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
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
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.