pod’yachev S.P. Panoramic diagnostics of shear stresses on the channel wall with step using the liquid crystals. Thermophysics and Aeromechanics, 2016, 23 (6),
831–838].
3. Жаркова Г. М., Коврижина В. Н. Механооптические эффекты в жидких кристаллах и их использование для измерения касательных напряжений в аэродинамическом эксперименте // Жидк. крист. и их практич. использ. 2022. Т. 22, № 3. С.
6–25. [Zharkova G.M., Kovrizhina V.N. Mechanooptical effects in liquid crystals and their use for
measuring shear stresses in an aerodynamic experiment. Zhidk. krist. ikh prakt. ispol’z = Liq. Crysts. and their Appl., 2022, 22 (3), 6–25 (in Russ.). DOI: 10.18083/LCApp.2022.3.6].
4. Жаркова Г. М., Коврижина В. Н., Петров А. П., Мошаров В. Е., Радченко В. Н., Шаповал Е. С. О применении жидких кристаллов для визуализации структуры пристенного течения в экспериментальной аэродинамике // Результаты фундаментальных исследований в прикладных задачах авиастроения: сборник статей. РАН, ЦАГИ. М.: «Наука» РАН,
2016. С. 113–125. [Zharkova G.M., Kovrizhina V.N., Petrov A.P., Moscharov V.E., Radchenko V.N.,
Schapoval E.S. About liquid crystals application for near – wall flow structure visualization in experimental aerodynamics. Results of fundamental researches for aeronautical engineering problems. Collected papers. RAS. TsAGI. Moscow: Science RAS, 2016, 113–125. (in Russ.)].
5. Zharkova G.M., Kovrizhina V.N., Petrov A.P. Shearsensitive liquid crystals for diagnostics of boundary layer structure in aerodynamical experiment. Visualization of mechanical processes, 2013, 3 (1). (http://dl.begellhouse.com/journals/08456987543b901
1,012ffe2e49678e34.html) DOI: 10.1615/VisMechProc.v3.i1.
6. Ватьян А. С., Гусарова Н. Ф., Добренко Н. В. Системы искусственного интеллекта. СПб: Университет ИТМО, 2022. 186 с. [Vatyan A.S., Gusarova N.Ph., Dobrenko N.V. Artificial intellect systems. St. Petersburg: ITMO Univ, 2022, 186 p. (in Russ.)].
7. Дорогина О. И. Нейрофизиология: учеб. пособие / О.И. Дорогина. Екатеринбург: Урал. федер. ун-т, 2019. 100 с. [Dorogina O.I. Neurophysiology: textbook / O.I. Dorogina. Yekaterinburg, Ural Federal Univ., 2019, 100 p. (in Russ.)].
8. Дорофеев Е. А., Свириденко Ю. Н. Введение в нейроинформатику // Труды ЦАГИ. Вып. 2678: Применение искусственных нейронных сетей в задачах прикладной аэродинамики: сборник статей. М., 2008. С. 1–16. [Dorofeev E.A., Sviridenko Yu.N. Introduction to neuroinformatics. Trudy TsAGI. Issue 2678: Application of artificial neural networks in the
applied aerodynamics tasks. Collected papers. М., 2008, 1–16. (in Russ.)].
9. Келлехер Дж. Д. Глубокое обучение. Самый краткий и понятный курс: пер. с англ. М.А. Райтман. Москва: Эксмо, 2022. 160 с. (серия Библиотека
MIT). [Kelleher John D. Deep learning. The Massachusetts: Institute of Technology. MIT Press Essential Knowledge series, 2019, 297 p.].
10. Овчинников П. Е. Применение искусственных нейронных сетей для обработки сигналов: учебнометод. пособие. Нижний Новгород: Нижегородский гос. ун-т, 2012. 32 с. [Ovchinnikov P.E. Application of artificial neural networks for signal processing. Tutorial. Nizhniy Novgorod: Nizhniy Novgorod State University, 2012, 32 p. (in Russ.)].
11. Гирин Р. В. Интеллектуальная информационноизмерительная система тепловизионного диагностирования технических объектов на основе нейронной сети: дисс. канд. тех. наук. Самара: Самарский гос. ун-т, 2019. 172 с. [Girin R.V. Intellectual data-measuring system for infrared diagnostics of technical objects on a neural network base. PhD thesis (Tech.). Samara: Samara State Univ., 2019, 172 p. (in Russ.)].
12. Баскин И. И., Палюлин В. А., Зефиров В. А. Многослойные персептроны в исследовании зависимостей «структура–свойство» для органических соединений // Рос. хим. журнал. (Журн. Рос. хим. обва им. Д. Менделеева), 2006. Т. L, № 2. С. 86–96. [Baskin I.I., Palyulin V.A., Zefirov V.A. Multilayer perceptrons in the researches of «structure– property» dependences of organic compounds. Rus. Chem. J., 2006, L (2), 86–96 (in Russ.)].
13. Ростовцев В. С. Искусственные нейронные сети: учебник / В.С. Ростовцев. Киров: Изд-во ВятГУ, 2014. 208 с. [Rostovtsev V.S. Artificial neural networks: tutorial / V.S. Rostovtsev. Kirov: Vyat. State Univ., 2014, 208 p. (in Russ.)].
14. Kimura I., Kuroe Y., Ozawa M. Application of neural networks to quantitative flow visualization. J. Flow Vis. Image Process, 1993, 1, 261–269. DOI: 10.1615/JFlowVisImageProc.v1.i4.10.
15. Структура и стартовые настройки мозга. 2016. [Structure and initial settings of the brain. 2016]. [Электронный ресурс]. Available at: https://www.nanonewsnet.ru/articles/2016/strukturastartovye-nastroiki-mozga (in Russ.)].
16. Сергеев А. П., Тарасов Д. А. Введение в нейросетевое моделирование: учеб. пособие / ред. А. П. Сергеев. Екатеринбург: Изд-во Урал. ун-та, 2017. 128 с. [Sergeev A.P., Tarasov D.A. Introduction in neural network modelling. Tutorial / Ed. A.P. Sergeev. Yekaterinburgh: Ural State Univ. 2017, 127 p. (in Russ.)].
17. Pasechnik S.V., Shmeliova D.V., Tsvetkov V.A., Torchinskaya A.V., Chigrinov V.G. Usage of liquid crystals in optical sensors of mechanical forces and motion. Proc. SPIE 7356: Optical Sensors. M.: 2009, 73561. DOI: 10.1117/12.820611.
18. Zaher S.Q., Disimile P.J., Norman Toy. Assessment of Hue transformation algorithms for SS LCS studies. Am. J. Eng. Res. (AJER), 2021, 10 (8), 276–284.
19. Lee D.H., Chung J.H., Won S.Y., Kim Y.T., Boo K.S. A new liquid crystal color calibration technique using neural networks and median filtering. KSME International Journal, 2000, 14, 113–120. DOI:10.1007/BF03184777.
20. Park H.G., Dabiri D., Charib M. Digital particle image velocimetry/thermometry and application to the wake of a heated circular cylinder. Exp. Fluids, 2001, 30, 327–338. DOI:10.1007/s003480000199.
21. Farina D.J., Hacker J.M., Moffat R.J., Eaton J.K. Illuminant invariant calibration of thermochromic liquid crystals. Exp. Thermal Fluid Sci., 1994, 9, 1–12.
22. Lee C.J., Bae D.S. A study on the visualization of temperature field using neural network. J. Power System Eng., 2012, 16 (3), 37–43. DOI:10.9726/kspse.2012.16.3.037.
23. Grewal G.S., Bharara M., Cobb J.E., Dubey V.N. and Claremont D.J. A novel approach to thermochromic liquid crystal calibration using neural networks. Meas. Sci. Technol., 2006, 17 (7), 1918–1924. DOI:10.1088/0957-0233/17/7/033.
24. Moller S., Resagk C., Cierpka C. On the application of neural networks for temperature field measurements using thermochromic liquid crystals. Exp. Fluids, 2020, 61 (4), 111. DOI:10.1007/s00348-020-2943-7.
25. Kumar S., Jackkareddy P.S., Balaji C. A novel method to detect hot spots and estimate strength of discrete heat sources using liquid crystal thermography. Int. J. Thermal Sci., 2020, 154, 106377.
26. Reda D.C., Muratore J.J. Measurement of surface shear stress vectors using liquid crystal coatings. AIAA Journal, 1994, 32 (8), 1576–1582. DOI: 10.2514/3.12146.
27. Reda D.C., Wilder M.C., Crowder J.P. Simultaneous, full-surface visualizations of transition and separation using liquid crystal coating. AIAA Journal, 1997, 35 (4), 615–616. DOI: 10.2514/2.176.
28. Kodzva Jr. P.M., Eaton J.K. Angular effects on thermochromic liquid crystal thermography. Exp. Fluids, 2007, 43, 929–937. DOI: 10.1007/s00348- 007-0363-6.
29. Zhao J., Zhang J., Wang B. A learning-based approach for solving shear stress vector distribution from shearsensitive liquid crystal coating images. Chin. J. Aeronaut., 2022, 35 (4), 55–65. DOI: 10.1016/j.cja.2021.04.019.
30. Orlova T., Piven A., Darmoroz D., Aliev T., Mahmoud Tamer Abdel Razik, Boitsev A., Grafeeva N., Skorb E. Machine learning for soft and liquid molecular materials. Digital Discovery, 2023, 2, 298– 315. DOI:10.1039/D2DD00132B.
31. Kalinin D., Abercrombie J. The applications of machine learning in the study of liquid crystals. Journal of Student Research, 2023, 12 (1), 16 p. DOI:10.47611/jsrhs.v12i1.3983.
32. Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и приложения: учеб. пособие. Казань: Изд-во Казан. гос. ун-та, 2018. 121 с. [Gаfarov Ph.M., Galimyanov A.Ph. Artificial neural networks and applications. Tutorial. Kazan: Kazan State University, 2018, 121 p. (in Russ.)].
33. Богданов П. Ю., Краева Е. В., Веревкин С. А., Пойманова Е. Д., Татарникова Т. М. Программные среды для изучения основ нейронных сетей // Программные продукты и системы. 2021. Т. 34, № 1.
С. 145–150. [Bogdanov P.Yu., Kraeva E.V., Verevkin S.A., Poimanova E.D., Tatarnikova T.M. Program media for neural network accidence study. Software & Systems, 2021, 34 (1), 145–150 (in Russ.)].
34. Горбунов В. А. Использование нейросетевых технологий для повышения энергетической эффективности теплотехнологических установок. Иваново: ИГЭУ им. В. И. Ленина, 2011. 476 с. [Gorbunov V.A. Usage of neural networks for enhancement of thermal engineering facility energetic efficiency. Ivanovo: V.I. Lenin Ivanovo State Power University,
2011, 476 p. (in Russ.)].
35. Тропченко А. А., Тропченко А. Ю. Методы вторичной обработки и распознавания изображений: учеб. пособие. СПб.: Университет ИТМО, 2015. 215 с. [Tropchenko A.A., Tropchenko A.Yu. Methods of recognition and secondary processing of images: tutorial. St. Petersburgh: ITMO University, 2015, 215 p. (in Russ.)].
36. Нейронные сети. STATISTICA Neural Networks: Методология и технологии современного анализа данных / под ред. В. П. Боровикова. 2-е изд., перераб. и доп. М.: Горячая линия – Телеком, 2008. 392 с. [STATISTICA Neural Networks: Methodology and
technology of modern data analysis / ed. by V.P. Borovikov. 2-nd edition. M.: Hot line – Telecom, 2008. 392 p. (in Russ.)].
37. Режим доступа. URL: Available at: https://www.architect-esign.ru/statsoft/statisticaautomated-neuralnetworks/?ysclid=m7skd6h7ek269328247 (in Russ.).
38. Режим доступа. URL: Available at: https://softline.ru/about/our_partners/statsoft?ysclid=m
7skipwr2h481313853 (in Russ.).
39. Режим доступа. URL: Available at: https://statsoftai.ru/?ysclid=m7skmcs8w3232955103
(in Russ.).
40. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. М.: Диалог, МИФИ, 2002, 489 c. [Medvedev V.S., Potemkin V.G. Neural networks. MATLAB 6. Mosсow: Dialog – MEPhI, 2002, 489 р. (in Russ.)].
41. Николаева С. Г. Нейронные сети. Реализация в Matlab: учеб. пособие. Казань: Казан. гос. энерг. ун-т, 2015. 92 с. [Nikolaeva S.G. Neural Networks. Realization in MATLAB: Tutorial. Kazan: Kazan State Power University, 2015, 92 p. (in Russ.)].
Выпуск
Другие статьи выпуска
Исследованы индуцированные ультрафиолетовым излучением переходы в изотропную фазу нематического жидкого кристалла с внедренными в него молекулами азохромофоров протяженной и разветвленной структур. Время существования изотропной фазы по окончании действия ультрафиолетового излучения (УФ) определяется его экспозицией. Оно больше для жидкого кристалла с внедренным азохромофором разветвленной структуры, чем для системы с азохромофором протяженной структуры (1300 и 280 с, соответственно).
Рассмотрены условия формирования в упаковке жидкого кристалла (ЖК) солитона для генерации пары фотонов в запутанном квантовом состоянии (бифотонов) при выполнении квантовых вычислений. Выполнена оценка геометрических размеров солитона, генерируемого импульсно-оптическим преобразователем, его динамики и стабильности с использованием знаний о физических параметрах жидкого кристалла и его нелинейно-оптических свойств. В нематических ЖК можно реализовать одиночные солитоны с пространственным размером в несколько первых микрометров и меньше, время формирования от миллисекунд до упорных миллисекунд и время существования от долей миллисекунд до сотен миллисекунд. Рассмотрена возможность перекрытия открывающихся в пространстве или времени оптических солитонов ЖК (или области внутри слоя, в которых возникает индуцируемая полем световой волны, деформация от последовательных световых импульсов). На этой основе можно «кодировать» запутанные состояния с высоким уровнем различения сигналов и изучать квантовые вычисления.
Методы фотоэлектрохимического травления и распылительного пиролиза были применены при изготовлении солнечного элемента PSi-CdSe. Первый метод был использован при изготовлении пористого кремния со временем травления 10 мин и током травления 15 мА/см2, в то время как второй метод был использован для осаждения тонкой пленки CdSe на пористый кремний при температуре подложки 100 °C с расстоянием между соплами 25 см, 20 распылениями и давлением 7,5 кг/см2. Оптические свойства пленок CdSe показали пики спектра поглощения наночастиц CdSe на длинах волн 460 и 660 нм с энергетической щелью 2,5 эВ. Исследована структура пленки CdSe, где изображения сканирующего электронного микроскопа SEM показали, что пленка CdSe является кристаллической со средним размером зерна около 49,63 нм, что согласуется с результатами анализа спектров рентгеновской дифракции (55,67 нм). Вольт-амперные характеристики перехода аналогичны характеристикам идеального диода и солнечного элемента с током короткого замыкания (2,43 мА/см2), напряжением холостого хода (0,34 В) и коэффициентом заполнения (0,603).
В статье исследуется вклад поляризации пространственного заряда в комплексный нелинейный спектр диэлектрической проницаемости нематического жидкого кристалла (ЖК). Используя модель, основанную на системе уравнений Пуассона - Нернста - Планка (ПНП), был численно исследован процесс электромиграции примесных ионов под действием электрического поля. Результаты моделирования показывают, что при низких частотах (<10 Гц) и высоких приложенных электрических напряжениях (превышающих тепловое электрическое напряжение) происходит перераспределение ионов в области около электродов, что приводит к появлению нечетных гармоник в комплексном диэлектрическом спектре ЖК ячейки. Полученные данные могут быть использованы для идентификации низкочастотных релаксационных процессов в ЖК.
Оптические свойства одноосных молекулярных пленок определяются компонентами nj(), kj() показателей преломления Nj() = nj() – ikj() для поляризаций световой волны вдоль (j = ||) и нормально (j = ) оптической оси пленки n. Функции nj(), kj() зависят от положения полос поглощения, сил осцилляторов переходов, отвечающих этим полосам, и параметров ориентационного порядка Uq дипольных моментов mq переходов относительно оси n. Ранее автором были развиты методы определения параметров Uq для полос поглощения в одноосных нематических пленках с использованием компонент (1,2)j() диэлектрических проницаемостей j() = [Nj()]2 = 1j() – i2j() пленки или компонент P(1,2)j() плотностей поляризуемости молекул Pj() = [j() – 1]/fj() = 4Nj() = P1j() – iP2j() в области этих полос. Здесь fj() = 1 + Lj[j() – 1] – компоненты тензора локального поля световой волны в пленке; Lj – компоненты тензора Лорентца для пленки (L|| + 2L = 1); N – число молекул в единице объема пленки; j() = 1j() – i2j() – средние по ансамблю поляризуемости молекул. В данной работе эти методы использованы для определения параметра Uq, отвечающего низкочастотной полосе электронного поглощения в стеклообразной нематической пленке, образованной молекулами-гептамерами монодисперсного олигофлуорена F(Pr)5F(MB)2 с известными зависимостями nj(), kj() в областях прозрачности и электронного поглощения. Экспериментальное значение L = 0,487 получено с использованием функций nj() в видимой области прозрачности. Учет компонент Lj, fj() существенно повышает величину Uq = 0,965, определенную при использовании функций 1j() или P1j(). С учетом анизотропии компонент Lj количественно интерпретированы спектральные особенности функций nj(), kj(), (1,2)j(), P(1,2)j() и соотношений между ними.
Рассмотрены варианты использования тонких пленок на основе свинцово-галогенидного перовскита CsPbBr 3 в качестве фоточувствительных слоев в нематических жидкокристаллических ячейках. Установлено влияние режима термической обработки при превращении тонких пленок перовскитов в устойчивое положение, по отношению к солнечным молекулам нематических жидких кристаллов 4’-пентил-4-бифенилкарбоннитрила. Для сравнения перовскитных пленок были использованы методы спектрофотометрии, оптической микроскопии и измерения воздействия контактных углов смачивания с каплями воды и жидких кристаллов. Разработан первый нематический жидкокристаллический электрооптический модулятор с фоточувствительным слоем на основе перовскитов. С использованием схемы Фредерикса были установлены параметры электрооптических откликов указанной конфигурации устройства.
В работе исследовано влияние немезогенных хиральных добавок (S, S)бис-(1,1,1-трифторокт-2-ил)-4,4”-терфенилдикарбоксилата (FODTA-6) и (S, S)бис(1-бутокси-1-оксопропан-2-ил)-[1,1’:4’1”-терфенил]-4,4”-дикарбо-ксилата (SS-LACT-4) на свойства двух смесевых ферриэлектрических жидких кристаллов (ФЖК) FerriLCM-1 и FerriLCM-2. FODTA-6 индуцирует в смесях полярных смектических С* жидких кристаллов положительный знак спонтанной поляризации и волнового вектора, а SS-LACT-4 - положительный знак спонтанной поляризации, но отрицательный знак волнового вектора. В качестве матрицы используется нехиральный смектический С жидкий кристалл 2-(4’-пентилбифенил-4-ил)-5-гексил-пиримидин (BPP-65). Показано, что отсутствие в составе FerriLCM-2 хиральной добавки SS-LACT-4 приводит к существенному изменению диэлектрических и электрооптических характеристик ФЖК. В смеси FerriLCM-2, по сравнению с FerriLCM-1, уменьшаются следующие параметры: спонтанная поляризация, время электрооптического отклика, вращательная вязкость, диэлектрическая восприимчивость и коэффициент ориентационного эффекта Керра. При этом существенно возрастают электрические критические поля и. В рамках существующей феноменологической теории хиральных смектиков С* получена квадратичная зависимость величины коэффициента ориентационного эффекта Керра от времени свободной релаксации возмущений геликоидальной структуры. Квадратичный характер этой зависимости подтвержден экспериментально, при этом показано, что существуют заметные количественные различия между экспериментом и результатами расчетов для ФЖК.
Внедрение лантаноидсодержащих металломезогенов с уникальными структурными, жидкокристаллическими (ЖК), оптическими и магнитными свойствами в полифункциональные материалы ограничивается сложностью предсказания характеристик получаемых образцов. Неоднозначно установленное влияние строения мезогенных комплексов на оптические свойства, их зависимость от различных факторов и малоизученные фотофизические механизмы усложняют применение данных соединений. Данная работа направлена на расширение теоретических подходов к созданию оптических материалов на основе мезогенных биядерных комплексов европия(III) (Eu(III)) с замещенными β-дикетонами и основаниями Льюиса. На основе проведенных квантово-химических расчетов были изучены взаимосвязи между строением комплексов, их геометрическими параметрами, энергиями возбужденных состояний, параметрами интенсивности люминесценции, скоростями внутримолекулярного переноса энергии и значениями теоретического квантового выхода. Было показано, что в отличие от ЖК-поведения, зависящего в основном от лигандного окружения комплексов Eu(III), их оптические свойства определяются строением лигандов и координационных полиэдров.
Издательство
- Издательство
- СО РАН
- Регион
- Россия, Новосибирск
- Почтовый адрес
- 630090, Новосибирская обл, г Новосибирск, Советский р-н, пр-кт Академика Лаврентьева, д 17
- Юр. адрес
- 630090, Новосибирская обл, г Новосибирск, Советский р-н, пр-кт Академика Лаврентьева, д 17
- ФИО
- Пармон Валентин Николаевич (ПРЕДСЕДАТЕЛЬ СО РАН)
- E-mail адрес
- sbras@sb-ras.ru
- Контактный телефон
- +7 (495) 9381848