Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39721| Título: | Estimativa de vazões em escoamentos tubulares através da análise de imagens térmicas por redes neurais |
| Título(s) alternativo(s): | Flow estimation in tubular flows through the analysis of thermal images by neural networks |
| Autor(es): | Hack, João Victor Wenc |
| Orientador(es): | Matos, Everton Moraes |
| Palavras-chave: | Análise térmica Processamento de imagens - Técnicas digitais Calor - Transmissão Refrigeração Instrumentos de medição Thermal analysis Image processing - Digital techniques Heat - Transmission Refrigeration and refrigerating machinery Measuring instruments |
| Data do documento: | 10-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | HACK, João Victor Wenc. Estimativa de vazões em escoamentos tubulares através da análise de imagens térmicas por redes neurais. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Química) - Universidade Tecnológica Federal do Paraná, 2025. |
| Resumo: | Métodos tradicionais de medição de vazão são invasivos e custosos em sua operação. Este trabalho propõe um método não invasivo para monitoramento de vazão utilizando imagens termográficas e redes neurais convolucionais (CNNs). A abordagem integra princípios de transferência de calor, termografia e inteligência artificial, com o objetivo de demonstrar que diferentes condições de vazão geram padrões térmicos característicos na superfície externa de tubulações. Foi desenvolvido um sistema experimental controlado que permitiu a captura de imagens térmicas sob quatro condições de vazão distintas. As imagens coletadas foram então utilizadas para treinar modelos de CNN através da técnica de transferência de aprendizagem. O modelo que apresentou melhor desempenho foi o DenseNet169 com uma camada classificadora de 512 neurônios, alcançando uma acurácia de 75% e F1-Score de 0,7550. O resultado demonstra que as imagens térmicas contêm informações suficientes e discerníveis que permitem correlacionar padrões de temperatura com condições de escoamento, validando o método proposto. |
| Abstract: | Tradicional flow measurement methods are invasive and costly to operate. This paper proposes a non-invasive method for flow rate monitoring using thermal imaging and convolutional neural networks (CNN). The approach integrates principles of heat transfer, thermography, and artificial intelligence, aiming to demonstrate that different flow conditions generate characteristic thermal patterns on the outer surface of pipelines. A controlled experimental system was developed, enabling the capture of thermal images under four distinct flow conditions. The collected images were then used to train CNN models via the transfer learning technique. The model that exhibited the best performance was DenseNet169, featuring a classifier layer with 512 neurons, which achieved 75% accuracy and 0.7550 F1-Score. This result demonstrates that thermal images contain sufficient and discernible information to correlate temperature patterns with flow conditions,thereby validating the proposed method. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39721 |
| Aparece nas coleções: | PG - Engenharia Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| estimativavazaoimagenstermicas.pdf | 9,03 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
