Maintenance of industrial reactors supported by deep learning driven ultrasound tomography
Artykuł w czasopiśmie
MNiSW
140
Lista 2021
| Status: | |
| Warianty tytułu: |
Eksploatacja reaktorów przemysłowych ze wspomaganiem tomografii ultradźwiękowej i algorytmów głębokiego uczenia
|
| Autorzy: | Kłosowski Grzegorz, Rymarczyk Tomasz, Kania Konrad, Świć Antoni, Cieplak Tomasz |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2020 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 1 |
| Wolumen/Tom: | 22 |
| Strony: | 138 - 142 |
| Impact Factor: | 2,176 |
| Web of Science® Times Cited: | 71 |
| Scopus® Cytowania: | 92 |
| Bazy: | Web of Science | Scopus | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 31 marca 2020 |
| Abstrakty: | angielski | polski |
| Monitoring of industrial processes is an important element ensuring the proper maintenance of equipment and high level of processes reliability. The presented research concerns the application of the deep learning method in the field of ultrasound tomography (UST). A novel algorithm that uses simultaneously multiple classification convolutional neural networks (CNNs) to generate monochrome 2D images was developed. In order to meet a compromise between the number of the networks and the number of all possible outcomes of a single network, it was proposed to divide the output image into 4-pixel clusters. Therefore, the number of required CNNs has been reduced fourfold and there are 16 distinct outcomes from single network. The new algorithm was first verified using simulation data and then tested on real data. The accuracy of image reconstruction exceeded 95%. The results obtained by using the new CNN clustered algorithm were compared with five popular machine learning algorithms: shallow Artificial Neural Network, Linear Support Vector Machine, Classification Tree, Medium k-Nearest Neighbor classification and Naive Bayes. Based on this comparison, it was found that the newly developed method of multiple convolutional neural networks (MCNN) generates the highest quality images. | |
| Monitorowanie procesów przemysłowych jest ważnym elementem zapewniającym właściwą eksploatację urządzeń i wysoki poziom niezawodności procesów. Prezentowane badania dotyczą zastosowania metod głębokiego uczenia w obszarze eksploatacji zbiornikowych reaktorów przemysłowych. W procesach przemysłowych opartych na reakcjach chemicznych zachodzących wewnątrz procesowej tomografii ultradźwiękowej (UST). Opracowano nowatorski algorytm wykorzystujący jednocześnie wiele klasyfikacyjnych splotowych sieci neuronowych (CNN) do generowania monochromatycznych obrazów 2D. Aby osiągnąć kompromis między liczbą sieci a liczbą wszystkich możliwych wyników pojedynczej sieci, zaproponowano podział obrazu wyjściowego na klastry 4-pikselowe. W związku z tym liczba wymaganych CNN została czterokrotnie zmniejszona i istnieje 16 różnych wyników z jednej sieci. Nowy algorytm został najpierw zweryfikowany przy użyciu danych symulacyjnych, a następnie przetestowany na danych rzeczywistych. Dokładność rekonstrukcji obrazu przekroczyła 95%. Wyniki uzyskane przy użyciu nowego algorytmu klastrowego CNN zostały porównane z pięcioma popularnymi algorytmami uczenia maszynowego: płytką sztuczną siecią neuronową, maszyną liniowego wektora wsparcia, drzewem klasyfikacji, klasyfikacją średniego k-najbliższego sąsiada i naiwnym Bayesem. Na podstawie tego porównania stwierdzono, że nowo opracowana metoda wielu splotowych sieci neuronowych (MCNN) generuje obrazy o najwyższej jakości. |
