Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Environment

Bildbaserad Lagrangian Particle Tracking i Bed-load Experiments

doi: 10.3791/55874 Published: July 20, 2017

Summary

Manuskriptet presenterar ett protokoll för ledning av sedimenttransportförsök med sänglast, där de rörliga partiklarna spåras genom bildanalys. Den experimentella anläggningen, förfarandena för körförverkligande och databehandling, och slutligen presenteras några proof-of-concept-resultat här.

Abstract

Bildanalys har i allt högre grad använts för mätning av flodflöden på grund av dess förmåga att tillhandahålla detaljerade kvantitativa skildringar till en relativt låg kostnad. Detta manuskript beskriver en applikation av partikelspårnings-velocimetri (PTV) till ett sängbelastningsexperiment med lätt sediment. De viktigaste egenskaperna hos de undersökta sedimenttransportbetingelserna var närvaron av ett täckt flöde och en fast grovbädd ovanför vilken partiklar frigjordes i begränsat antal vid flumeinloppet. Under de applicerade flödesförhållandena var rörelsen hos de enskilda bäddbelastningspartiklarna intermittenta med växlande rörelse- och stillhetsbetingelser. Flödesmönstret kännetecknades preliminärt av akustiska mätningar av vertikala profiler av strömningshastigheten. Under processvisualisering erhölls ett stort synfält med användning av två actionkameror placerade på olika platser längs flamma. Det experimentella protokollet beskrivs med avseende på chanNelkalibrering, experimentrealisering, bildförbehandling, automatisk partikelspårning och efterbehandling av partikelspårdata från de två kamerorna. De presenterade proof-of-concept-resultaten inkluderar sannolikhetsfördelningar av partikelhopplängden och varaktigheten. Resultatet av detta arbete jämförs med de befintliga litteraturen för att visa protokollets giltighet.

Introduction

Sedan banbrytande arbeten uppstod för några årtionden sedan 1 , 2 , har användningen av bildanalys för studier av flodsedimenttransporter ständigt ökat. Denna teknik visade sig faktiskt sin förmåga att tillhandahålla relativt högupplösande och lågkostnadsdata för detaljerade analyser av fysiska fenomen 3 , 4 , 5 . Med tiden har betydande förbättringar uppnåtts för både hårdvaru- och mjukvaruverktyg.

Mätningen av sedimenttransport kan utföras med hjälp av ett Eulerian-tillvägagångssätt som riktar sig till mätning av sedimentflöden eller en Lagrangian som syftar till att mäta banor av enskilda korn när de rör sig. Bildbehandling ger unika möjligheter till partikelspårning i jämförelse med andra euleriska metoder 6 , 7 . Men desPå grund av dessa möjligheter lider tillämpningen av bildanalys på sedimenterad sedimenttransport på grund av några kritiska experimentella begränsningar, när det gäller rumsliga / temporära stödvågar för mätning och storlek av dataprover. Exempelvis är det svårt att samtidigt uppnå en lämplig kombination av ett stort rumsligt område, ett långt försök och en hög mätfrekvens 3 , 4 , 8 utan att kompromissa med kvaliteten och kvantiteten av data. Dessutom kan partikelspårningen utföras manuellt 2 , 4 , vilket kräver en stor mänsklig ansträngning, eller automatiskt 3 , 8 , med möjlighet att spåra fel som gjorts av den programvara som används för analysen.

I detta papper presenteras ett protokoll för den experimentella undersökningen av sädbelastningssedimentet trAnsport, där lång varaktighet uppnåddes av den använda kameran, var ett stort synvinkel säkerställt genom simultan användning av två kameror på olika platser och pålitlig automatisk behandling möjliggjordes genom ad hoc- experimentella förhållanden. Den experimentella operationen utformades och bearbetningsverktygen valdes utifrån erfarenheter som upphovsmännen förvärvade i flera forskningsarbeten som behandlade den detaljerade undersökningen av sedimenttransport med bildmetoder 3 , 9 , 10 , 11 , 12 , 13 , 14 , 15 , 16 , 17 , 18 .

Ett sedimenttransportexperiment beskrivs, vilket utfördes att frigöra partikelÄr över en fast, grov säng. Partikelmatningen var mycket mindre än transportkapaciteten hos flödet för att upprätthålla en låg koncentration av rörliga korn, varigenom överbelastningen av partiklar som spåras skulle undvikas. Vidare rör de transporterade partiklarna inte kontinuerligt, men intermittent rörelse observerades. Användningen av en fast säng snarare än en rörlig en representerar en förlust av likhet med naturliga förhållanden. En fast säng användes emellertid ofta i sedimenttransportförsök 19 , 20 , 21 under antagandet att resultaten är enklare och förklarande än de från komplicerade scenarier med en mängd olika processer. Användningen av en fast säng förhindrar självfallet att processer för sedimentbegravning och återkomst uppfattas. Å andra sidan, i närvaro av en svag bäddbelastning, sker transporten av sediment i ett ytskikt av en lös bädd, och i detta fall,Användning av en fast säng kan vara tillräcklig. I själva verket presenterade specifika jämförelser mellan egenskaperna hos partikelrörelse i experiment som kördes med de två tillstånden inga signifikanta skillnader 3 , 14 . Slutligen utfördes experimentet som presenterades här med ett trycksatt flöde för att säkerställa ett optimalt tillstånd för partikelvisualisering genom ett transparent täcke. Sedimenttransport med tryckflöde har studerats experimentellt i forskningsprototypning av istäckta floder, vilket visar att samspelet mellan det nära bäddsgränsskiktet och sedimentet är analogt med det för öppet kanalflöde 22 , 23 . I följande avsnitt beskrivs alla metoder och några representativa resultat tillhandahålls.

Protocol

Obs! Sedimenttransportexperimentet utfördes i en flume vid Mountain Hydraulics Lab som ligger på Lecco campus i Politecnico di Milano. Flamman är helt konstruerad av transparent akrylmaterial och är 5,2 x 0,3 x 0,45 m 3 . Kanalen stöds av två stålbalkar och kan manövreras på olika sluttningar på grund av en gångjärn och skruvuttag. En serie av lock gör att flummen kan fungera som en sluten ledning, vilket var den täckta flödes konfigurationen och kanalen som användes i detta arbete.

1. Mätning och inställning av Flume Slope

  1. Försegla utloppet av flume och fyll i med stillt vatten.
    OBS! Tätningsmetoden beror på kanalfunktionerna. I det fall som presenteras här är kanalens ändsektion utrustad med en kopplingsfläns, varför försegling uppnåddes genom att en plastplugg bultes i flänsen med en gummiblandare däremellan.
  2. Använd skruvuttaget tO Ange en godtycklig kanalhöjning.
  3. Vänta minst 30 minuter för att tillåta vattnet att uppnå stillhet. För att kontrollera oscillationsdödningen och uppnåendet av ett stillvattentillstånd, placera en punktmätare på flamma väggarna och mät upprepade gånger höjden på den fria ytan.
  4. Placera punktmätaren på kanalväggarna på flera platser och ta avläsningar av höjden på den fria ytan.
    OBS: Avläsningarna skiljer sig från varandra eftersom flammen är lutande medan vattenytan är horisontell.
  5. Beräkna ett lutningsvärde baserat på linjär interpolering av mätningarna av punktmätaren.
  6. Ta en mätning med en laseravståndssensor som är ansluten till en av strålarna som stöder kanalen och pekar mot golvet.
    OBS! Här är lasersensorn permanent ansluten till kanalen, därför krävs inga operationer i protokollet för installationen.
  7. Upprepa steg från 1,2 till 1,6 för en mängd olika lutningsförhållanden.
  8. Montera aLinjär ekvation till försökspunkterna i ett kartesiskt plan med lasermätningen på den horisontella axeln och kanalens sluttmått på den vertikala axeln. Bestäm en överföringsfunktion från lasermätning till kanalhöjning (och vice versa).

2. Ställa in arbetskonfigurationen

  1. Förbered en uppsättning stålplattor (2 mm tjocklek) med en total dimension lika med kanalens botten.
    OBS: Här användes fyra plattor med en storlek av 1,3 x 0,3 m 2 .
  2. Skapa en fast grov säng genom att limma sedimentpartiklar över plattorna. För att göra detta måla tallrikarna med ett tvåkomponent polyesterharts och sprida sedan ett lag av sediment (1-1,5 cm) över dem.
    OBS! De sedimentpartiklar som användes här var polybutylentereftalat (PBT) -korn, tillverkade i vit färg och med en storlek av 3 mm. Med förfarandet ovan liknar tjockleken på sedimentet limmade till plattan likartad partikelstorleken.
  3. WAit minst 24 h för att tillåta hartset att torka, ta sedan bort det överskjutande sedimentet genom att luta plattorna och låt sedimentet glida bort. Måla sedimentytan i svart med en vattenbeständig sprayfärg. Vänta minst 10 timmar för att låta färgen torka.
  4. Placera de sedimentbelagda plattorna (se steg 2.1-2.3) i flamman och på polyvinylklorid (PVC) -stöd för att skapa botten av en arbetsdel. Var uppmärksam på placeringen av på varandra följande plattor för att säkerställa kontinuiteten i sängen.
    OBS! Användningen av PVC-stöden är valfri. I det föreliggande fallet utformades tvärsnittet av flummet (0,3 m bred och 0,45 m högt, motsvarande ett bredd-djupförhållande lägre än 1) ursprungligen för att driva sedimenttransportexperiment med ett lager av lös sediment. Experimentet som presenterades i detta manuskript kördes istället med en fast säng, vilket ledde till ovanliga och för låga värden för bredd-djupförhållandet. PVC-bärarna användes därför för att uppnå en storR-värdet för detta förhållande.
  5. Placera en serie transparenta akryllock (täcker hela kanallängden) på kanalväggarna för att skapa en täckt arbetsdel.
    OBS! I den här beskrivna flammen är locken inbyggda lådor med en höjd av 20 cm, helt enkelt över flamma väggarna. Därför finns något vatten vid lockets sidor under experiment, men ändrar inte signifikant flödet i flumman. Arbetsdelen som användes i experimentet nedan var så stort som 0,3 mx 0,105 m 2 .

3. Fastställande av stadiga flödesförhållanden

  1. Sätt på pumpen, fyll i kanalen med vatten och använd reglerventilen för att ställa in en flödeshastighet.
    OBS: I detta arbete mättes flödeshastigheten med en elektromagnetisk flödesmätare placerad längs leveransröret.
  2. Använd en svängvattensregulator för att ställa höjden av tryckhuvudet något över kanallocket, se till att det finns ett täckt flöde, men undvikEn signifikant flytkraft på locken.
    OBS! I den kanal som presenteras här uppnås avloppsreglering genom en uppsättning pinnar som finns i slutet av flummen.
  3. Mät flödeshastigheten och tryckhuvudet upprepade gånger för att kontrollera flödesförhållandena.

4. Karaktärisering av flödesfördelningen

  1. Mäta den vertikala profilen för den strömvisa hastighetskomponenten på olika ställen.
    1. Placera sonden för en ultraljudshastighetsprofil (UVP) ovanför flumlocket med hjälp av en lämplig sondhållare. Placera sonden i en vald lutning med svansen mot kanalinloppet. Applicera en lämplig ultraljudskopplingsgel i utrymmet mellan sondspetsen och locket för att undvika överföring av ultraljudsvåg genom luft. Anslut sonden till sin förvärvsmodul.
      OBS: I det aktuella fallet var sondhållaren tillverkad av PVC och bestod av en bas med en lutandeGuide bifogad. Detta stöd konstruerades efter att en sondvinkel valdes.
    2. Prova flera momentana hastighetsprofiler.
      OBS! Med det instrument som användes i detta experiment krävde detta steg manuell inställning av frekvensen för den utsända ultraljudsstrålen, en pulsrepetitionsfrekvens, en upplösning och det önskade antalet momentana profiler. Profiler förvärvades kontinuerligt och sparades när önskat nummer uppnåddes.
    3. Upprepa steg 4.1.1 och 4.1.2, utom placera sonden med svansen mot kanaluttaget.
    4. Bedöm behovet av signalavkänning 24 genom en visuell inspektion av de förvärvade tidsutvecklingarna av strömvis hastighet. Utför de-spiking vid databehandling vid behov.
    5. Beräkna medelhastighetsvärdet för varje mätplats (grind) för UVP för att erhålla tidsvärdesprofiler av prob-hastighetskomponenten från de två mätningarna (med sondens svans motKanalinlopp och utlopp).
    6. Använd en trigonometrisk sammansättning av de två sondvisa hastigheterna uppmätta vid vilken som helst höjd för att erhålla strömmens och vertikala hastighetskomponenter.
      1. Med v upp och v ner som de genomsnittliga hastigheterna i tiden 4.1.2 respektive 4.1.3 bestämmer du strömförhållandena ( u ) och vertikal hastighet ( v ) som:
        Ekvation 1
        Ekvation 2
        Där är α sondens lutning med avseende på kanalen.
    7. Justera distansvärdena för mätställen i en profil som redovisar de olika medierna (gel, akryl och vatten) genom vilket den akustiska strålen reser 25 .
    8. Upprepa steg från 4.1.1 till 4.1.7 för alla mätställen.
  2. Mäta skjuvhastigheten från den vertikala profilen hos den strömvisa hastighetskomponenten.
    1. Bestäm ett antal höjningar där profilen för den strömvisa hastighetskomponenten betecknar en linjär trend i en semi-logaritmisk tomt (se figur 2 ).
    2. Uppskatta skjuvhastigheten u s från den uppmätta profilen genom att passa en logaritmisk ekvation enligt följande:
      Ekvation 3
      där u (z) är den tidsgenomsnittliga ström-wise hastigheten vid en viss höjd z från bädden, är κ Karman konstant lika med 0,4, och z 0 är en hydrodynamisk grovhet längd.
    3. Kvantifiera osäkerheten vid uppskattning av skjuvhastigheten 26 som:
      Ekvation 4
      Där N är antalet värden som används för cUrfitting och j är en räknare som sträcker sig från 1 till N.

5. Utföra ett sedimenttransportexperiment

  1. Ställ in önskade kameraparametrar (upplösning, frekvens). Använda stöd från kameraproducenten, bifoga två handkamera till sidoväggarna på locken mot kanalsidan vid två strömställda platser. Se till att fokusområdena för de två kamerorna överlappar varandra.
    1. Justera kamerans position och orientering genom försök och fel. Ta en kort video från varje kamera, titta på videon och ändra kamerans position eller orientering om de två fokusområdena inte överlappar varandra eller om kameravycket inte är väl inriktat på flummen.
      OBS! I det aktuella arbetet användes kameran vid 30 bilder / sekund med en upplösning på 1 920 × 1 080 pixlar.
  2. Upprätta ett jämnt flödesförhållande enligt beskrivningen i steg 3.1 till 3.3. Mata de vita partiklarna (samma som de tHatt limmade och målades svart i steg 2.2 och 2.3) i flödet vid flumeinloppet. Välj en handfull partiklar och släpp dem (en partikel varannan sekund), behåll en låg koncentration av vita partiklar över den svarta sängen. Fortsätt att utfodra hela experimentets varaktighet.
    OBS: En lågpartikelkoncentration förenklar 17 spårningsprocessen jämfört med situationer med högre koncentration 18 . Faktum är matchningen mellan en partikel i en viss bild med samma partikel i den efterföljande bilden baserad på ett sökfönster kring den tidigare positionen för partikeln 19 , 27 ; En högre koncentration ökar möjligheten att detektera mer än en partikel i sökfönstret och leder i sin tur till felaktigheter.
  3. Om rumsbelysningen är avstängd, sätt sedan på dem när det är nödvändigt att synkronisera kamerorna. Starta fotografering genom att utlösa kamerornaMed lämpliga kontroller. Stäng av rumsbelysningen efter att ha kontrollerat att båda kamerorna har börjat spela in.
    OBS! På så sätt kan tiden då ljuset släcktes klart identifieras från pixelintensitetshistorien i bilderna, vilket möjliggör (med mindre än en ram precision) tidsförskjutningen mellan de två förvärvade filmerna att vara bestämd. Visualiseringen kan inte självklart göras i mörkret. I det aktuella arbetet användes experimentet endast med naturbelysning (eftersom en sidovägg i rummet är helt glasgjord). Om ljusförhållandena förändras signifikant under experimentet, bör körningen upprepas eftersom belysningen påverkar partikelidentifikationen och spårningen som beskrivs nedan.
  4. Fortsätt filma i önskad längd (här, 15 min), och stäng sedan kamerorna.
    OBS! Representativa resultat visas i följande under 100 s.
  5. Upprepa steg från 5,2 till 5,7 för något annat önskat hydro-dynamiskt tillstånd (förExempel, en annan flödeshastighet).
    OBS: Under de experiment som beskrivs här var några fångade partiklar närvarande på sängen efter fotograferingen. De ska tas bort innan en annan konfiguration testas, genom att lyfta locket med en borste för att avlägsna partikeln och byta ut locket.

6. Förbehandling av bilder

  1. Korrigera bildförvrängningen på grund av begränsad linslängd genom att applicera en radiell transformation till pixelkoordinaterna och ombilda bilderna. Justera genom försök en kalibreringsfaktor som behövs för att tillämpa transformationen.
    OBS! Med r som avstånd från vilken pixel som helst till bildcentret kan ett transformerat avstånd beräknas som:
    Ekvation 5
    Där k är kalibreringsfaktorn som behöver justeras genom försök 28 , baserat på en visuell inspektion av flumsbotten, vilket ska visas som raka linjer i bildens.
  2. Bestäm en linjär bildkonvertering från pixel till verkligt avstånd med hjälp av mål placerade på kända avstånd och vid höjden av sängen, på flödets sidoväggar.
    OBS! Detta kan åstadkommas till exempel på ett programmeringsspråk (se materialet ), genom att använda kommandot imread för att öppna en bildfil, kommer kommandot ginput att klicka på målen och få sina koordinater i pixel och hitta en andel mellan De bestämda pixelkoordinaterna och de riktiga.

7. Identifiering och spårning av partiklar

OBS! Alla följande åtgärder måste utföras för bilderna som samlas in av båda kamerorna, separat. Identifieringen och spårningen av partiklar utfördes med användning av Streams 29 . Denna programvara är fritt tillgänglig vid en förfrågan till dess utvecklare. Strömmar var redan anställda av författarna i flera experiment för bed-loaD sedimenttransport under olika förhållanden 3 , 16 , 17 , 18 , 28 , 30 .

  1. Importera ramar genom att klicka på Bild → Skapa bildsekvens . Ange tidssteget mellan två ramar och bildkalibreringsfaktorn. Välj de bildfiler som ska ingå i sekvensen. Klicka på OK .
    OBS! I det aktuella fallet var tidsintervallet 1/30 s (motsvarar den bildhastighet som nämns i steg 5.1) och bildkalibreringsfaktorn var 0,5 mm / pixel.
  2. Identifiera partiklar
    1. Skapa intensitetskartor för några slumpmässigt valda bilder för att hitta det typiska intensitetsvärdet (över en skala från 0 till 255) för pixlar som motsvarar vita partiklar.
      1. Högerklicka på bildsekvensen som skapades och välj OpEn bildvy. Håll skift , rita någon rektangel över bilden. Högerklicka på rektangeln och välj ShowIntensityMatrix . Välj ett lämpligt tröskelvärde.
        OBS: I det aktuella fallet fastställdes tröskeln till 80.
    2. Tröskel bilderna baserat på ett intensitetsvärde och en förväntad storlek på vita fläckar i binärbilderna.
      1. Högerklicka på bildsekvensen som skapades och välj Öppna processvyn . Klicka på Ny , välj Filter bilder pipeline och klicka på OK . Ge processen ett namn, ange sekvensnamnet och klicka på OK . Dubbelklicka på filterrörledningen , klicka på Ny , välj Ta bort bakgrund och klicka på OK .
      2. Klicka på Ny i fönstret Process , välj Identifiera partiklar och klicka på OK . Välj Enstaka tröskel och klicka på OK . I algoritmen OK . Välj de skapade processerna, klicka på Lägg till till pipeline och sedan på Execute .
        OBS: Ställstorleken här var från 0,5 till 8 mm. Spotstorleken avser partikelstorleken men beror också på ljusförhållandena. Faktum motsvarar faktiskt det ljus som reflekteras av en partikel i stället för själva partikeln.
  3. Spåra partiklar
    1. Högerklicka på partikelposten som skapades och välj Öppna bildvyn .
    2. Bläddra genom ramar genom att klicka på pilknapparna framåt och bakåt. Observera typiska partikelförskjutningar mellan på varandra följande bilder genom att flytta markören över de visade fläckarna och läskoordinaterna. Bestäm ett lämpligt sökfönster i enlighet med detta.
    3. Högerklicka på partikelposten som skapades och välj Öppna processvyn
    4. Klicka på Ny , välj PTV analys pipeline och klicka på OK . Ge processen ett namn och klicka på OK . Dubbelklicka på PTV analys pipeline , klicka på Ny . På sidan Kostnader väljer du Distans . På optimeringssidan anger du strömmen och tvärläget och dimensionen i sökfönstret och klickar på OK .
    5. Välj den skapade processen, klicka på Lägg till till pipeline och sedan på Execute .
      OBS! En partikelspår måste helst nå slutet av fokusområdet eller den sista experimenttiden. På samma sätt måste den starta i början av fokusområdet eller vid början. Emellertid kan uppmätta spår avbryts oväntat, typiskt för att en partikel inte detekteras i vissa ramar på grund av låg intensitet eller mindre, beroende på missad partikelmatchning mellan två på varandra följande ramar. Om spåret slutar utan att nå gränserna för tiObservationsfönstret för migutrymme kan sökanden för återkoppling sökas. Välj dem på en plats nära och strax efter slutet av den sista ramen före avbrottet. På detta sätt kan ett enda spår för en partikel rekonstrueras enligt detalj i steg 7.3.6.
    6. Om avbrott föreligger i de uppmätta spåren, fixa dem genom spåråterkoppling med hjälp av ett sökfönster som ägnas åt det syftet.
      1. Högerklicka på partikelposten som skapades och välj Öppna processvyn . Klicka på Nytt , välj Skapa Lagrange banfält och klicka på OK . Klicka igen på OK . Lägg till processen till rörledningen och klicka på Execute .
      2. Högerklicka på partikelposten som skapades (den andra) och välj Öppna processvyn . Klicka på Ny , välj Bli medlem Lagrangiska banor och klicka på OK . På sidan Parametrar skriver du in detaljerna i sökfönstret och cSlicka på OK . Lägg till processen till rörledningen och klicka på Execute .
    7. Högerklicka på partikelposten som skapades (den andra) och välj Spara sökvägar till textfil . Inmatningsväg och filnamn, klicka sedan på OK .

8. Ansluta banor från olika kameror

OBS! Det här är en nödvändig åtgärd för att dra nytta av användningen av flera kameror för att förstora mätområdets storlek. Steg utförs av en MatLab-kod ( join_cameras.m ) med grafiskt användargränssnitt som utvecklats av författarna (se kompletterande kodfiler ).

  1. Bläddra i datorns mappar och hitta spårfiler för båda kamerorna och klicka på Sök spårningsegenskaper .
  2. Gör ( x , y ) -referensen för de två kamerorna enhetliga genom att tillämpa en översättning av koordinater till data från nedströms kameran. BestämmaKonstanterna som ska användas för översättning längs de två riktningarna från målen som är synliga i bilderna från båda kamerorna. Ange de önskade värdena och klicka på Gör referenssystem enhetligt .
    OBS! Till denna punkt används en oberoende referens för kameror med (0,0) i nedre vänstra hörnet av bilderna, x -axis höger och y -ax uppåt. Översättningen av koordinater som användes i detta arbete var 760,15 respektive -1,5 pixlar i strömriktning respektive tvärriktning.
  3. Bestäm området för överlappning mellan de två data och ange dess gränser i lämpliga textrutor.
    OBS: Längden på överlappning i detta arbete var från 760,15 till 880,11 pixel i strömriktning och täckte hela kanalbredden.
  4. Ta bort alla banor som är kortare än längden på överlappningsområdet, för att begränsa analysen till enkla situationer (se Figur 1 ). ISätt en tröskel längd i den relaterade textrutan och klicka på Ta bort kortare än eller lika med (mm) .
  5. Gå med i spåren
    1. Slå samman partikelspårdatabaserna från de två kamerorna genom att klicka på Merge-tabeller . Ange begärda värden för tolerans för överlappning (här, 10 mm) i strömmen och tvärriktningen och klicka på JOIN .
      OBS ! När du har klickat på JOIN utför du följande åtgärder. Bläddra spåren tills du hittar ett spår som slutar i området för överlappning. Sök kandidater för att gå med, bland spår som börjar i och avsluta det överlappande området. Om en kandidat hittas, jämföra de tider för vilka de två spåren ligger inom överlappningsområdet. Om dessa tidsperioder överensstämmer med varandra, beräkna skillnaderna mellan partikelkoordinaterna i de två spåren vid alla möjliga punkter. Ta kvadratroten av den genomsnittliga kvadrerade skillnaden mellan x och y värden för värdet av potentialen förDe två partikelspåren är lika. Om denna indikator är lägre än ett tröskelvärde, gå med i spåren. Konstruera ett nytt spår som motsvarar, i den överlappade delen, medeltalet av de två föregående. Upprepa alla dessa åtgärder tills inga nya fogar är möjliga. Det tröskelvärde som användes i detta arbete var 10 mm i båda riktningarna.
  6. Nämn resultatfilen och spara de sammanfogade spåren genom att klicka på Spara anslutna spår .

Figur 1
Figur 1. Situationer för spårbindning. Spåren från uppströms kameran är röda och från den nedströms kameran är i grön (endimensionell representation för enkelhetens skull). De vertikala streckade linjerna binder den nominella längden av överlappningen. På grund av möjliga avbrott av spår är utbredningen av resultat större än för förväntad rak trAcks (motsvarande de första fyra skisserade fallen) med ett spår från den första kameran som når överlappningsområdet och ett spår från den andra kameran som lämnar den. Totalt presenteras 13 teoretiskt möjliga situationer. För att förenkla analysen är spår kortare än längden på de överlappande regionerna undantagna från de preliminära data. Vänligen klicka här för att se en större version av denna figur.

9. Analysera Sediment Transport Kinematics

  1. Utgående från den erhållna datasatsen som innehåller spåret av varje transporterad partikel, uttryckt i förhållande till ( x , y ) -positionen som vidtagits vid vilken tidpunkt som helst, utför en mängd olika statistiska analyser för en skildring av bed-load-partikelkinematiken 3 , 4 , 5 , 8 , 16 , 17 , 18 .

Representative Results

Resultaten som presenteras i det här avsnittet är för ett experiment där flumhöjden sattes till noll (lutningsvärdena beräknades med ± 0,05% noggrannhet). Det sediment som användes gjordes av PBT-partiklar som var kvas-sfäriska, med en storlek d = 3 mm och en densitet ρ p = 1 225 kg / m 3 . Experimentet kördes med en flödeshastighet Q = 9,7 x 10 -3 m 3 / s resulterar i en bulkhastigheten U = 0,31 m / s.

För hastighetsmätningarna med UVP användes en 2 MHz sond vid 81 ° lutning. Hastighetsdata förvärvades vid 20 Hz i 250 s. En representativ hastighetsprofil är avbildad i figur 2 . Det togs vid kanalaxeln och vid 4,5 m från flumeinloppet, där flödet var fullt utvecklat. Vissa värden relaterade till ogiltiga elevationsmätningar avlägsnades. En asymmetriC-profilen berodde på den olika grovheten hos plastlocket och sedimentbädden. Plottorna visar också den del av profilen som används för uppskattning av skjuvhastigheten, vilket ger dig s = 25,9 ± 1,3 mm / s. Partikel Reynolds-talet ( Re p = u s × d / v , med v som den kinematiska viskositeten hos vatten) var därför lika med 78, vilket indikerar en övergångs grov regim.

Visualiseringen av sedimenttransport utfördes med två kameror placerade vid 3,5 m och 4,3 m från flumeinloppet. Kamerorna drivs med en frekvens av 30 fps och med en upplösning på 1 920 x 1 080 pixlar. Faktorn för korrigering av bildförvrängning var k = 0,6. Efter avlägsnande av förvrängning var bildkalibreringen 1 pixel = 0,5 mm. Längden på överlappning var från 760,15 till 880,11 mm (där den senare var längden på fokusområdet av granenSt kamera från dess uppströms kant). Tröskelintensiteten för partikelidentifiering sattes till 80 och den förväntade blobstorleken varierade från 0,5 till 8 mm. Sökfönstret för partikelspårning var följande: 1 mm uppströms och 7 mm nedströms, 4 mm i sidled. Sökfönstret för återkoppling av avbrutna spår var följande: 1 mm uppströms och 31 mm nedströms, 16 mm sidledes längs 4 efterföljande ramar. Gränsvärdet för kvadratroten av den genomsnittliga kvadrerade skillnaden mellan x och y- värden mellan två spår som ska förenas sattes till 10 mm.

Partikelspåren som mäts med en delmängd av 3 000 bilder från varje kamera (motsvarande 100 s varaktighet) är avbildade i figur 3 . Databasen omfattade 37 respektive 34 spår från respektive uppströms och nedströms kamera. En överlappning av spåren som erhållits av de två kamerorna föreslags först och sedan den resulterande fulla uppsättningen av tRack visas. Det är uppenbart att överlappningen i den centrala delen av mätområdet var tillfredsställande. 12 länkar erhölls vid slutet 59 spår. Det längsta spåret sträckte sig över hela observationsfönstret med en total längd på ca 1,6 m (mer än 530 partikelstorlekar, 15,2 flödesdjup eller 5,3 flödesbredder), vilket är mycket stort i jämförelse med andra litteraturstudier där liknande analyser utfördes 3 , 4 , 5, 8.

Genom att ta ett lagrangiskt ramverk tillämpas nyckelindikatorerna för partikelkinematik här när det gäller egenskaper hos partikelhops. Under en intermittent sänglasttransport som den som är i det här experimentet är dessa humle separerade rörelser av viloperioder. För att upptäcka humle inom ett helt spår för en enda partikel är identifieringen av partikelrörelse och stillhetEtt nödvändigt preliminärt steg. I detta arbete tillämpade vi ett kriterium 30 som betraktar en partikel i rörelse vid ett visst ögonblick om dess x- position vid det ögonblicket är större än alla tidigare och lägre än alla följande. Ett totalt antal 98 humle erhölls från de 59 uppmätta partikelspåren. Figur 4 visar den erhållna kumulativa frekvensfördelningen (CFD) för hoplängden och varaktigheten.

Figur 2
Figur 2: Mäthastighetsprofil. (Top) Den genomsnittliga vertikala profilen för den strömvisa hastighetskomponenten. (Bottom) Uppskattningen av skjuvhastigheten genom att passa en logaritmisk ekvation till profilens nedre del. Observera att en vertikal axel från början av kanalen och orienterad nedåt används i den första ploten, represe Nting resultatet från mätningen med UVP. En axel från kanalens botten och riktad uppåt användes istället i det andra diagrammet, vid behov för att uppskatta skjuvhastigheten genom ekvationskonfiguration. Vänligen klicka här för att se en större version av denna figur.

Figur 3
Figur 3: Planvy av mätpartiklar. (Överst) Spåren från de två kamerorna (uppströms kamera i rött och nedströms i svart). (Bottom) Provet av sammanfogade spår (ändra färg för tydlighet och vissa spår markerade med en tjockare linje). Vänligen klicka här för att se en större version av denna figur.

4 "class =" xfigimg "src =" / files / ftp_upload / 55874 / 55874fig4.jpg "/>
Figur 4: Kumulativ frekvensfördelning (CFD) med hopplängd (topp) och längd (längd). Inom varje spår i figur 3 märktes partikeln vid varje ögonblick omedelbart för att representera om partikeln var i rörelse eller i vila vid det ögonblicket. Partikelhoppar extraherades sedan från spåren som portioner mellan partikelintagning (övergång från stillhet till rörelse) och disentrainment (övergång från rörelse till stillhet). Proverna som erhölls för hopplängder och varaktigheter användes för att skapa de fördelningar som visas här. Vänligen klicka här för att se en större version av denna figur.

Kompletterande kodfiler : join_cameras.m PleaseKlicka här för att ladda ner den här filen.

Discussion

Att utforma ett bed-load transportexperiment med partikelvisualisering innefattar flera steg, inklusive valet av experimentella konfigurations- och hårdvaruverktyg, flödesmätning, partikelsåning och visualisering samt bildanalys. Variationer vid varje steg har fördelar och nackdelar. De viktigaste egenskaperna hos protokollet som presenteras i detta manuskript är: (i) användning av ett trycksatt flöde och en fast grov säng, (ii) sådd av ett lågt antal bäddbelastade partiklar som har en kontrasterande färg i den fasta bäddfärgen, Använder naturligt ljus och, (iv) använder flera kameror för att erhålla oberoende spåruppsättningar som ska förenas med varandra.

Experimentell metod och databehandling möjliggör spårning av bäddbelastade partiklar för den slutliga mätningen. Det täckta flödet garanterar en optimal syn på de rörliga partiklarna. Den fasta sängen förhindrar dock observation av vissa processer ( t.ex. de som är kopplade till vertica L förskjutningar av sedimentpartiklar i det aktiva belastningsskiktet) och begränsar således tillämpligheten av tekniken till svaga bäddbelastningar.

Storleken på de dataprover som erhölls med användning av endast 100 s av film var relativt liten. Samplingsstorleken kan emellertid lätt ökas genom att förlänga experimentell varaktighet för bildförvärv och bearbetning. Matning av ett begränsat antal partiklar kräver en längre experimentell tid än utfodring med en väsentligt högre hastighet; Men det är väl värt ansträngningen på grund av en relativt enkel partikelspårning på grund av den lilla koncentrationen av partiklar i rörelse och användningen av olika färger, vilka båda minskar sannolikheten att spåra misstag. Användningen av naturligt ljus i experimentet undviker behovet av belysningsanordningar; En nackdel är dock att bra belysning beror på väderförhållandena.

CFDs med partikelhopplängd och längd avbildad iG "> Figur 4 visar de lägsta värdena som de vanligaste. De största uppmätta värdena för hoplängd och varaktighet var omkring 600 mm respektive 7 s. Detta var signifikant större jämfört med motsvarande värden från litteraturen 4 , 16 , 30 Eftersom mätning av längre spår löper risken för långa partikelhoppar. Fördelen med att använda två kameror är tydlig med tanke på att en enda kamera hade en fokusområde längd på ca 850 mm, vilket inte skulle vara mycket större än hoplängdsvärdena som skall mätas. Mätprotokollet med användning av två kameror i stället säkerställde en tillfredsställande separation mellan processens längdskala och mätfältets storlek, vilket reducerar risken för att förspänna de fenomenologiska resultaten på grund av experimentella begränsningar. Dessutom kan fokusområdet förlängas ytterligare av Ökar antalet kameror placerade längs flamma.

Ett alternativt förfarande jämfört med protokollet som beskrivs här är att skapa överlappade bilder före partikelidentifiering och spårning. Vårt protokoll (att utföra spårningen två gånger och länka partikelspår) var att föredra, eftersom bildsammansättningsmetoden skulle ha fördubblat storleken på datafilerna, vilket kräver en minnesförbrukning som inte var överkomlig.

Med de behandlingsalgoritmer som beskrivs här kassades flera partikelspår som var kortare än längden på överlappningsområdet, eftersom de förhindrade en fullständig rekonstruktion av sedimentspåren. Tröskelängden på 120 mm var emellertid en storleksordning kortare än de spårlängder som kunde erhållas och förlusten av dessa data var därför acceptabel. Vidare skulle spårförbandet som ses i de nedre 8 fallen i Figur 1 inte möjliggöra en signifikant ökning av spårlängden som skall erhållas. Å andra sidan kan dessa situationer hjälpaVid hämtning av långa spår, såsom situationen i Figur 5, som kan bero på spåravbrott. I ett liknande fall kan en lång spår rekonstrueras genom iterativ samverkan. Det är dock viktigt att komma ihåg att spårningsavbrott som de i Figur 5 är tydligt relaterade till spårningsprocessen snarare än till anslutningsprocessen.

Detta manuskript presenterade proof-of-concept-resultat för ett enda experiment för att visa förmågan hos det antagna protokollet. I framtida experiment kommer protokollet att tillämpas på en rad olika hydrodynamiska förhållanden för att uppnå en detaljerad analys av sädbelastningssedimenttransportprocessen.

Figur 5
Figur 5: En situation av spår som går samman i närvaro av avbrott. figur 1 och i steg 8.4 i protokollet är spåren kortare än längden på överlappningsområdet uteslutna. Detta eliminerar korta röda och gröna spåren; Därför kan de återstående långa inte förenas eftersom de inte har någon gemensam punkt. Vänligen klicka här för att se en större version av denna figur.

Disclosures

Författarna förklarar att de inte har några konkurrerande ekonomiska intressen.

Acknowledgments

Detta arbete stöddes av Forskningsstyrelsen genom EU: s sjunde ramprogram, stöd till utbildning och karriärutveckling av forskare (Marie Curie - FP7-PEOPLE-2012-ITN), som finansierade ITN-nätverket (Initial Training Network) HYTECH "Hydrodynamisk transport i ekologiskt kritiska heterogena gränssnitt" (nummer 316546). Det stöddes också av Polo Territoriale di Lecco från Politecnico di Milano. Experimenten utfördes under ett besök av SS till Politecnico di Milano som besökande forskare. Författarna tackar Tarcisio Fazzini, Stefania Gherbi, Francesco Mottini (B.Sc.-studenter vid Politecnico di Milano) och Seyed Abbas Hosseini-Sadabadi (medarbetare i Hytta-projektet och doktorand vid Politecnico di Milano) för att stödja Experimentell aktivitet och dataanalysen. Författarna tackar tacksamt Roger Nokes (University of Canterbury, Christchurch, Nya Zeeland) för att ge SMjukvara och konstant rådgivning. Slutligen tackar författarna JoVE-hanteringsredaktören och tre anonyma granskare för deras tankeväckande kommentarer och förslag, tack vare vilket manuskriptet kan förbättras avsevärt.

Materials

Name Company Catalog Number Comments
Laser distance sensor METRICA PREXISOX2 Used to measure the flume slope
Two-component polyester resin Gelson MS 65213 Used to glue sediment particles onto steel plates
Water-resistant spray paint Any Used to paint the fixed bed
Ultrasonic Velocity Profiler Signal Processing DOP 2000 Used to measure the water velocity profiles
Camera Go-Pro Hero 4 Black Used to acquire movies of bed-load particle motion
Streams University of Canterbury 2.01 Used for particle identification and tracking
MatLab MathWorks R14 Used to develop ad hoc codes for a variety of operations
Plexiglas Transparent acrylic material

DOWNLOAD MATERIALS LIST

References

  1. Francis, J. R. D. Experiments on the motion of solitary grains along the bed of a water-stream. Proc Royal Soc London, A. 332, 443-471 (1973).
  2. Drake, T. G., Shreve, R. L., Dietrich, W. E., Whiting, P. J., Leopold, L. B. Bedload transport of fine gravel observed by motion-picture photography. J Fluid Mech. 192, 193-217 (1988).
  3. Campagnol, J., Radice, A., Ballio, F., Nikora, V. Particle motion and diffusion at weak bed load: accounting for unsteadiness effects of entrainment and disentrainment. J Hydraul Res. 53, (5), 633-648 (2015).
  4. Fathel, S. L., Furbish, D. J., Schmeeckle, M. W. Experimental evidence of statistical ensemble behavior in bed load sediment transport. J Geophys Res: Earth Surf. 120, (11), 2298-2317 (2015).
  5. Lajeunesse, E., Malverti, L., Charru, F. Bedload transport in turbulent flow at the grain scale: experiments and modeling. J Geophys Res: Earth Surf. 115, F04001 (2010).
  6. Tsakiris, A. G., Papanicolaou, A. N., Lauth, T. J. Signature of bedload particle transport mode in the acoustic signal of a geophone. J Hydraul Res. 52, (2), 185-204 (2014).
  7. Mendes, L., Antico, F., Sanches, P., Alegria, F., Aleixo, R., Ferreira, R. M. L. A particle counting system for calculation of bedload fluxes. Meas Sci Technol. 27, (12), 125305 (2016).
  8. Heays, K. G., Friedrich, H., Melville, B. W., Nokes, R. Quantifying the dynamic evolution of graded gravel beds using Particle Tracking Velocimetry. J Hydraul Eng. 140, (7), 04014027 (2014).
  9. Radice, A., Malavasi, S., Ballio, F. Solid transport measurements through image processing. Exp Fluids. 41, (5), 721-734 (2006).
  10. Radice, A., Ballio, F. Double-average characteristics of sediment motion in one-dimensional bed load. Acta Geophys. 56, (3), 654-668 (2008).
  11. Radice, A. Use of the Lorenz curve to quantify statistical nonuniformity of sediment transport rate. J Hydraul Eng. 135, (4), 320-326 (2009).
  12. Radice, A., Ballio, F., Nikora, V. On statistical properties of bed load sediment concentration. Water Resou. Res. 45, (6), W06501 (2009).
  13. Radice, A., Ballio, F., Nikora, V. Statistics and characteristic scales for bed load in a channel flow with sidewall effects. Acta Geophys. 58, (6), 1072-1093 (2010).
  14. Campagnol, J., Radice, A., Ballio, F. Scale-based statistical analysis of sediment fluxes. Acta Geophys. 60, (6), 1744-1777 (2012).
  15. Radice, A., Nikora, V., Campagnol, J., Ballio, F. Active interactions between turbulence and bed load: Conceptual picture and experimental evidence. Water Resour Res. 49, (1), 90-99 (2013).
  16. Campagnol, J., Radice, A., Nokes, R., Bulankina, V., Lescova, A., Ballio, F. Lagrangian analysis of bed-load sediment motion: database contribution. J Hydraul Res. 51, (5), 589-596 (2013).
  17. Ballio, F., Radice, A. Fluctuations and time scales for bed-load sediment motion over a smooth bed. Int J Sediment Res. 30, (4), 321-327 (2015).
  18. Hosseini-Sadabadi, S. A., Radice, A., Ballio, F. An analysis of entrainment and deposition rate fluctuations in weak bed load transport. Hydrodynamic and mass transport at freshwater aquatic interfaces. Rowiński, P. M., Marion, A. Springer. 333-342 (2016).
  19. Papanicolaou, A. N., Diplas, P., Balakrishnan, M., Dancey, C. L. Computer vision technique for tracking bed load movement. J Comput Civil Eng. 13, (2), 71-79 (1999).
  20. Ramesh, B., Kothyari, U. C., Murugesan, K. Near-bed particle motion over transitionally-rough bed. J Hydraul Res. 49, (6), 757-765 (2011).
  21. Amir, M., Nikora, V., Witz, M. A novel experimental technique and its application to study the effects of particle density and flow submergence on bed particle saltation. J Hydraul Res. 55, (1), 101-113 (2017).
  22. Ettema, R. Ice effects on sediment transport in rivers. Sedimentation Engineering. Garcìa, M. H. Restion, VA. 613-648 (2008).
  23. Knack, I., Shen, H. Sediment transport in ice-covered channels. Int J Sediment Res. 30, (1), 63-67 (2015).
  24. Goring, D. G., Nikora, V. I. Despiking acoustic Doppler velocimeter data. J Hydraul Eng. 128, (1), 117-126 (2002).
  25. Nowak, M. Wall shear stress measurement in a turbulent pipe flow using ultrasound Doppler velocimetry. Exp Fluids. 33, (2), 249-255 (2002).
  26. McCuen, R. H. Microcomputer applications in statistical hydrology. Prentice Hall. Englewood Cliffs, NJ. (1993).
  27. Lloyd, P. M., Ball, D. J., Stansby, P. K. Unsteady surface-velocity field measurement using particle tracking velocimetry. J. Hydraul. Res. 33, (4), 519-534 (1995).
  28. Radice, A., Aleixo, R., Hosseini-Sadabadi, S. A., Sarkar, S. On image grabbing and processing for measurement of geophysical flows. Proc. HydroSenSoft 2017, International Symposium and Exhibition on Hydro-Environment Sensors and Software. Madrid, Spain. (2017).
  29. Nokes, R. Streams. System theory and design. University of Canterbury. Christchurch, New Zealand. Available from: http://www.civil.canterbury.ac.nz/streams.shtml (2016).
  30. Hosseini-Sadabadi, S. A., Radice, A., Ballio, F. Post-processing of particle tracking data for phenomenological depiction of weak bed-load sediment transport. Proc. River Flow 2016. VIII Int. Conf. on Fluvial Hydraulics, St. St. Louis, US. 780-786 (2016).
Bildbaserad Lagrangian Particle Tracking i Bed-load Experiments
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Radice, A., Sarkar, S., Ballio, F. Image-based Lagrangian Particle Tracking in Bed-load Experiments. J. Vis. Exp. (125), e55874, doi:10.3791/55874 (2017).More

Radice, A., Sarkar, S., Ballio, F. Image-based Lagrangian Particle Tracking in Bed-load Experiments. J. Vis. Exp. (125), e55874, doi:10.3791/55874 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter