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

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
140
Lista 2021
Status:
Autorzy: Rymarczyk Tomasz, Kłosowski Grzegorz, Hoła Anna, Hoła Jerzy, Sikora Jan, Tchórzewski Paweł, Skowron Łukasz
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2021
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 5
Wolumen/Tom: 14
Strony: 1 - 25
Web of Science® Times Cited: 13
Scopus® Cytowania: 15
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Finansowanie: This research was funded by The National Centre for Research and Development, grant number POIR.01.01.01-00-0167/15.
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 27 stycznia 2021
Abstrakty: angielski
The article deals with the problem of detecting moisture in the walls of historical build-ings. As part of the presented research, the following four methods based on mathematical model-ing and machine learning were compared: total variation, least-angle regression, elastic net, and artificial neural networks. Based on the simulation data, the systems for the reconstruction of “pixel by pixel” tomographic images were trained. In order to test the reconstructive algorithms obtained during the research, images were generated based on real measurements and simulation cases. The method comparison was performed on the basis of three indicators: mean square error, relative im-age error, and image correlation coefficient. The above indicators were applied to four selected var-iants that corresponded to various parts of the walls. The variants differed in the dimensions of the tested wall sections, the number of electrodes used, and the resolution of the 3D image meshes. In all analyzed variants, the best results were obtained using the elastic net algorithm. In addition, all machine learning methods generated better tomographic reconstructions than the classic Total Var-iation method.