EVENTO
Análise de Fluidos via Técnicas de Decomposição em Modos Dinâmicos e Aprendizado Profundo
Tipo de evento: Exame de Qualificação
Neste trabalho, apresentamos duas abordagens para a análise de fluidos produzidos por meio de simulações numéricas e experimentos físicos. Uma das abordagens é baseada em técnicas de aprendizado profundo, o qual é um ramo de pesquisa do aprendizado de máquina. Nos últimos anos, o aprendizado profundo tem sido tópico de pesquisa nas comunidades de aprendizado de máquina e visão computacional devido ao ótimo desempenho alcançado na resolução de inúmeros problemas em reconhecimento de padrões. Nesta dissertação, consideramos um autoencoder, que corresponde a uma técnica de aprendizado não supervisionado, treinado para reproduzir sua entrada na camada de saída, no nosso caso, campos de velocidade obtidos por simulações de fluidos. A arquitetura de autoencoder usada foi baseada na proposta (HU et al., 2016). O autoencoder utilizado é basicamente formado por duas redes neurais, uma implementado o encoder e outra o decoder. A saída do encoder fornece um espaço de características mais compacto para a descrição dos campos de interesse, o qual é utilizado dentro de um pipeline para geração de um sumário visual da simulação. No contexto de processamento de dados, utilizamos a técnica de Decomposição em Modos Dinâmicos (DMD) (SCHIMD, 2010), que tem por objetivo representar uma série temporal projetando os dados em um espaço de dimensão reduzida, facilitando assim a extração de informações dinâmicas dos campos em estudo. Nesta dissertação, o DMD foi utilizado para analisar vídeos contendo escoamentos bifásicos de fluidos. Nesta aplicação, utilizou-se o DMD tradicional (SCHIMD, 2010) e uma variação do mesmo denominada DMD do tipo esparso (JOVANOVIĆ et al., 2014). A proposta é estudar estes métodos do ponto de vista da preservação da interface entre as duas fases do fluido bem como aspectos de suas parametrizações. Para isso, foi necessário também desenvolver uma abordagem de segmentação automática para realizar a extração da interface obtida pelas reconstruções dos dados por do DMD e do DMD esparso. Os resultados mostram que o DMD tradicional é mais eficiente que o SPDMD em relação a preservação da interface.
Data Início: 23/08/2019 Hora: 13:30 Data Fim: 23/08/2019 Hora: 16:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio A
Data Início: 23/08/2019 Hora: 10:00 Data Fim: 23/08/2019 Hora: 13:00
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio A
Aluno: Daniel Nascimento Ramos da Silva - -
Orientador: Artur Ziviani - Laboratório Nacional de Computação Científica - LNCC Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: José Antônio de Fernandes Macedo - UFC - Luiz Manoel Rocha Gadelha Júnior - Laboratório Nacional de Computação Científica - LNCC Pablo Javier Blanco - Laboratório Nacional de Computação Científica - LNCC
Suplente Banca Examinadora: Antônio Tadeu Azevedo Gomes - Laboratório Nacional de Computação Científica - LNCC