高精度基于涡流的流量测量设备常受到安装效应和复杂流动条件导致的系统测量误差影响，这些误差往往无法直接测量或补偿。校正此类系统测量误差对于实现更高的测量精度和可靠性至关重要。在这项工作中，我们提出了一种用于涡街流量计误差校正的混合框架。该方法使用源自计算流体动力学（CFD）模拟的物理工程特征作为深度对比回归神经网络的输入。该网络学习用于预测各种管道几何形状和流态下测量误差的潜在表征。我们通过在训练期间未见过的全新管道几何形状下测试该框架的预测性能，证明了这种表征学习的有效性。该方法展示了先进深度学习模型在 CFD 模拟达到计算极限的复杂、高度非线性流动设置中，提取具有物理意义的特征用于误差预测任务的潜力。• 用于流量传感器误差校正的 CFD 与深度学习混合方法 • 首个适用于涡街流量计的切实可行标定框架 • 针对新安装和运行工况的分布外泛化能力 • 针对技术图像的对比回归
Wernli et al. (Tue,) 对该问题进行了研究。