CNN-OBA

Pool Scrubbing hat sich als effektive Methode erwiesen, um die Freisetzung radioaktiver Aerosole in die Umwelt bei schweren Unfällen zu verhindern. Hierbei werden Partikel in einer Wasservorlage durch Blasenaufstiegs und Interaktionsprozesse ausgewaschen. Die Hydrodynamik von Blasen ist demnach von großer Bedeutung für das Verständnis der Partikelrückhaltung. Die Charakterisierung der Größen und Formverteilung der Blasen basierend auf optischen Messungen (z. B. mit Hochgeschwindigkeitskameras) ist entscheidend für die Beschreibung der Zweiphasenströmung, da hierbei wesentliche geometrische Informationen für die Untersuchung von Massen und Wärmeübergängen gesammelt werden können. In Regionen mit dichten Blasenschwärmen überlappen sich jedoch oft Blasen, was die Bildbewertung erschwert. Zudem nehmen die meisten Auswertungsansätze vereinfachend eine einheitliche Blasengröße in Schwarm regionen an, während in der Realität die Blasengrößen hier einer log normalen Verteilung folgen.

Dieses Forschungsvorhaben konzentriert sich daher auf die Entwicklung einer innovativen Methode zur Analyse überlappender Blasen mithilfe von effizienten Convolutional Neural Networks (CNN). Neuronale Netze sind in der Lage überlappende, unscharfe und nicht sphärische Blasen innerhalb eines Bildausschnitts zu identifizieren und können somit im nächsten Schritt dazu beitragen die Strömung deutlich genauer zu charakterisieren und so die Modellierung des Blasenverhaltens erheblich zu verbessern.

Ziel dieser Arbeit ist es mithilfe eines maschinellen Lernmodells (CNN) die Zuverlässigkeit bei der Bildverarbeitungsanalyse für stark überlappende Blasen mit hohem Gasgehalt (>15%) zu verbessern. Die Ergebnisse dieser Arbeit sollen die Genauigkeit bei der Vorhersage von Blasenparametern erhöhen. Der gesamte Arbeitsablauf ist dabei in drei Phasen unterteilt: Blasenerkennung und -segmentierung, Blasenrekonstruktion, Anwendung und Optimierung. Entsprechende Modelle werden entwickelt und trainiert, um die Genauigkeit der Blasenbilderkennung zu verbessern, die Anzahl der Ausreißer zu reduzieren, die Datenverarbeitungszeit zu verkürzen und die Anzahl der falsch identifizierten Blasen im Vergleich zu Standarderkennungsmethoden erheblich zu verringern.