Deep learning para a recuperação de partículas fora do plano em medições de PTV

Abstract

O presente trabalho propõe uma metodologia baseada em deep learning para a recuperação da visibilidade de partículas em medições de Velocimetria por Rastreamento de Partículas (PTV , do inglês Particle Tracking Velocimetry) afetadas pelo movimento para fora do plano de medição. Em escoamentos rotativos confinados, como o escoamento de Taylor–Couette, componentes de velocidade normais ao plano de imagem provocam a perda de intensidade das partículas quando estas deixam a folha de laser de espessura finita. Para investigar o problema de forma controlada, imagens sintéticas de PIV/PTV foram geradas a partir de um campo de velocidade de referência obtido por simulação CFD monofásica de Taylor–Couette (ANSYS Fluent v19), com deslocamentos das partículas calculados por interpolação das componentes locais de velocidade. Diferentes configurações de folha de laser (fina, intermediária e espessa) foram consideradas, e ruído foi adicionado para emular a degradação experimental. Uma arquitetura U-Net foi treinada como um modelo de reconstrução imagem-a-imagem, tendo como entrada a imagem degradada e como alvo a imagem de referência sem atenuação. Os resultados preliminares mostram que as imagens sintéticas reproduzem a perda de intensidade esperada, especialmente próximo ao cilindro interno, e que a U-Net é capaz de recuperar parte da visibilidade das partículas, atuando como uma etapa de pré-processamento compatível com algoritmos convencionais de rastreamento.