Computer vision aided investigation of complex fluid physics
Abstract
Å forstå fysikken til flerfasestrømmen av bobler-i-væske er viktig for utviklingen av mange kjemiske og biokjemiske prosessindustrier. Denne artikkelen diskuterer hvordan dyp læring, for eksempel kunstige nevrale nettverk, kan brukes til bildegjenkjenning. Videre vurderes fordeler og ulemper med nevrale nettverk sammen med viktigheten av datahåndtering for å oppnå et godt resultat. Den konvolusjonelle nevrale nettverksmodellen, YOLOv8 (You Only Look Once), ble brukt til å oppdage og karakterisere bobler-i-væske. Spesifikt ble deteksjonene brukt til å finne romlig fordeling og diameterfordelinger av bobler. Ved å bruke deteksjoner på video ble boblene deretter sporet slik at banene og hastighetene deres over tid ble identifisert. Understanding the physics of the multiphase flow of bubbles-in-liquid is important for the development of many chemical and biochemical process industries. This article discusses how deep learning, such as artificial neural networks, can be used for image recognition. Further, the advantages and disadvantages of neural networks are evaluated together with the importance of data management to achieve a good result. The convolutional neural network model, YOLOv8 (You Only Look Once), was used to detect and characterise bubbles-in-liquid. Specifically, the detections were used to find spatial distribution and diameter distributions of bubbles and clusters. Using detections on video, the bubbles were then tracked such that their trajectories and velocities over time were identified.