Algorithmic methods of improving the imaging of flood embankments interior with the use of electrical tomography

• Autorzy: Rymarczyk Tomasz , Kłosowski Grzegorz , Kozłowski Edward , Sikora Jan , Adamkiewicz Przemysław

Identyfikatory

DOI

10.15199/48.2022.05.32

Warianty tytułu

PL

Algorytmiczne metody poprawy obrazowania wnętrza wałów przeciwpowodziowych z wykorzystaniem tomografii elektrycznej

• Języki publikacji: EN

Abstrakty

EN

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.

Słowa kluczowe

EN

electrical tomography; machine learning; flood bank

PL

tomografia elektryczna; uczenie maszynowe; wał przeciwpowodziowy

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 5
• Strony: 169--172
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Rymarczyk Tomasz

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

autor

Kłosowski Grzegorz

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

autor

Kozłowski Edward

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

autor

Sikora Jan

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

autor

Adamkiewicz Przemysław

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

Bibliografia

• [1] Polakowski K., Sikora J., Filipowicz S.F., Rymarczyk T., Tomography Technology Application for Workflows of Gases Monitoring in the Automotive Systems, Przeglad Elektrotechniczny 84(12) , 227-229, 2008.
• [2] Polakowski K., Filipowicz S.F., Sikora J., Rymarczyk T., Quality of Imaging in Multipath Tomography, Przeglad Elektrotechniczny 85(12), 134-136, 2009.
• [3] Rymarczyk T.: New Methods to Determine Moisture Areas by Electrical Impedance Tomography, International Journal of Applied Electromagnetics and Mechanics, 52, 79-87, 2016.
• [4] Rymarczyk T., Filipowicz S.F.: Measurement Methods and Image Reconstruction in Electrical Impedance Tomography. Przeglad Elektrotechniczny, 88 6), 247-250, 2012.
• [5] Rymarczyk T., Tchórzewski P., Sikora J.: Implementation of Electrical Impedance Tomography for Analysis of Building Moisture Conditions, Compel The international journal for computation and mathematics in electrical and electronic engineering, 37(5), 1837-1861, 2018.
• [6] Porzuczek, J. Assessment of the Spatial Distribution of Moisture Content in Granular Material Using Electrical Impedance Tomography. Sensors (2019), 19, 2807, doi:10.3390/s19122807.
• [7] Rymarczyk, T.; Kozłowski, E.; Kłosowski, G.; Niderla, K. Logistic Regression for Machine Learning in Process Tomography. Sensors (2019), 19, 3400, doi:10.3390/s19153400.
• [8] Babout, L.; Grudzień, K.; Wiącek, J.; Niedostatkiewicz, M.; Karpiński, B.; Szkodo, M. Selection of material for X-ray tomography analysis and DEM simulations: comparison between granular materials of biological and non-biological origins. Granul. Matter (2018), 20, 38, doi:10.1007/s10035-018-0809-y.
• [9] Bartusek, K.; Fiala, P.; Mikulka, J. Numerical modeling ofmagnetic field deformation as related to susceptibility measured with an MR system. Radioengineering (2008), 17, 113–118.
• [10] Kłosowski, G.; Rymarczyk, T.; Wójcik, D.; Skowron, S.; Cieplak, T.; Adamkiewicz, P. The Use of Time-Frequency Moments as Inputs of LSTM Network for ECG Signal Classification. Electronics (2020), 9, 1452, doi:10.3390/electronics9091452.
• [11] Ziolkowski, M.; Gratkowski, S.; Zywica, A.R. Analytical and numerical models of the magnetoacoustic tomography with magnetic induction. COMPEL - Int. J. Comput. Math. Electr. Electron. Eng. (2018), 37, 538–548, doi:10.1108/COMPEL-12-2016-0530.
• [12] Sekulska-Nalewajko, J.; Gocławski, J.; Korzeniewska, E. A method for the assessment of textile pilling tendency using optical coherence tomography. Sensors (Switzerland) (2020), 20, 1–19, doi:10.3390/s20133687.
• [13] Korzeniewska, E.; Sekulska-Nalewajko, J.; Gocławski, J.; Dróżdż, T.; Kiełbasa, P. Analysis of changes in fruit tissue after the pulsed electric field treatment using optical coherence tomography. Eur. Phys. J. Appl. Phys. (2020), 91, 30902, doi:10.1051/EPJAP/2020200021.
• [14] Kłosowski, G.; Rymarczyk, T.; Gola, A. Increasing the reliability of flood embankments with neural imaging method. Appl. Sci. (2018), 8, 1457, doi:10.3390/app8091457.
• [15] Kryszyn, J.; Smolik, W. Toolbox for 3D modelling and image reconstruction in electrical capacitance tomography. Informatics Control Meas. Econ. Environ. Prot. (2017), 7, 137–145, doi:10.5604/01.3001.0010.4603.
• [16] Adler, A.; Lionheart, W.R.B. Uses and abuses of EIDORS: an extensible software base for EIT. Physiol. Meas. (2006), 27, S25–S42, doi:10.1088/0967-3334/27/5/S03.
• [17] Bonet, I.; Rodríguez, A.; Grau, R.; García, M.M.; Saez, Y.; Nowé, A. Comparing Distance Measures with Visual Methods. In Proceedings of the Advances in Artificial Intelligence. MICAI 2008. Lecture Notes in Computer Science; Gelbukh, A., Morales, E.F., Eds.; MICAI 2008: Springer, Berlin,Heidelberg, (2008); pp. 90–99.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).