空气动力学实验方法：流动可视化技术概论.pdf

空气动力学实验方法：流动可视化技术概论

1流动可视化技术简介

1.1流动可视化的重要性

在空气动力学研究中，流动可视化技术扮演着至关重要的角色。它不仅帮

助研究人员直观地理解流体的运动特性，还能揭示流体动力学中复杂的物理现

象，如涡流、边界层分离、激波等。通过可视化，工程师和科学家可以验证理

论模型，优化设计，以及在实验中进行实时监控，确保数据的准确性和实验的

安全性。

1.2流动可视化技术的历史发展

流动可视化技术的发展可以追溯到19世纪，当时科学家们开始使用简单的

染色剂和烟雾来观察流体的运动。随着科技的进步，20世纪中叶，激光多普勒

测速（LaserDopplerVelocimetry,LDV）和粒子图像测速（ParticleImage

Velocimetry,PIV）等技术的出现，极大地提高了流动测量的精度和范围。进入

21世纪，数字图像处理和计算机视觉技术的融合，使得流动可视化更加高效和

精确，如数字粒子图像测速（DigitalParticleImageVelocimetry,D-PIV）和立体粒

子图像测速（StereoParticleImageVelocimetry,S-PIV）。

1.3现代流动可视化技术概述

1.3.1激光多普勒测速（LDV）

LDV是一种利用激光束照射流体中的粒子，通过测量粒子散射光的多普勒

频移来确定流体速度的技术。它能够提供单点速度测量，精度高，但测量范围

有限。

示例代码

#由于LDV技术涉及复杂的光学和信号处理，以下代码仅为示例，展示如何处理和分析LD

V数据。

importnumpyasnp

importmatplotlib.pyplotasplt

#假设我们有从LDV设备获取的速度数据

velocity_data=np.loadtxt(ldv_data.txt)

1

#数据分析

mean_velocity=np.mean(velocity_data)

std_deviation=np.std(velocity_data)

#绘制速度分布图

plt.figure()

plt.hist(velocity_data,bins=50,color=blue,alpha=0.7)

plt.title(LDV速度数据分布)

plt.xlabel(速度(m/s))

plt.ylabel(频率)

plt.axvline(mean_velocity,color=red,linestyle=dashed,linewidth=2)

plt.text(mean_velocity+0.5,10,平均速度:{:.2f}m/s.format(mean_velocity))

plt.show()

1.3.2粒子图像测速（PIV）

PIV是一种基于图像处理的流动测量技术，通过对比连续两张图像中粒子的

位置变化来计算流体的速度场。它能够提供二维或三维的流场信息，适用于大

范围的流动可视化。

示例代码

以下代码展示如何使用库处理图像数据

#OpenPIVPIV

importopenpiv.tools

importcess

importmatplotlib.pyplotasplt

#加载图像对

frame_a=plt.imread(frame_a.jpg)

frame_b=plt.imread(frame_b.jpg)

#PIV处理

u,v,sig2noise=cess.extended_search_area_piv(frame_a,frame_b,window_size=32,

overlap=16,dt=0.02,search_area_size=64,sig2noise_method=peak2peak)

#绘制速度矢量图

plt.figure()

plt.quiver(u,v)

plt.title(PIV速度矢量图)

plt.xlabel(x方向)

plt.ylabel(y方向)

plt.show()

2

1.3.3数字粒子图像测速（D-PIV）

D-PIV是PIV