Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Martelli, Cicero | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-0408-7847 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9188974272555318 | - |
Autor(es): dc.contributor | Silva, Jean Carlos Cardozo da | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-2310-9159 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9949032159595994 | - |
Autor(es): dc.contributor | Paterno, Aleksander Sade | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-9877-4850 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2127706553090788 | - |
Autor(es): dc.contributor | Janeczko, César | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-0450-1884 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9861236181124815 | - |
Autor(es): dc.contributor | Martelli, Cicero | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-0408-7847 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9188974272555318 | - |
Autor(es): dc.contributor | Pipa, Daniel Rodrigues | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-9398-332X | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5604517186200940 | - |
Autor(es): dc.creator | Soares, Fernando Kelvin da Silva | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:23:36Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:23:36Z | - |
Data de envio: dc.date.issued | 2022-12-19 | - |
Data de envio: dc.date.issued | 2022-12-19 | - |
Data de envio: dc.date.issued | 2022-10-20 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/30334 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1094495 | - |
Descrição: dc.description | The work presented in this master’s dissertation proposes a classification technique to differentiate the flow type in a test tube, in one of the following classes: Only liquid, only gas and multiphase (composed by liquid and gas). The flow data were collected from experiments with different values of phase velocity for liquid and gas, using a Φ-OTDR distributed acoustic sensor (DAS), with heterodyne detection. The methodology used to perform the classification task is based on a transfer learning technique applied to neural networks, where a pre-trained model is used for extracting a vector of embeddings, which are used as input values for the training of a customized classification network. To generate the customized network training and test datasets, the experiment data were pre-processed, converted into audio files, and inferred by the pre-trained model, generating embedding vectors related to the respective flow type. After training, the classifier was able to achieve an accuracy above 95,0 % for the training dataset and 87,0 % for the test datasets for each class, showing that the methodology used adapts well to the proposed task and that it has potential to be applied in more complex classification tasks extending the number of flow classes. | - |
Descrição: dc.description | O trabalho apresentado nesta dissertação de mestrado tem por objetivo propor uma técnica de classificação para diferenciar o tipo fluxo em uma tubulação de testes, nas seguintes classes: mono líquido, mono gás e multifásico (composto por líquido e gás). Os dados de fluxo foram coletados de experimentos com diferentes valores de velocidade fase de líquido e gás, utilizando um sensor acústico distribuído (DAS – Distributed Acoustic Sensing), do tipo Φ-OTDR de detecção heteródina. A metodologia utilizada para a realização da tarefa de classificação baseia-se em uma técnica de transferência de aprendizado aplicada a redes neurais, onde um modelo de rede pré-treinado é utilizado para extração de vetores de associações (embeddings), os quais são utilizados como valores de entrada para o treinamento de uma rede de classificação customizada. Desta forma, para gerar as bases de treinamento e teste da rede customizada, os dados dos experimentos foram pré-processados, convertidos em arquivos de áudio e inferidos pelo modelo pré-treinado, gerando vetores de embeddings relacionados ao tipo de fluxo respectivo. Após o treinamento o classificador foi capaz de atingir uma acurácia acima de 95,0 % para os dados de treinamento e acima de 87,0 % para os dados de teste, mostrando que a metodologia utilizada se adapta bem a tarefa proposta e que possui potencial de ser aplicada em tarefas de classificação mais complexas, ampliando o número de classes de fluxo. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Detectores | - |
Palavras-chave: dc.subject | Rayleigh, Ondas de | - |
Palavras-chave: dc.subject | Espalhamento (Física) | - |
Palavras-chave: dc.subject | Transferência de aprendizagem | - |
Palavras-chave: dc.subject | Escoamento | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Detectors | - |
Palavras-chave: dc.subject | Rayleigh waves | - |
Palavras-chave: dc.subject | Scattering (Physics) | - |
Palavras-chave: dc.subject | Transfer of training | - |
Palavras-chave: dc.subject | Runoff | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia Elétrica | - |
Título: dc.title | Método de classificação de fluxo utilizando sensoriamento acústico distribuído e redes neurais | - |
Título: dc.title | Flow classification method using distributed acoustic sensing and neural networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: