Search

Colloque avec actes et comité de lecture. Internationale.; International audience; Le présent papier illustre une méthode expérimentale non-intrusive permettant de mesurer les champs de vitesses dans des écoulements diphasiques complexes tels que les écoulements cavitants. Basée sur l’imagerie par rayons X, cette nouvelle méthode permet d’obtenir simultanément et instantanément la dynamique des deux phases respectives (liquide et vapeur) ainsi que le taux de vide dans l’écoulement. Les expériences ont été conduites au synchrotron de l’APS (Advanced Photon Source, Illinois-USA). Le banc d’essais consiste en une boucle hydraulique transportable comportant un venturi millimétrique dans lequel une poche de cavitation est créée. Des particules radio-opaques sont utilisées comme traceurs dans la phase liquide. Les rayons X traversent l’écoulement diphasique sans être déviés. Ainsi, l’utilisation de l’imagerie RX pour de tels écoulements comporte un avantage considérable par rapport aux techniques classiques telles que la PIV (Laser) et permet de résoudre les problèmes de réflexion et de dispersion de la lumière sur les différentes interfaces. Les images obtenues contiennent à la fois les particules et les bulles et sont traitées afin de séparer ces dernières avant de calculer indépendamment les champs de vitesses correspondants aux deux phases et ainsi déterminer les vitesses de glissements entre les deux. Plusieurs configurations de vitesse, de pression et de température ont été testées. Les résultats obtenus et les méthodes de validation des calculs sont présentés sur ce papier. Ce travail est effectué grâce à la collaboration entre le Laboratoire de Mécanique de Lille (LML), l’APS - Argonne National Laboratory, l’université de Ljubljana et avec l’aide des experts en imagerie RX du CEA et de l’APS.

A promising method to measure velocity fields in complex two-phase flows such us cavitating flows is presented. Dynamics of the liquid phase and the bubbles are both investigated. The measurements are based on ultra fast X-ray imaging performed at the APS (Advanced Photon Source) of the Argonne National Laboratory. The experimental device consists of a millimetric Venturi test section associated with a transportable hydraulic loop. Various configurations of velocity, pressure, and temperature have been investigated. Radio-opaque particles are used as tracers for the liquid phase, in association with a multipixel sensor to record the successive positions of the particles. The use of X-rays instead of light solves the problems related to light reflection and dispersion on phase boundaries, since X-rays penetrate a gas/liquid flow in straight lines. Images contain simultaneously the information related to the particles (for PIV analysis in the liquid), to the vapour bubbles (for PIV in the gas). The slip velocity between vapour and liquid is calculated.

International audience; Challenge: 3D CT cone beam reconstructions from limited number of projections (like in dose reduction context) require alternative methods to standard analytical filtered backproprojection method. Proposed method: A Bayesian iterative algorithm based on a Gauss-Markov-Potts prior model. Beyond limitations: Parallelization on a 8 GPUs server has allowed us to go beyond the computing time limitations. 2 A Bayesian approach Inverse problem: Getting the object f from the projections data g collected from a cone beam 3D CT: g = Hf + (1) Prior model: Object f(r) is composed of K regions R k corresponding to K materials labeled by a hidden variable z(r)=k. A Markov/Potts model corresponding to the compactness of materials is used for z. It's A Gaussian model corresponding to the homogeneity of materials is used for each region R k. p(f (r)/z(r)) = k) = N (m k , n k) (2) Steps of the Iterative method: 1) Reconstruction step: Updating f by computing f (i+1) = arg max f {p(f|z, θ, g)}. This is done by using a gradient type optimization algorithm: f (i+1) = f (i) + α H t (g − Hf (i)) + λD t Df (i) (3) 2) Segmentation step: Updating z by generating a sample from p(z|f, θ, g) with a sampling algorithm from a Potts-Markov model. 3) Characterization step: Updating the hyperparameters using p(θ|f, z, g). Backprojection Regularization Projection Segmentation Characterization −> N iterations −> M iterations 1 −> I iterations Reconstruction Volume 3 Reconstruction 2 g z (i,m+1) z (i,m) ˆ f (i) δf (n) M C δf (n) regˆf regˆ regˆf (i,n+1)