Tuning machine learning hyperparameters in electrical tomography of masonry walls

• Autorzy: Rymarczyk Tomasz , Kłosowski Grzegorz , Rymarczyk Paweł , Sikora Jan , Adamkiewicz Przemysław , Oleszek Michał

Identyfikatory

DOI

0.15199/48.2022.03.23

Warianty tytułu

PL

Dostrajanie hiperparametrów uczenia maszynowego w tomografii elektrycznej ścian murowanych

• Języki publikacji: EN

Abstrakty

EN

The article presents a proposal for the final optimisation of the parameters of machine learning models in tomographic applications. In the case under consideration, electrical impedance tomography (EIT) was used to illustrate the distribution of moisture inside the walls of buildings. The mentioned topic focuses on optimising hyperparameters of machine learning models to optimise the efficiency of capturing accurate tomographic pictures. In the EIT, machine learning models are used to transform input measurements into output images. It is called an inverse or ill-posed problem that is difficult to solve due to insufficient arguments. In machine learning, the correct selection of model hyperparameters plays a key role. Therefore, the optimisation of these hyperparameters has a direct impact on the quality of the reconstruction. This article presents examples of hyperparameter optimisation for regression models and classification models based on the example of the k-nearest neighbours. The above methods were used in the electrical tomography system, intended to monitor and visualise the distribution of moisture inside the walls of buildings and structures. The results acquired during the research confirmed the high quality of the proposed methods.

PL

W artykule przedstawiono propozycję optymalizacji (dostrajania) parametrów modeli uczenia maszynowego w aplikacjach tomograficznych. W omawianym przypadku do zobrazowania rozkładu wilgoci wewnątrz ścian budynków wykorzystano elektryczną tomografię impedancyjną (EIT). Wspomniany temat koncentruje się na optymalizacji hiperparametrów modeli uczenia maszynowego w celu optymalizacji generowania obrazów tomograficznych o wysokiej jakości. W EIT modele uczenia maszynowego są wykorzystywane do przekształcania pomiarów wejściowych w obrazy wyjściowe. Ma to związek z tzw. problemem odwrotnym lub źle postawionym, który jest trudny do rozwiązania z powodu niewystarczającej liczby argumentów. W uczeniu maszynowym kluczową rolę odgrywa prawidłowy dobór hiperparametrów modelu. Dlatego optymalizacja tych hiperparametrów ma bezpośredni wpływ na jakość rekonstrukcji. W artykule przedstawiono przykłady optymalizacji hiperparametrów dla modeli regresyjnych, a także dla modeli klasyfikacyjnych na przykładzie metody k-najbliższych sąsiadów. Powyższe metody zostały zastosowane w systemie tomografii elektrycznej, przeznaczonym do monitorowania i wizualizacji rozkładu wilgoci wewnątrz ścian budynków i budowli. Uzyskane w trakcie badań wyniki potwierdziły wysoką jakość proponowanych metod.

Słowa kluczowe

EN

electrical tomography; machine learning; moisture inspection; damp walls

PL

tomografia elektryczna; uczenie maszynowe; wykrywanie wilgoci; zawilgocenie murów

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 3
• Strony: 102--105
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Rymarczyk Tomasz

• University of Economics and Innovation, Projektowa 4, Lublin, Poland
• Research and Development Center Netrix S.A., Wojciechowska 31, Lublin, Poland

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

autor

Kłosowski Grzegorz

• Lublin University of Technology, Nadbystrzycka 38A, Lublin, Poland

• https://orcid.org/0000-0001-7927-3674

autor

Rymarczyk Paweł

• Research and Development Center Netrix S.A., Wojciechowska 31, Lublin, Poland

• https://orcid.org/0000-0002-5990-4771

autor

Sikora Jan

• https://orcid.org/0000-0002-9492-5818

autor

Adamkiewicz Przemysław

• University of Economics and Innovation, Projektowa 4, Lublin, Poland

• https://orcid.org/0000-0003-3425-9566

autor

Oleszek Michał

• Research and Development Center Netrix S.A., Wojciechowska 31, Lublin, Poland

• https://orcid.org/0000-0002-8979-9650

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 (2021), 2777, doi:10.3390/en14102777.
• [2] Hoła A., Sadowski Ł., Non-destructive in situ identification of the moisture content in saline brick walls using artificial neural networks. In Proceedings of the Creative Construction Conference 2019, (2019), 77–82.
• [3] Surowska B., Majerski K., Bienias̈ J., Kłosowski G., Mechanical behaviour of hygrothermal conditioned fiber metal laminates. In Proceedings of the 16th European Conference on Composite Materials, ECCM 2014, (2014), 1–3.
• [4] Rymarczyk T., Kłosowski G., Hoła A., Hoła J., Sikora J., Tchórzewski P., Skowron Ł., Historical Buildings Dampness Analysis Using Electrical Tomography and Machine Learning Algorithms. Energies, 14 (2021), 1307, doi:10.3390/en14051307.
• [5] Szczesny A., Korzeniewska E., Selection of the method for the earthing resistance measurement, Przegląd Elektrotechniczny, 94 (2018), 178–181.
• [6] Duraj A., Korzeniewska E., Krawczyk A., Classification algorithms to identify changes in resistance. Przegląd Elektrotechniczny, 1 (2015), 82–84, doi:10.15199/48.2015.12.19.
• [7] Mikulka J., GPU-Accelerated Reconstruction of T2 Maps in Magnetic Resonance Imaging. Meas. Sci. Rev., 15 (2015), 210–218, doi:10.1515/msr-2015-0029.
• [8] Majchrowicz M., Kapusta P., Jackowska-Strumiłło L., Sankowski D., Acceleration of image reconstruction process in the electrical capacitance tomography 3D in heterogeneous, multi-GPU system. Informatics Control Meas. Econ. Environ. Prot., 7 (2017), 37–41, doi:10.5604/01.3001.0010.4579.
• [9] Adler A., Lionheart W.R.B., Uses and abuses of EIDORS: an extensible software base for EIT. Physiol. Meas., 27 (2006), 25–42, doi:10.1088/0967-3334/27/5/S03
• [10] Kryszyn J., Smolik W., Toolbox for 3D modelling and image reconstruction in electrical capacitance tomography. Informatics Control Meas. Econ. Environ. Prot. (2017), No. 7, 137–145, doi:10.5604/01.3001.0010.4603
• [11] Porzuczek J., Assessment of the Spatial Distribution of Moisture Content in Granular Material Using Electrical Impedance Tomography. Sensors, 19 (2019), 2807, doi:10.3390/s19122807
• [12] Rymarczyk T., New Methods to Determine Moisture Areas by Electrical Impedance Tomography, International Journal of Applied Electromagnetics and Mechanics, 52 (2016), 79-87
• [13] Rymarczyk T., Filipowicz S.F., Measurement Methods and Image Reconstruction in Electrical Impedance Tomography. Przeglad Elektrotechniczny, 88 (2012), No.6, 247-250