Data-driven optimization of sparse sensor placement in thermal hydraulic experiments

📄 arXiv: 2509.10055v1 📥 PDF

作者: Xicheng Wang, Yun. Feng, Dmitry Grishchenko, Pavel Kudinov, Ruifeng Tian, Sichao Tan

分类: eess.SY

发布日期: 2025-09-12

💡 一句话要点

提出数据驱动的稀疏传感器优化配置框架，用于热工水力实验。

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 热工水力实验 传感器优化 数据驱动 本征正交分解 QR分解

📋 核心要点

  1. 热工水力实验中传感器稀疏分布导致数据覆盖有限，传统人工配置方法依赖经验和模拟，缺乏系统性和自动化。
  2. 该论文提出一种数据驱动的传感器优化配置框架，利用灵敏度分析、POD降维和QR分解，自动确定最佳传感器位置。
  3. 在TALL-3D铅铋共晶回路实验中验证了该框架，结果表明该方法能够有效提高传感器对参数变化的敏感性，并实现精确的全场重建。

📝 摘要（中文）

热工水力(TH)实验为传热传质的物理现象提供了宝贵的见解，并为代码开发、校准和验证提供了合格的数据。然而，测量通常是从稀疏分布的传感器收集的，对感兴趣的区域和现象的覆盖有限。确定这些传感器的空间配置在测试前的设计阶段至关重要且具有挑战性。本文开发了一个数据驱动的框架，用于优化热工水力实验中的传感器位置，包括(i)用于构建数据集的灵敏度分析，(ii)用于降维的本征正交分解(POD)，以及(iii)带有列主元的QR分解，用于确定空间约束下的最佳传感器配置。该框架在一个TALL-3D铅铋共晶(LBE)回路中进行的测试中得到了验证。在这种情况下，诸如粒子图像测速(PIV)等光学技术的应用是不切实际的。因此，动量和能量传递的量化严重依赖于热电偶(TCs)的读数。测试部分之前已经配备了许多TCs，这些TCs是通过结合模拟结果和专家判断的手动过程确定的。所提出的框架提供了一种系统和自动化的传感器放置方法。由此产生的TCs对不确定输入参数的变化表现出很高的灵敏度，并能够在保持对测量噪声的鲁棒性的同时实现精确的全场重建。

🔬 方法详解

问题定义：论文旨在解决热工水力实验中传感器如何优化配置的问题。现有方法主要依赖于人工经验和仿真结果，缺乏系统性和自动化，难以保证传感器配置的最优性，且成本较高。尤其是在一些光学测量技术受限的场景下，传感器配置的合理性直接影响实验结果的准确性。

核心思路：论文的核心思路是通过数据驱动的方式，利用实验数据或仿真数据进行灵敏度分析，找出对实验结果影响最大的区域，然后在这些区域优化配置传感器。通过降维技术减少数据维度，降低计算复杂度，并利用QR分解选择最具代表性的传感器位置。

技术框架：该框架主要包含三个阶段： 1. 灵敏度分析：通过改变输入参数，分析其对实验结果的影响，构建数据集。 2. 降维：利用本征正交分解(POD)对数据集进行降维，提取主要特征。 3. 传感器优化：使用带有列主元的QR分解，在满足空间约束的条件下，选择最佳的传感器配置。

关键创新：该方法最大的创新在于将数据驱动的方法引入到传感器配置中，摆脱了对人工经验的依赖，实现了传感器配置的自动化和优化。同时，结合灵敏度分析、POD降维和QR分解，有效地提高了传感器配置的效率和准确性。

关键设计： 1. 灵敏度分析方法：选择合适的输入参数和变化范围，确保能够充分反映实验结果的变化。 2. POD降维参数：选择合适的模态数量，既能保留主要特征，又能有效降低数据维度。 3. QR分解约束：根据实际情况设置空间约束，避免传感器过于集中或难以安装。

📊 实验亮点

该框架在TALL-3D铅铋共晶回路实验中进行了验证。实验结果表明，使用该框架配置的传感器对输入参数的变化具有更高的灵敏度，能够更准确地重建全场信息，并且对测量噪声具有较强的鲁棒性。该方法为热工水力实验的传感器配置提供了一种有效的解决方案。

🎯 应用场景

该研究成果可应用于各种热工水力实验的传感器优化配置，例如核反应堆热工水力实验、冷却系统设计等。通过优化传感器配置，可以提高实验数据的质量，降低实验成本，并为相关领域的研究提供更准确的数据支持。该方法也可推广到其他类型的实验中，具有广泛的应用前景。

📄 摘要（原文）

Thermal-Hydraulic (TH) experiments provide valuable insight into the physics of heat and mass transfer and qualified data for code development, calibration and validation. However, measurements are typically collected from sparsely distributed sensors, offering limited coverage over the domain of interest and phenomena of interest. Determination of the spatial configuration of these sensors is crucial and challenging during the pre-test design stage. This paper develops a data-driven framework for optimizing sensor placement in TH experiments, including (i) a sensitivity analysis to construct datasets, (ii) Proper Orthogonal Decomposition (POD) for dimensionality reduction, and (iii) QR factorization with column pivoting to determine optimal sensor configuration under spatial constraints. The framework is demonstrated on a test conducted in the TALL-3D Lead-bismuth eutectic (LBE) loop. In this case, the utilization of optical techniques, such as Particle Image Velocimetry (PIV), are impractical. Thereby the quantification of momentum and energy transport relies heavily on readings from Thermocouples (TCs). The test section was previously instrumented with many TCs determined through a manual process combining simulation results with expert judgement. The proposed framework provides a systematic and automated approach for sensor placement. The resulting TCs exhibit high sensitivity to the variation of uncertain input parameters and enable accurate full field reconstruction while maintaining robustness against measurement noise.