Algorithmic methods of improving the imaging of flood embankments interior with the use of electrical tomography
Artykuł w czasopiśmie
MNiSW
70
Lista 2021
| Status: | |
| Warianty tytułu: |
Algorytmiczne metody poprawy obrazowania wnętrza wałów przeciwpowodziowych z wykorzystaniem tomografii elektrycznej
|
| Autorzy: | Rymarczyk Tomasz, Kłosowski Grzegorz, Kozłowski Edward, Sikora Jan, Adamkiewicz Przemysław |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2022 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 5 |
| Wolumen/Tom: | 98 |
| Strony: | 169 - 172 |
| Impact Factor: | 0,5 |
| Web of Science® Times Cited: | 0 |
| Scopus® Cytowania: | 0 |
| Bazy: | Web of Science | Scopus | BazTech | EBSCO | INSPEC |
| 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 maja 2022 |
| Abstrakty: | angielski | polski |
| The article presents an algorithmic method of improving the efficiency of imaging the interior of flood embankments using electrical impedance tomography (EIT). The concept of optimizing hyperparameters of several selected machine learning models was presented, thanks to which the efficiency of generating accurate/faithful tomographic images was increased. In electrical impedance tomography, machine learning models are used to transform measured voltages into output images. This transformation consists in resolving the so-called inverse problem. In all machine learning models, the selection of hyperparameters plays a significant role. This selection is the goal of the model learning process. Therefore, the effectiveness of the algorithms that optimize this choice directly impacts the quality of the reconstruction. This article presents examples of algorithmic ways to optimize machine learning models based on linear regression, artificial neural networks, and classification models using the k-nearest neighbour's method. The above models were implemented in an electrical tomography system to monitor the internal integrity of flood embankments, dams, dykes and/or dams. The results of the conducted experiments confirm the effectiveness of the proposed solutions. | |
| W artykule przedstawiono algorytmiczny sposób poprawy skuteczności obrazowania wnętrza wałów przeciwpowodziowych przy użyciu elektrycznej tomografii impedancyjnej (EIT). Zaprezentowano koncepcję optymalizacji hiperparametrów kilku wybranych modeli uczenia maszynowego, dzięki której zwiększono efektywność generowania dokładnych/wiernych obrazów tomograficznych. W impedancyjnej tomografii elektrycznej modele uczenia maszynowego są wykorzystywane do przekształcania zmierzonych wartości napięć na obrazy wyjściowe. Ta transformacja polega na rozwiązaniu tzw. inverse problem. We wszystkich modelach uczenia maszynowego niezwykle ważną rolę odgrywa dobór hiperparametrów. Dobór ten jest celem procesu uczenia modeli. Dlatego skuteczność algorytmów optymalizujących ten wybór ma bezpośredni wpływ na jakość rekonstrukcji. W niniejszym artykule przedstawiamy przykłady algorytmicznych sposobów optymalizacji modeli uczenia maszynowego w oparciu o regresję liniową, sztuczne sieci neuronowe, a także modele klasyfikacyjne z wykorzystaniem metody k-najbliższych sąsiadów. Powyższe modele zaimplementowano w systemie tomografii elektrycznej, do monitorowania integralności wewnętrznej wałów przeciwpowodziowych, zapór, grobli i/lub tam. Wyniki przeprowadzonych eksperymentów potwierdzają skuteczność proponowanych rozwiązań. |
