Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Alves, Leonardo Santos de Brito | - |
Autor(es): dc.contributor | Nunes, Luiz Carlos da Silva | - |
Autor(es): dc.contributor | Pacheco, César Cunha | - |
Autor(es): dc.contributor | Conci, Aura | - |
Autor(es): dc.contributor | https://lattes.cnpq.br/3712036729988298 | - |
Autor(es): dc.creator | Cordeiro, Fernanda Spilotros Costa | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:47:20Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:47:20Z | - |
Data de envio: dc.date.issued | 2023-07-21 | - |
Data de envio: dc.date.issued | 2023-07-21 | - |
Fonte completa do material: dc.identifier | http://app.uff.br/riuff/handle/1/29446 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/757505 | - |
Descrição: dc.description | A técnica conhecida hoje como decomposição modal consiste em identificar e extrair características dominantes, chamadas de modos, de um determinado escoamento. A descoberta de modelos baseados na extração de informações a partir de dados está em constante evolução, transformando o processo de modelar, prever e controlar sistemas dinâmicos complexos, como escoamentos turbulentos. Um conjunto de dados comumente empregado é constituído por imagens digitais, obtidas através de experimentos. Contudo, as imagens digitais experimentais frequentemente contém ruídos aleatórios em meio aos dados relevantes, o que torna difícil uma avaliação mais precisa sobre a dinâmica do experimento analisado. Em diversas aplicações práticas, é necessário distinguir entre o que é um sinal pertinente da análise e um ruído, para então compreender o comportamento de determinado escoamento. O objetivo do presente trabalho é explorar o efeito de processamentos de imagem variados sobre os modos resultantes das decomposições modais, visando a obtenção de um maior número total de modos. A partir disso, foram averiguados os processamentos de imagem conhecidos como filtro mediano, filtro block-matching and 3D filtering (BM3D), filtro threshold, filtro passa-faixa e transformada Wavelets. Para cada caso, o parâmetro ótimo de melhoramento das imagens foi encontrado, o qual removeu grande parte dos sinais ruidosos e refinou os dados experimentais de entrada das decomposições modais. Conse quentemente, houve um aumento da probabilidade de se obter um maior número total de modos resultantes, sendo possível definir de maneira mais precisa o comportamento final do fenômeno experimental. Dessa forma, foi analisado o efeito dos processamentos de imagens através dos modos obtidos via análise de componentes principais (Principal Component Analysis - PCA), análise robusta de componentes principais (Robust Principal Component Analysis - RPCA), decomposição ortogonal apropriada (Proper Orthogonal Decomposition - POD), decomposição modal dinâmica (Dynamic Mode Decomposition - DMD) e decomposição ortogonal espectral apropriada (Spectral Proper Orthogonal Decomposition - SPOD). Todas as decomposições estão relacionadas com os dados experimentais da dinâmica das chamas oscilatórias de difusão do jato simples. Em vista disso, foi realizada a avaliação de qual processamento de imagem é mais ade quado para servir de tratamento prévio para os dados de entrada das respectivas decomposições modais, o que possibilitou a geração de mais coeficientes ótimos para futuros modelos de ordem reduzida (Reduced Order Models - ROMs). Por fim, visando otimizar o processo de seleção de parâmetros ótimos para as técnicas de processamentos de imagem, foi desenvolvida uma rede neural capaz de gerar novas imagens limpas a partir das imagens ruidosas originais, a qual proporcionou a automatização da etapa inicial de tratamento das imagens digitais experimentais | - |
Descrição: dc.description | The technique known today as modal decomposition consists of identifying and extracting dominant characteristics, called modes, of a given flow. The discovery of models based on the extraction of information from data is constantly evolving, transforming the process of modeling, predicting and controlling complex dynamic systems, such as turbulent flows. A commonly employed dataset consists of digital images, obtained through experiments. However, experimental digital images often contain random noise amidst the relevant data, which makes a more accurate assessment of the dynamics of the analyzed experiment difficult. In many practical applications, it is necessary to distinguish between what is a relevant signal from the analysis and a noise, in order to understand the behavior of a given flow. The objective of this work is to explore the effect of various image processing on the resulting modes of modal decompositions, aiming to obtain a greater total number of modes. From this, the image processing known as median filter, block-matching and 3D filtering (BM3D), thresholding filter, band-pass filter and Wavelets transform were investigated. For each case, the optimal image enhancement parameter was found, which removed much of the noisy signals and refined the experimental input data of the modal decompositions. Consequently, there was an increase in the probability of obtaining a greater total number of resulting modes, and it was possible to more accurately define the final behavior of the experimental phenomenon. Thus, the effect of image processing was analyzed through the modes obtained via principal component analysis (PCA), robust principal component analysis (RPCA), appropriate orthogonal decomposition (POD), dynamic modal decomposition (DMD), and appropriate spectral orthogonal decomposition (SPOD). All decompositions are related to the experimental data of the dynamics of oscillatory single-jet diffusion flames. In view of this, the evaluation of which image processing is most suitable to serve as a pre-treatment for the input data of the respective modal decompositions was performed, which enabled the generation of more optimal coefficients for future reduced order models (ROMs). Finally, aiming to optimize the process of optimal parameter selection for the image processing techniques, a neural network capable of generating new clean images from the original noisy images was developed, which provided the automation of the initial stage of treatment of the experimental digital images. | - |
Descrição: dc.description | 125 p. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Decomposições modais | - |
Palavras-chave: dc.subject | Processamentos de imagem | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Chama oscilatória de difusão do jato simples | - |
Palavras-chave: dc.subject | Escoamento turbulento | - |
Palavras-chave: dc.subject | Processamento de imagem | - |
Palavras-chave: dc.subject | Rede neural | - |
Palavras-chave: dc.subject | Modal decompositions | - |
Palavras-chave: dc.subject | Image processing | - |
Palavras-chave: dc.subject | Neural network | - |
Palavras-chave: dc.subject | Single jet diffusion oscillatory flame | - |
Título: dc.title | Avaliação do impacto de diferentes técnicas de processamento de imagem na decomposição modal de dados experimentais de chamas difusivas forçadas de jatos de metano | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: