Image-Based Measurement of Wave Interactions with Rubble Mound Breakwaters
Notice bibliographique
Résumé
Over the past decade, the use of imaging devices to perform quantitative measurements has seen wide-scale adoption and has become integral to the emerging fields of research, such as computer vision and artificial intelligence. Recent studies, published across a wide variety of fields, have demonstrated a vast number of ways through which image-based measurement systems can be used in their respective fields. A growing number of studies have demonstrated applications in coastal and ocean research. Edge detection methods have been used to measure water surface and bedform elevation from recorded video taken during wave flume experiments. The turbulent mixing of air and water, induced by the breaking waves and the runup processes, poses a particular problem for the edge-detection methods, since they rely on a sharp contrast between air and water. In this paper, an alternative method for tracking water surface, based on color segmentation, is presented. A set of experiments were conducted whereby the proposed method was used to detect water surface profiles for various types of breaking waves interacting with a rubble mound breakwater. The results were further processed to compute the surface velocity during runup. The time-history of surface velocity is shown to closely parallel the point measurements taken nearby the instrumented armor unit. These velocities can potentially serve as boundary conditions for determining the dynamic loads exerted on the armour units. Further, the image processing results are used to remove the time-varying buoyant force from the measured force acting on an individual armour unit, providing additional insight into how the forces develop over time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».