Amélioration de la méthode " Hydrodynamic Analysis for Automatic Creation of High-fidelity Analogous Models with AI " (HAACHAMA) pour son application sur des données réelles
Résumé
This article automating the generation of a digital twin. It focuses on enhancing a pipeline of automatic detection for creating digital twins for practical application. This pipeline detects a fish inside a video and computes its mains parameters to generate a hydrodynamic simulation. We highlight two key points necessary for applying the pipeline to real fish videos: creating a quality dataset and improving the digital twin during the integration of computational fluid dynamics (CFD). For the first point, we explore two labeling methods: using OpenCV and manual segmentation. Regarding the second point, we focus on solving equations in the CFD solver. Finally, we use the results of manual labeling as input for the pipeline and compare the results to data from physical sensors to validate our approach.
Cet article porte sur l'automatisation de la création d'un jumeau numérique. Il se concentre sur l'amélioration d'un pipeline de détection automatique pour la création de jumeaux numériques qui, à partir de vidéos de poisson, génère une simulation hydrodynamique analogue. Deux points clés nécessaires à l'application du pipeline à des vidéos réelles de poissons sont mis en lumière : la création d'un jeu de données de qualité, et l'amélioration du jumeau numérique lors de l'intégration de la dynamique des fluides computationnelle (CFD). Pour le premier point, nous explorons deux méthodes de labellisation : l'utilisation d'OpenCV et la segmentation manuelle. Concernant le second point, nous nous focalisons sur la résolution des équations dans le solveur CFD. Enfin, nous utilisons les résultats de la labellisation manuelle comme entrée du pipeline et comparons les résultats à des données provenant de capteurs physiques, afin de valider notre approche.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|