Выполнил:
Чирич Владимир
233 HC
Научный консультант:
Ивченко Александр Владимирович
Курс: «Нейронные сети и их применение в научных исследованиях»
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Цели работы
Изучить турбулентный поток, возникшую в результате столкновения потока воды с плоской стенкой.
Создание инструментов для получения параметров турбулентного потока.
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Объект исследования
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Задачи
Image-to-image
Регрессия на табличных данных
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Данные
Для задачи регрессии – датасет признаков размером (27, 3) и ответов (27, 1)
Для задачи image-to-image – в качестве X используются сырые фильмы размером (27, 136, 314, 314), а в качестве Y поля векторов скоростей размером (27, 2, 27, 27)
PIV
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Модели
Для задачи регрессии – модели LinearRegression, RandomForestRegressor и GradientBoostingRegressor.
Нейронные сети для задачи image-to-image ппредставляют из себя гармошку, в которой роль энкодера играет непредобученная сеть ResNet, а дэкодера – написанная развёртывающая сеть.
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Image-to-image
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Результаты задачи регрессии
MAE 1.5–3.0 допустимо
MAE < 1.5 хорошо
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений
ResNet18
ResNet3D
В результате данной работы были реализованы рабочие методы машинного обучения и нейронные сети. Результат модели машинного обучения качественный, в то время как результаты двух нейронных сетей количественно неправильны. Требуется последующая их оптимизация, создания собственной функции потерь с маской и использования иных методов для 3D данных.
Заключение
Определение ключевых особенностей пристеночных течений жидкости в серии высокоскоростных термографических изображений