A carregar...
Publicação
Enhancing Density Current Analysis Through Machine Learning and Image Processing Techniques
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.78 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Laboratory measurements of density current propagation are usually carried out through
image acquisition methods. Processing these images allows for the extraction of funda-
mental flow parameters such as the current boundary, front velocity, head position, and
density field. This processing generally requires complex computational routines, and
the objective of this dissertation is to create more efficient and robust routines using the
Python programming language.
This dissertation investigates the application of Machine Learning (ML) techniques
in image processing for the study of density currents. The specific objectives of this
dissertation include developing Python codes for distortion correction and density field
estimation, and integrating machine learning techniques to improve image processing.
The development of the code for density field estimation was carried out by translating a
MATLAB code used by Alves [5].
With the Python code for density field estimation developed, its improvement through
the implementation of machine learning could be addressed. The density profiles obtained
through the implementation of a Random Forest Regressor showed smoother transitions
than the original, and were also less sensitive to noise. Additionally, model evaluation
resulted in low Mean Squared Error (MSE) values. These observations demonstrate potential
improvements in the accuracy and robustness of the density profile calculations through
the integration of machine learning.
As medições laboratoriais da propagação de correntes de densidade são normalmente feitas através de métodos de aquisição de imagem. O processamento dessas imagens permite obter os parametros fundamentais do escoamento como o contorno da corrente, a velocidade da frente, a posição da cabeça e o campo de densidades. Este processamento geralmente requer rotinas computacionais complexas, sendo o objetivo desta dissertação criar rotinas mais eficientes e robustas com recurso à linguagem de propgramação Python. Esta dissertação investiga a aplicação de técnicas de Machine Learning (ML) no proces- samento de imagens para o estudo de correntes de densidade. Os objetivos específicos desta dissertação incluem desenvolver códigos Python para correção de distorção e esti- mativa de campo de densidades, e integrar técnicas de machine learning para melhorar o processamento de imagem. O desenvolvimento do código para a estimativa do campo de densidades foi realizado através da tradução de um código MATLAB utilizado por Alves [5]. Com o código Python para a estimativa do campo de densidade desenvolvido, a sua melhoria através da implementação de machine learning pôde ser abordada. Os perfis de densidade obtidos através da implementação de um Random Forest Regressor mostraram transições mais suaves que o original, sendo também menos sensíveis ao ruído. Adicionalmente, a avaliação do modelo resultou na obtenção de valores baixos de Mean Squared Error (MSE). Estas observações demonstram potenciais melhorias na precisão e robustez do cálculo dos perfis de densidade através da integração de machine learning.
As medições laboratoriais da propagação de correntes de densidade são normalmente feitas através de métodos de aquisição de imagem. O processamento dessas imagens permite obter os parametros fundamentais do escoamento como o contorno da corrente, a velocidade da frente, a posição da cabeça e o campo de densidades. Este processamento geralmente requer rotinas computacionais complexas, sendo o objetivo desta dissertação criar rotinas mais eficientes e robustas com recurso à linguagem de propgramação Python. Esta dissertação investiga a aplicação de técnicas de Machine Learning (ML) no proces- samento de imagens para o estudo de correntes de densidade. Os objetivos específicos desta dissertação incluem desenvolver códigos Python para correção de distorção e esti- mativa de campo de densidades, e integrar técnicas de machine learning para melhorar o processamento de imagem. O desenvolvimento do código para a estimativa do campo de densidades foi realizado através da tradução de um código MATLAB utilizado por Alves [5]. Com o código Python para a estimativa do campo de densidade desenvolvido, a sua melhoria através da implementação de machine learning pôde ser abordada. Os perfis de densidade obtidos através da implementação de um Random Forest Regressor mostraram transições mais suaves que o original, sendo também menos sensíveis ao ruído. Adicionalmente, a avaliação do modelo resultou na obtenção de valores baixos de Mean Squared Error (MSE). Estas observações demonstram potenciais melhorias na precisão e robustez do cálculo dos perfis de densidade através da integração de machine learning.
Descrição
Palavras-chave
Image Processing Density Currents Lock Exchange Experiment Machine Learning Python