A general super-resolution reconstruction strategy was proposed for turbulent velocity fields using a generative adversarial network-based artificial intelligence framework. Two advanced neural networks, i.e., super-resolution generative adversarial network (SRGAN) and enhanced-SRGAN (ESRGAN), were first applied in fluid mechanics to augment the spatial resolution of turbulent flow. As a validation, the flow around a single-cylinder and a more complicated wake flow behind two side-by-side cylinders were experimentally measured using particle image velocimetry. The spatial resolution of the coarse flow field can be successfully augmented by 42 and 82 times with remarkable accuracy. The reconstruction performances of SRGAN and ESRGAN were comprehensively investigated and compared, including an analysis of the recovered instantaneous flow field, statistical flow quantities, and spatial correlations. The results convincingly demonstrated that both models can reconstruct the high-spatial-resolution flow field accurately even in an intricate flow configuration, and ESRGAN can provide a better reconstruction result than SRGAN in the mean and fluctuation flow field.

Abstract This paper reports a high-frequency event-triggered background-oriented schlieren (BOS) technique using a combination of an event-triggered camera and dynamic projection. To combine the advantages of continuous and pulsed illumination for the event-triggered camera, a novel background pattern is first developed to incorporate static and dynamic textures generated through projection utilizing a dynamic mirror device (DMD). Then, a specific post-processing algorithm is proposed to reconstruct frames with high time accuracy from event data. This technique allows for the continuous observation and capturing of flows at 4000 frames per second (FPS) with a very low cost, breaking through the short operating times of current high-frame-rate BOS. Moreover, the proposed BOS technique can visualize the flow in real-time with high temporal accuracy, a capability that is challenging to achieve with traditional BOS. To examine the proposed technique, BOS experiments were conducted on a sweeping jet actuator with various inlet pressure. The sweeping dynamics and the start-up process of the sweeping jet at various inlet pressure were visualized and investigated. It is found that the proposed event-triggered BOS can continuously visualize and record the jet flow at a resolution of 1280 × 720 pixels with an equivalent frame rate of up to 4000 FPS. The oscillation frequency of the sweeping jet was found to increase linearly with increasing inlet pressure. It reaches 117.2 Hz at an inlet pressure of 0.5 Mpa. Within the first ten milliseconds or so of start-up, the shape of the sweep was found to be symmetrical. Within the next hundred milliseconds, the jet commences to sweep and saturates. The start-up time of the sweeping jet was quantitatively measured and was observed to decrease with increased inlet pressures.

In the present study, dynamic delayed detached eddy simulation is utilized to explore turbulent flow in T-junctions at a Reynolds number of ReD = 2.0 × 104. Three systems with varying corner cavity depth-to-diameter ratios (Ld/D = 1, 2, and 4) are examined to elucidate the interplay between unsteady flow and flow-induced noise. The analysis employs Lighthill's acoustic analogy to scrutinize surface dipole acoustic sources and their noise propagation characteristics. Coherent flow structures, characterized as wavepackets, are identified through spectral proper orthogonal decomposition, demonstrating consistent dominance in modes and dipole distributions across the systems. In the system with Ld/D = 1, wavepackets originating from the downstream region of the junction exhibit a pronounced flapping behavior attributed to the Kelvin–Helmholtz instability. Most dissipate with the mainstream flow, whereas a portion interacts with the wall, forming dipole acoustic sources. For systems with Ld/D = 2 and 4, the dominant mode transitions to the junction adjacent to the corner cavity, expanding continuously after separation until obliquely colliding with the wall, resulting in expanded dipole distributions. Mechanisms underlying flow-induced noise generation are unveiled by extracting transient vorticity fields within oscillation cycles. For shallow corner cavity depths (Ld/D = 1), periodic oscillatory vorticity shedding from the junction's sidewall significantly contributes to far-field sound pressure. As the cavity is deep enough to support one or more full recirculations of the fluid (Ld/D = 2 and 4), periodic vorticity shedding from the trailing edge directly impacts the wall above the junction, simultaneously suppressing flapping behavior at the leading edge and weakening overall dipole acoustic source intensity.

Air-plasma-sprayed thermal barrier coatings have complex and variable microstructures. As a result, they require repeated numerical or experimental analyses in each case, which increases the computation time and limits the optimization of the coating structure and processing parameters. In this work, a neural network-based framework for rapidly evaluating the thermal strain of thermal barrier coatings is proposed. The deformation compatibility condition and the generalized Hooke's law considering thermal expansion are applied to constrain the network. The training database is established using one high-resolution scanning electron microscopy structural image. The proposed model is validated using another image database with different microstructure characteristics and cooling temperature ranges. The model strains generated by the proposed model, the general pixel-to-pixel network, and finite-element models are compared. The results show that the constraint equations improve the generalization ability of the neural networks, and the proposed model exhibits higher prediction accuracy and confidence than general networks.

Background-oriented schlieren tomography is a prevalent method for visualizing intricate turbulent flows, appreciated for its ease of implementation and ability to capture three-dimensional distributions of a multitude of flow parameters. However, the voxel-based meshing scheme leads to significant challenges, such as inadequate spatial resolution, substantial discretization errors, poor noise immunity, and excessive computational costs. This study presents an innovative reconstruction approach termed neural refractive index field (NeRIF), which implicitly represents the flow field using a neural network trained with specialized strategies. Numerical simulations and experimental results on turbulent Bunsen flames demonstrate that this approach can substantially improve the reconstruction accuracy and spatial resolution while concurrently reducing computational expenses. Although showcased in the context of background-oriented schlieren tomography here, the key idea embedded in the NeRIF can be readily adapted to various other tomographic modalities including tomographic absorption spectroscopy and tomographic particle imaging velocimetry, broadening its potential impact across different domains of flow visualization and analysis.

The flow-induced oscillation of an S-shaped buckled flexible filament was explored using the penalty immersed boundary method. As the length and bending rigidity of the filament were varied, three distinct modes emerged: the equilibrium mode, streamwise oscillation (SO) mode and transverse oscillation (TO) mode. A transition region between the SO and TO modes was identified. Notably, the filament exhibited a 3P wake pattern under SO and a 2S wake pattern under TO. The former was induced by fluid–elastic instability, while the latter was attributed to vortex-induced oscillation. The interaction between the filament's motion and vortex shedding was examined for both modes. To elucidate the disparity between the TO of the S-shaped buckled filament and snap-through oscillation (STO), a ball-on-a-hill analogy was introduced. The performance of energy harvesting was evaluated using metrics including the elastic energy and power coefficient. The TO mode was found to show significantly higher energy harvesting performance than the SO and STO modes. The majority of the strain energy was concentrated at the upper and lower midpoints of the filament.

The present study offers a twofold contribution on counter-gradient transport (CGT) of turbulent scalar flux. First, by examining turbulent scalar mixing through synchronized particle image velocimetry and planar laser-induced fluorescence on an inclined jet in cross-flow, we clarify the previously unexplained phenomenon of CGT, revealing key flow structures, their spatial distribution and modelling implications. Statistical analysis identifies two distinct CGT regions: local cross-gradient transport in the windward shear layer and non-local effects near the wall after injection. These behaviours are driven by specific flow structures, namely Kelvin–Helmholtz vortices (local) and wake vortices (non-local), suggesting that scalar flux can be decomposed into a gradient-type term for gradient diffusion and a term for large-eddy stirring. Second, we propose a new approach for reconstruction of turbulent mean flow and scalar fields using continuous adjoint data assimilation (DA). By rectifying model-form errors through anisotropic correction under observational constraints, our DA model minimizes discrepancies between experimental measurements and numerical predictions. As expected, the introduced forcing term effectively identifies regions where traditional models fall short, particularly in the jet centreline and near-wall regions, thereby enhancing the accuracy of the mean scalar field. These enhancements occur not only within the observation region but also in unseen regions, underscoring present DA approach's reliability and practicality for reproducing mean flow behaviours from limited data. These findings lay a solid foundation for adjoint-based model-consistent data-driven methods, offering promising potential for accurately predicting complex flow scenarios like film cooling.

Abstract Shaped sweeping jet (SSJ) holes represent an advancement in sweeping jet (SJ) technology, as they offer enhanced cooling performance. To reveal the anti-deposition capabilities of SSJs, particle deposition results of 777-shaped and SSJ holes were compared through a combination of experiments and numerical simulations. Three-dimensional (3D) deposition topography was measured through the multi-perspective scanning (MPS) method across various blowing ratios (M = 0.5, 1.0, 1.5, and 2.0). The findings revealed that SSJ holes exhibited superior anti-deposition performance across a range of blowing ratios, resulting in a 5%–14% reduction in deposition roughness compared with the 777-shaped holes. To improve the precision of particle deposition simulations, a novel deposition-and-removal model incorporating an unsteady simulation strategy was developed and quantitatively validated against experimental results. Computational analyses revealed that the remarkable anti-deposition performance of SSJ holes was due to the formation of unique vortex structures, distinct from the counter-rotating vortex pair, and the increased level of periodic oscillation-induced wall shear stress near the hole exit. These findings underscore the potential of SSJ technology in film cooling applications to mitigate deposition concerns.

Projection-based reduced order model (PROM) and the hyper projection-based reduced order model (HPROM) require users to embed the projection and approximation processes within numerical calculation framework. These requirements are exceedingly challenging for most users of commercial software. Accordingly, we propose an innovative reduced-order framework comprising finite-orthogonal-basis reduced-order model (FB-ROM) and its hyper-reduced form, namely, finite-orthogonal-basis hyper-reduced-order model (FB-HROM). FB-ROM and FB-HROM directly discretize PDEs via simple matrix addition and pointwise multiplication between reduced order bases Φ and its corresponding differential operator. L(Φ). rather than via element-wise traversal used in PROMs and HPROMs. This approach gives the FB-ROM and FB-HROM a non-intrusive characteristic in terms of model discretization during the online phase, allowing users of commercial software to discretize the PDEs without relying on complex numerical computation models that have a high barrier and a non-intrusive characteristic in terms of data acquisition during the offline phase, allowing users to obtain all necessary snapshots through commercial software. Specially, FB-HROM organically omits the approximation processes of nonlinear operators, relying solely on the projection process inherent in the FB-ROM to achieve hyper-reduction. Diverse case studies, namely, on the heat conduction equation, reaction–diffusion equation, Burgers' equation, and the Navier–Stokes equations, reveal that FB-ROM and FB-HROM exhibit remarkable performance in terms of acceleration with acceleration factors of 158.2×, 180.1×, 202.5×, and 393.4×, respectively, stability, and generalizability and high applicability.