Une nouvelle approche combinant l'apprentissage profond et la modélisation stochastique pour extraire les propriétés en 3D des écoulements multiphasiques à partir d'images de projection en 2D
Résumé
Dans cette communication une nouvelle approche de traitement d'image pour les écoulements denses est introduite. Elle est basée sur la combinaison entre une modélisation par géométrie stochastique en 3D et des algorithmes d'apprentissage automatique. Le modèle stochastique simule numériquement des champs de particules 3D semblables aux champs expérimentaux, ce qui permet de créer d'énormes ensembles de données d'images 2D synthétiques labélisées avec leurs propriétés géométriques 3D. Ces jeux de données permettent ensuite d'entraîner des réseaux neuronaux convolutionnels (CNN) à prédire les propriétés 3D à partir d'images 2D. L'approche a d'abord été évaluée sur des images générées numériquement à l'aide du modèle stochastique, où les propriétés 3D telles que la fraction volumique, la distribution de taille des particules (pour les sphères) ou la distribution de l'axe principal et du rapport d'élongation (pour les ellipsoïdes) ont été correctement retrouvées, y compris dans le cas d'images à très forte densité d'objets. L'approche a ensuite été appliquée expérimentalement à deux écoulements réels : une suspension polydisperse de billes de PMMA calibrées puis un écoulement gaz/liquide.
Domaines
Sciences de l'ingénieur [physics]Origine | Fichiers produits par l'(les) auteur(s) |
---|