Multi-domain signal processing and hybrid deep learning for robust ultrasonic tomography in industrial reactors
Artykuł w czasopiśmie
MNiSW
100
Lista 2024
| Status: | |
| Autorzy: | Kulisz Monika, Kłosowski Grzegorz, Rymarczyk Tomasz, Niderla Konrad, Sikora Jan |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 8 |
| Wolumen/Tom: | 20 |
| Strony: | 430 - 442 |
| Impact Factor: | 1,5 |
| Web of Science® Times Cited: | 0 |
| Bazy: | Web of Science |
| Efekt badań statutowych | NIE |
| Finansowanie: | publikacja finansowana przez współautorów |
| 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: | 1 lipca 2026 |
| Abstrakty: | angielski |
| Monitoring industrial reactors using ultrasonic tomography requires solving a strongly nonlinear and ill-posed inverse problem based on limited, noisy boundary measurements. This paper proposes a novel hybrid deep learning architecture that utilizes multi-domain signal processing via the Hilbert transform, Fourier transform, and S-transform (HFS) approximation. Instead of processing raw time-of-flight sequences directly, they were converted into three-channel descriptors, and the training dataset was explicitly augmented with 5% Gaussian noise to make the model resilient to real-world measurement disturbances. Evaluation proved the significant superiority of the proposed approach over the baseline model analyzing raw signals. The HFS architecture reduced the Mean Squared Error from 0.241 to 0.128 and substantially increased the Pearson Correlation Coefficient from 0.624 to 0.863. This confirms that the proposed approach yields higher spatial localization fidelity, better preserves the geometry of submerged objects, and effectively suppresses background artifacts. The proposed framework provides a reliable and stable data-driven tomographic imaging tool for multiphase processes. |
