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
140
Lista 2021
Status:
Autorzy: Rymarczyk Tomasz, Kłosowski Grzegorz, Hoła Anna, Sikora Jan, Wołowiec Tomasz, Tchórzewski Paweł, Skowron Stanisław
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2021
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 10
Wolumen/Tom: 14
Numer artykułu: 2777
Strony: 1 - 22
Impact Factor: 3,252
Web of Science® Times Cited: 34
Scopus® Cytowania: 40
Bazy: Web of Science | Scopus | Ei Compendex | RePEc | AGRIS | Inspec | CAPlus / SciFinder | and many other databases
Efekt badań statutowych NIE
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: 12 maja 2021
Abstrakty: angielski
This paper presents the results of research on the use of machine learning algorithms and electrical tomography in detecting humidity inside the walls of old buildings and structures. The object of research was a historical building in Wrocław, Poland, built in the first decade of the 19th century. Using the prototype of an electric tomograph of our own design, a number of voltage measurements were made on selected parts of the building. Many algorithmic methods have been preliminarily analyzed. Ultimately, the three models based on machine learning were selected: linear regression with SVM (support vector machine) learner, linear regression with least squares learner, and a multilayer perceptron neural network. The classical Gauss–Newton model was also used in the comparison. Both the experiments based on real measurements and simulation data showed a higher efficiency of machine learning methods than the Gauss–Newton method. The tomographic methods surpassed the point methods in measuring the dampness in the walls because they show a spatial image of the interior and not separate points of the examined cross-section. Research has shown that the selection of a machine learning model has a large impact on the quality of the results. Machine learning has a greater potential to create correct tomographic reconstructions than traditional mathematical methods. In this research, linear regression models performed slightly worse than neural networks.