[pt] Ao longo da história a engenharia de fluidos vem se mostrado como uma das áreas mais
importantes da engenharia devido ao seu impacto nas áreas de transporte, energia e militar. A
medição de campos de velocidade, por sua vez, é muito importante para estudos nas áreas de
aerodinâmica e hidrodinâmica. As técnicas de medição de campo de velocidade em sua maioria
são técnicas ópticas, se destacando a técnica de Particle Image Velocimetry (PIV). Por outro
lado, nos últimos anos importantes avanços na área de visão computacional, baseados em redes
neurais convolucionais, se mostram promissores para a melhoria do processamento das técnicas
ópticas. Nesta dissertação, foi utilizada uma abordagem híbrida entre correlação cruzada e
cascata de redes neurais convolucionais, para desenvolver uma nova técnica de PIV. O projeto
se baseou nos últimos trabalhos de PIV com redes neurais artificiais para desenvolver a
arquitetura das redes e sua forma de treinamento. Diversos formatos de cascata de redes neurais
foram testados até se chegar a um formato que permitiu reduzir o erro em uma ordem de
grandeza para escoamento uniforme. Além do desenvolvimento da cascata para escoamento
uniforme, gerou-se conhecimento para fazer cascatas para outros tipos de escoamentos. / [en] Throughout history, fluid engineering is one of the most important areas of engineering
due to its impact in the areas of transportation, energy and the military. The measurement of
velocity fields is important for studies in aerodynamics and hydrodynamics. The techniques for
measuring the velocity field are mostly optical techniques, with emphasis on the PIV technique.
On the other hand, in recent years, important advances in computer vision, based on
convolutional neural networks, have shown promise for improving the processing of optical
techniques. In this work, a hybrid approach between cross-correlation and cascade of
convolutional neural networks was used to develop a new PIV technique. The project was based
on the latest work of PIV with an artificial neural network to develop the architecture of the
networks and their form of training. Several cascade formats of neural networks were tested
until they reached a format that allowed the error to be reduced by an order of magnitude for
uniform flow. In addition to the development of the cascade for uniform flow, knowledge was
generated to make cascades for other types of flows.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:57217 |
| Date | 31 January 2022 |
| Creators | CARLOS EDUARDO RODRIGUES CORREIA |
| Contributors | CARLOS ROBERTO HALL BARBOSA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0032 seconds