River water surface velocity measurement using large-scale particle image velocimetry
Notice bibliographique
Résumé
It is proposed to use advancements in Large Scale Particle Image Velocimetry (LSPIV), such as improved charge-coupled device in cameras, unmanned aerial vehicles, and faster algorithms, for a non-invasive river water surface velocity measurement to assess potential hydrokinetic turbine sites. The approach will compare results to an Acoustic Doppler Velocimeter (ADV). Being able to measure the water surface velocity using the proposed method allows the use of a low-cost and simple approach to determine hydrokinetic sites suitable for turbine deployment for electrification of remote communities. The research tests were conducted in a water tunnel and at the Canadian Hydrokinetic Turbine Testing Center located in Winnipeg River using cameras and a drone with results compared to an ADV. Two LSPIV simulation software’s PIVlab and OpenPIV were used to analyze the water surface velocity captured in a water tunnel and at the Canadian Hydrokinetic Turbine Testing Center. The results of the LSPIV software analysis with optimized average velocity data results from PIVlab are within ±0.1 m/s from the average ADV velocity results. In addition, optimized velocity data from PIVlab show vector results moved closer to the ADV measured water surface velocity and resulted with fewer fluctuations after the erroneous data was removed. Thus, a non-invasive way of analyzing water surface velocity by flying a drone overhead capturing the water surface and using LSPIV software such as PIVlab and OpenPIV to extract data from the captured images could replace conventional invasive methods of water surface velocity measurements for site assessments so long as these are done in good weather, minimal wind and water surface ripples are clear, detailed and defined.
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 | 0,000 | 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 ».