Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej
MNiSW
70
Lista 2021
Status:
Warianty tytułu:
Metody EIT do wykrywania uszkodzeń składowisk i wałów przeciwpowodziowych)
Autorzy: Rymarczyk Tomasz, Kłosowski Grzegorz
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2019
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 5
Wolumen/Tom: 95
Strony: 51 - 54
Web of Science® Times Cited: 0
Scopus® Cytowania: 0
Bazy: Web of Science | Scopus
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: 1 maja 2019
Abstrakty: angielski | polski
This paper presents a method examining landfills and flood embankments using electrical impedance tomography (EIT). Numerical and optimization methods were based on hybrid algorithms included neural networks connected with one of 3 statistical methods: generalized linear regression (GLR), generalized linear regression with stepwise regression (GLR-SR) and ElasticNET. The discussed techniques can be applied to the solution of inverse problems in EIT. The algorithms to identify unknown internal conductivities of the tested objects were implemented.
W artykule przedstawiono metodę badania uszkodzeń składowisk odpadów płynnych i wałów przeciwpowodziowych za pomocąelektrycznej tomografii impedancyjnej (EIT). Metody numeryczne i optymalizacyjne oparto na algorytmach hybrydowych obejmujących sieci neuronowe połączone z jedną z 3 metod statystycznych: uogólnioną regresją liniową (GLR), uogólnioną regresją liniową z regresją krokową (GLR-SR) oraz ElasticNET. Omówione techniki można zastosować do rozwiązania problemów odwrotnych w EIT. Zastosowane algorytmy umożliwiająidentyfikację nieznanych wartości konduktancji wnętrza badanych obiektów.