Random forest method to identify seepage in flood embankments

• Autorzy: Król Krzysztof , Rymarczyk Tomasz , Gołąbek Michał , Wójcik Dariusz , Niderla Konrad , Kozłowski Edward

Identyfikatory

DOI

10.15199/48.2022.02.44

Warianty tytułu

PL

Metoda drzew losowych do identyfikacji przesiąkania w wałach przeciwpowodziowych

• Języki publikacji: EN

Abstrakty

EN

he paper presents research on the effectiveness of testing infiltration in flood embankments using electrical impedance tomography. The usefulness of the algorithm was verified and also the best results were checked. In order to test the reconstructive algorithms obtained during the research, images were generated based on simulation measurements. For this purpose, a special model of the embankment was built. In order to obtain feedback on the degree of infiltration in the flood embankment, prediction by means of the Random Forest method was used.

PL

W artykule przedstawiono badania nad efektywnością badania infiltracji w wałach przeciwpowodziowych za pomocą elektrycznej tomografii impedancyjnej. Zweryfikowano przydatność algorytmu, a także sprawdzono najlepsze wyniki. W celu przetestowania uzyskanych w trakcie badań algorytmów rekonstrukcyjnych wygenerowano obrazy na podstawie pomiarów symulacyjnych. W tym celu zbudowano specjalny model wału przeciwpowodziowego. W celu uzyskania informacji zwrotnej o stopniu przesiąkania w wale przeciwpowodziowym zastosowano predykcję za pomocą metody Random Forest.

Słowa kluczowe

EN

random forest; tomography; seepage in flood embankment

PL

las losowy; tomografia; przesiąkanie wałów przeciwpowodziowych

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 2
• Strony: 191--194
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Król Krzysztof

• Research and Development Center, Netrix S.A

• https://orcid.org/0000-0002-0114-2794

autor

Rymarczyk Tomasz

• Research and Development Center, Netrix S.A
• University of Economics and Innovation, Projektowa 4, Lublin

• https://orcid.org/0000-0002-3524-9151

autor

Gołąbek Michał

• Research and Development Center, Netrix S.A

• https://orcid.org/0000-0002-3524-9151

autor

Wójcik Dariusz

• Research and Development Center, Netrix S.A

• https://orcid.org/0000-0002-4200-3432

autor

Niderla Konrad

• Research and Development Center, Netrix S.A
• University of Economics and Innovation, Projektowa 4, Lublin

• https://orcid.org/0000-0003-1280-0622

autor

Kozłowski Edward

• Lublin University of Technology, Nadbystrzycka 38, Lublin

• https://orcid.org/0000-0002-7147-4903

Bibliografia

• [1] Rymarczyk T., Kłosowski G., Hoła A., Sikora J., Wołowiec T., Tchórzewski P., Skowron S., Comparison of Machine Learning Methods in Electrical Tomography for Detecting Moisture in Building Walls, Energies, 14(10), 2777; 2021.
• [2] Rymarczyk T., Kozłowski E., Kłosowski G., Electrical impedance tomography in 3D flood embankments testing – elastic net approach, Transactions of the Institute of Measurement and Control, 42(4), 680-690, 2020.
• [3] Rymarczyk T., Nita P., Vejar A., Woś M., Stefaniak B., Adamkiewicz P.: Wearable mobile measuring device based on electrical tomography, Przegląd Elektrotechniczny, 95(4), 211- 214, 2019.
• [4] Rymarczyk T., Kłosowski G., Tchórzewski P., Cieplak T., Kozłowski E.: Area monitoring using the ERT method with multisensor electrodes, Przegląd Elektrotechniczny, 95(1), 153- 156, 2019.
• [5] Koulountzios P., Rymarczyk T., Soleimani M., A quantitative ultrasonic travel-time tomography system for investigation of liquid compounds elaborations in industrial processes, Sensors, 19(23), 5117, 2019.
• [6] Kłosowski G., Rymarczyk T., Kania K., Świć A., Cieplak T., Maintenance of industrial reactors based on deep learning driven ultrasound tomography, Eksploatacja i Niezawodnosc – Maintenance and Reliability; 22(1), 138–147, 2020.
• [7] Kłosowski G., Rymarczyk T., Cieplak T., Niderla K., Skowron Ł., Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography, Sensors, 20(11), 3324, 2020. 8] Miłak, M., Leszczyńska, A., Grudzień, K., Romanowski, A., & Sankowski, D. (2019). Slug flow velocity estimation during pneumatic conveying of bulk solid materials based on image processing techniques. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 9(1), 11-14.
• [9] Kłosowski G., Rymarczyk T., Wójcik D., Skowron S., Adamkiewicz P., The Use of Time-Frequency Moments as Inputs of LSTM Network for ECG Signal Classification, Electronics, 9(9), 1452, 2020.
• [10 ]Kryszyn, J., Wanta, D., Smolik, W. T. (2019). Evaluation of the electrical capacitance tomography system for measurement using 3d sensor. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 9(4), 52-59.
• [11] Korzeniewska E., Krawczyk A., Stando J., Torsion field - an example of pseudo-scientific concept in physics, Przeglad Elektrotechniczny, Volume97, Issue1, Page196-199, DOI10.15199/48.2021.01.41, 2021.
• [12] Korzeniewska, E; Szczesny, A; Lipinski, P; Drozdz, T; Kielbasa, P; Miernik, A, Prototype of a Textronic Sensor Created with a Physical Vacuum Deposition Process for Staphylococcus aureus Detection, SENSORS Volume: 21 Issue: 1 Article Number: 183, 2021.
• [13] Wajman, R; Banasiak, R; Babout, L, On the Use of a Rotatable ECT Sensor to Investigate Dense Phase Flow: A Feasibility Study, SENSORS Volume: 20 Issue: 17 Article Number: 4854, 2020.
• [14] Banasiak, R.; Wajman, R.; Jaworski, T.; Fiderek, P.; Fidos, H.; Nowakowski, J.; Sankowski, D. Study on two-phase flow regime visualization and identification using 3D electrical capacitance tomography and fuzzy-logic classification. Int. J. Multiph. Flow 2014, 58, 1–14.
• [15] Jan Dusek, Jan Mikulka, Measurement-Based Domain Parameter Optimization in Electrical Impedance Tomography Imaging, Sensors 2021, 21(7), 2507
• [16] Daniewski K., Kosicka E., Mazurkiewicz D., Analysis of the correctness of determination of the effectiveness of maintenance service actions. Management and Production Engineering Review 9 (2018); No. 2, 20-25.
• [17] Romanowski, A. Contextual Processing of Electrical Capacitance Tomography Measurement Data for Temporal Modeling of Pneumatic Conveying Process. In Proceedings of the 2018 Federated Conference on Computer Science and Information Systems (FedCSIS), Poznan, Poland, 9–12 September 2018; 283–286.
• [18] Chen, B.; Abascal, J.; Soleimani, M. Extended Joint Sparsity Reconstruction for Spatial and Temporal ERT Imaging. Sensors 2018, 18, 4014.
• [19] T. Hastie, R. Tibshirani, J. Friedman, The elements of statistical learning, Springer-Verlag New York Inc., 2009.
• [20] James G., Witten D., Hastie T., Tibshirani R., An introduction to statistical learning, Springer-Verlag GmbH, 2013.
• [21] Fawcett T., An introduction to ROC analysis, Pattern Recognition Letters. 27 (2006) 861–874.
• [22] Hand D.J., Till ., R.J., A simple generalisation of the area under the ROC curve for multiple class classification problems, Machine Learning. 45 (2001) 171–186.
• [23] Friedman J., Hastie T., Tibshirani R., Regularisation paths for generalised linear models via coordinate descent, Journal of Statistical Software. 33 (2010) 1.
• [24] Hosmer Jr D.W., Lemeshow S., Sturdivant R.X., Applied logistic regression, John Wiley & Sons, 2013.
• [25] Breiman L., Friedman J., Stone C.J., Olshen R.A., Classification and regression trees, CRC press, 1984.
• [26] Kozłowski E., Mazurkiewicz D., Sȩp J., Żabiński T., The use of principal component analysis and logistic regression for cutter state identification, in: Innovations in Industrial Engineering, Springer International Publishing, 2021: pp. 396–405.
• [27] Antosz K., Mazurkiewicz D., Kozłowski E., Sęp J., Żabiński T., Machining process time series data analysis with a decision support tool, in: Lecture Notes in Mechanical Engineering, Springer International Publishing, 2021: pp. 14–27.
• [28] Breiman L., Bagging predictors, Machine Learning. 24 (1996) 123–140
• [29] Breiman L., Random forests, Machine Learning. 45 (2001) 5–32.