Deep learning para a recuperação de partículas fora do plano em medições de PTV
Author:
Carvalho, Beatrice Koerich Schmidt de
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.
