Gostujuće predavanje dr. Ben J. Wolfa s Tehnološkog sveučilišta Delft iz Nizozemske

Laboratorij za inteligentne autonomne sustave LARIAT ugostit će dr. Ben J. Wolfa s Tehnološkog sveučilišta Delft iz Nizozemske koji će održati gostujuće predavanje „Hydrodynamic Imaging using Artificial Intelligence – Hidrodinamičko snimanje pomoću umjetne inteligencije“ u petak, 25. studenoga u 10:00 sati u sveučilišnoj zgradi na adresi Ćira Carića 4, u predavaonici D1.

Ben J. Wolf stekao je doktorat (cum laude) iz umjetne inteligencije na Sveučilištu Groningen u Nizozemskoj 2020. godine na temu Hidrodinamičke slike. Trenutno je postdoktorski istraživač u Centru za sustave i kontrolu u Delftu, na Tehnološkom sveučilištu u Delftu, s radom usmjerenim na detekciju otpada pod vodom koja se temelji na slikama u kontekstu projekta SeaClear: suradnje koja između ostalih uključuje UNIDU i DUNEA-u. Glavni koordinator projekta SeaClear je Tehnološko sveučilište Delft, Nizozemska. Njegovi istraživački interesi uključuju strojno učenje, neuronske mreže, robotiku i hidrodinamički senzor.

Na ovom predavanju naslova Hydrodynamic Imaging using Artificial Intelligence bit će prilike za čuti više o tome kako se istražuju informacije koje iza sebe ostavljaju podvodni objekti, kako se te informacije mogu mjeriti i kako se mogu koristiti za identifikaciju svojstava tih objekata, kao što je njihov relativni položaj i oblik. U tu svrhu razvijena je nova vrsta floid flow senzora, koji su, prvi put, sposobni za mjerenje brzine protoka tekućine u dvije dimenzije – što se pokazalo korisnim za hidrodinamičko snimanje: određivanje svojstava pokretnih objekata mjerenjem njihovog proizvedenog protoka. Mreža ovih senzora protoka raspoređena je na različitim duljinama, od nekoliko centimetara do nekoliko metara. Mjerenja koja proizlaze mjerenjem obližnjih objekata u pokretu koriste se kako bi se pokazalo da se hidrodinamička slika može znatno povećati u odnosu na svoje biološke dimenzije. Mjerenja protoka obrađuju se raznim umjetnim neuronskim mrežama i deep learning metodama, uključujući ELM, MLP, ESN, LSTM i CNN. Pokazalo se da su prikladni za određivanje lokacije objekta, njegovog smjera kretanja ili oblika isključivo na temelju podataka o protoku tekućine.


Predhodni članakE-JN-137-2022 PVC Otvori
Slijedeći članakPoziv na Informativni dan programa Obzor Europa na Sveučilištu u Dubrovniku