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: Kłosowski Grzegorz, Hoła Anna, Rymarczyk Tomasz, Skowron Łukasz, Wołowiec Tomasz, Kowalski Marcin
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2021
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 22
Wolumen/Tom: 14
Numer artykułu: 7617
Strony: 1 - 21
Impact Factor: 3,252
Web of Science® Times Cited: 13
Scopus® Cytowania: 13
Bazy: Web of Science | Scopus
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: 15 listopada 2021
Abstrakty: angielski
This paper refers to an original concept of tomographic measurement of brick wall humidity using an algorithm based on long short-term memory (LSTM) neural networks. The measurement vector was treated as a data sequence with a single time step in the presented study. This approach enabled the use of an algorithm utilising a recurrent deep neural network of the LSTM type as a system for converting the measurement vector into output images. A prototype electrical impedance tomograph was used in the research. The LSTM network, which is often employed for time series classification, was used to tackle the inverse problem. The task of the LSTM network was to convert 448 voltage measurements into spatial images of a selected section of a historical building’s brick wall. The 3D tomographic image mesh consisted of 11,297 finite elements. A novelty is using the measurement vector as a single time step sequence consisting of 448 features (channels). Through the appropriate selection of network parameters and the training algorithm, it was possible to obtain an LSTM network that reconstructs images of damp brick walls with high accuracy. Additionally, the reconstruction times are very short.