prikaz prve stranice dokumenta Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža
Access restricted to students and staff of home institution
undergraduate thesis
Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža
2019. urn:nbn:hr:190:602860
Mirković, Marko
University of Rijeka
Faculty of Engineering
Department of Fluid Mechanics and Computational Engineering
Section of Computational Engineering

Cite this document

Mirković, M. (2019). Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža (Undergraduate thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:602860

Mirković, Marko. "Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2019. https://urn.nsk.hr/urn:nbn:hr:190:602860

Mirković, Marko. "Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2019. https://urn.nsk.hr/urn:nbn:hr:190:602860

Mirković, M. (2019). 'Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža', Undergraduate thesis, University of Rijeka, Faculty of Engineering, accessed 08 January 2025, https://urn.nsk.hr/urn:nbn:hr:190:602860

Mirković M. Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža [Undergraduate thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2019 [cited 2025 January 08] Available at: https://urn.nsk.hr/urn:nbn:hr:190:602860

M. Mirković, "Rekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža", Undergraduate thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2019. Available at: https://urn.nsk.hr/urn:nbn:hr:190:602860

Please login to the repository to save this object to your list.
Metadata
TitleRekonstrukcija strujnog polja iz raštrkanih lokacija mjerenja pomoću neuralnih mreža
Title (english)Flow velocity field reconstruction from scattered measurement locations using neural networks
AuthorMarko Mirković
MentorStefan Ivić (mentor)
Committee memberKristian Lenić (predsjednik povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Fluid Mechanics and Computational Engineering)
(Section of Computational Engineering)
Rijeka
Defense date and country2019-09-16, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Mechanical Engineering
Abstract
Cilj ovog zadatka bila je izrada modela umjetne neuralne mreže, koja na osnovu podataka brzina dobivenih mjerenjem na raštrkanim lokacijama, daje rezultat brzine za bilo koju proizvoljnu točku unutar zadane domene. Neuralna mreža izrađena je programskim jezikom Python te su u svrhu treniranja mreže korištene simulacije izrađene programom OpenFOAM. Rezultati su analizirani na temelju simulacija dok bi za implementaciju bilo potrebno usporediti s realnim primjerom i rezultatima dobivenim eksperimentalnim mjerenjima. Došlo se do zaključka da je ovakav princip solidan za dobivanje opće slike strujanja fluida dok za dobivanje preciznih rezultata pojedinih točaka još zahtjeva daljnju doradu. U daljnjoj bi primjeni trebalo za uvježbavanje modela koristiti podatke s terena, odnosno podatke dobivenim samoplutajućim sondama. Time bi se koristili realni podatci i dobivala bi se slika strujanja u realnom vremenu.
Abstract (english)
The aim of this task was to create an artificial neural network model, which, based on velocity data obtained from scattered location measurements, gives a velocity for any arbitrary point within a given domain. The neural network was created using the Python programming language and the OpenFOAM simulations were used to train the network. The results were analyzed on the basis of simulations, while the implementation would have to be compared with the real-life example and the results obtained from experimental measurements. It was concluded that this principle is solid for obtaining a general picture of fluid flow, while still requiring further refinement to obtain accurate results of individual points. In the further application, field data or data obtained from self-floating probes should be used to train the model. This would use real data and provide a realtime streaming view.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:602860
Study programmeTitle: Mechanical Engineering
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka strojarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka strojarstva)
Type of resourceText
File originBorn digital
Access conditionsAccess restricted to students and staff of home institution
Terms of useLicence In copyright icon
Created on2020-01-03 11:22:57