Application of neural reconstruction of tomographic images in the problem of reliability of flood protection facilities

• Autorzy: Rymarczyk T. , Kłosowski G.

Identyfikatory

DOI

10.17531/ein.2018.3.11

Warianty tytułu

PL

Zastosowanie neuronowej rekonstrukcji obrazów tomograficznych w problematyce niezawodności zabezpieczeń przeciwpowodziowych

• Języki publikacji: EN PL

Abstrakty

EN

The article presents an innovative concept of enhancing the flood embankments and landfills monitoring. The key advantage of such a solution is to obtain a more detailed distribution of components within a flood barrier. It leads to more early and sufficient threat detection, considering the exploitation of the building, thus - a vast enhancement of an embankment’s performance. The method is based on implementing a neural system, composed of a number of parallelly-working neural networks. Each of them generate a singular point of final output view. By implementing such monitoring measures it is possible to successfully reconstruct two-and-three dimensional models of flood barriers and dams - including possible breaches and damages within its inner structure. An important advantage of such a solution is the possibility of replacing the systems that monitor hydrotechnical facilities pixel-by- pixel by neural imaging. The performed research leads to solving the problem of low resolution of such images. As this problem was of crucial value to tomographic imaging method, it was a main obstacle to the development of neural reconstruction method. Moreover, as the results may be obtained in real-time and at various levels, these new functionalities stand out in comparison to currently used methods for monitoring protective banks.

PL

W artykule zaprezentowano nowatorską koncepcję usprawnienia monitoringu wałów i zapór przeciwpowodziowych. Główną przewagą nowego rozwiązania nad znanymi metodami jest uzyskanie dokładniejszego rozkładu komponentów wnętrza zapory, co zasadniczo przyczynia się do wczesnego i niezawodnego wykrycia zagrożeń związanych z eksploatacją tego typu budowli. Dzięki temu, zastosowanie nowej metody spowoduje wzrost niezawodności zabezpieczeń przeciwpowodziowych. W opisywanej metodzie założono wytrenowanie systemu neuronowego złożonego z wielu działających równolegle sieci neuronowych, z których każda generuje pojedynczy punkt obrazu wyjściowego. Powyższy sposób, uwzględniający jednoczesne zastosowanie wielu sieci neuronowych, umożliwia skuteczną realizację trudnych zagadnień rekonstrukcji obrazów dwu i trój-wymiarowych, w tym obrazowanie uszkodzeń i przecieków wnętrza zapór przeciwpowodziowych. Ważną zaletą prezentowanej metody jest możliwość zastąpienia obrazowaniem neuronowym wielu innych, obecnie stosowanych systemów, które monitorują budowle hydrotechniczne w sposób punktowy. Przeprowadzone badania umożliwiają rozwiązanie problemu niskiej rozdzielczości obrazów tomograficznych, co stanowi główną barierę rozwoju tych metod w odniesieniu do dużych budowli ziemnych. Poprawa rozdzielczości rekonstruowanych obrazów, a także możliwość ich uzyskiwania w różnych przekrojach w czasie rzeczywistym, są nowymi funkcjonalnościami, które wyróżniają obrazowanie neuronowe na tle obecnie stosowanych metod monitoringu wałów i zapór przeciwpowodziowych.

Słowa kluczowe

EN

electric tomography; flood embankments and landfills; hydrotechnical facilities exploitation; neural networks; numerical methods

PL

tomografia elektryczna; zapory i wały przeciwpowodziowe; eksploatacja budowli hydrotechnicznych; sieci neuronowe; metody numeryczne

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2018
• Tom: Vol. 20, no. 3
• Strony: 425--434
• Opis fizyczny: Bibliogr. 26 poz., rys. kolor.

Twórcy

autor

Rymarczyk T.

• University of Economics and Innovation ul. Projektowa 4, 20-209 Lublin, Poland Research and Development Center, Netrix S.A. ul. Związkowa 26, 20-148 Lublin, Poland

autor

Kłosowski G.

• Lublin University of Technology Department of Organization of Enterprise ul. Nadbystrzycka 38, 20-618 Lublin, Poland

Bibliografia

• 1. Adedigba S A, Khan F, Yang M. Dynamic failure analysis of process systems using neural networks. Process Safety and Environmental Protection 2017; 111: 529-543, https://doi.org/10.1016/j.psep.2017.08.005.
• 2. Banasiak R, Wajman R, Sankowski D, Soleimani M. Three-Dimensional Nonlinear Inversion of Electrical Capacitance Tomography Data Using a Complete Sensor Model. Progress In Electromagnetics Research (PIER) 2010; 100: 219-234, https://doi.org/10.2528/PIER09111201.
• 3. Beckers B, Schütt B. The elaborate floodwater harvesting system of ancient Resafa in Syria–Construction and reliability. Journal of arid environments 2013; 96: 31-47, https://doi.org/10.1016/j.jaridenv.2013.04.004.
• 4. Bouzelha K, Hammoum H, Amirouche C, Chaouadi T. Reliability analysis of stability to sliding of earthen embankment under seismic effect. Procedia Structural Integrity 2017; 5: 77-84, https://doi.org/10.1016/j.prostr.2017.07.070.
• 5. Curt C, Talon A. Assessment and control of the quality of data used during dam reviews by using expert knowledge and the ELECTRE TRI method. Journal of Computing in Civil Engineering 2011; 27.1: 10-17, https://doi.org/10.1061/(ASCE)CP.1943-5487.0000187.
• 6. Gamse S, Zhou W H, Tan F, Yuen K V, Oberguggenberger M. Hydrostatic-season-time model updating using Bayesian model class selection. Reliability Engineering & System Safety 2018; 169: 40-50, https://doi.org/10.1016/j.ress.2017.07.018.
• 7. Gottardi G, Gragnano C G, Rocchi I, Bittelli M. Assessing River Embankment Stability Under Transient Seepage Conditions. Procedia Engineering 2016; 158: 350-355; https://doi.org/10.1016/j.proeng.2016.08.454.
• 8. Hawryluk M, Mrzygłód B. A durability analysis of forging tools for different operating conditions with application of a decision support system based on artificial neural networks (ANN). Eksploatacja i Niezawodnosc – Maintenance and Reliability 2017; 19 (3): 338–348, https://doi.org/10.17531/ein.2017.3.4.
• 9. Ji J, Chan C L. Long embankment failure accounting for longitudinal spatial variation–A probabilistic study. Computers and Geotechnics 2014; 61: 50-56, https://doi.org/10.1016/j.compgeo.2014.05.001.
• 10. Kłosowski G, Kozłowski E, Gola A. Integer linear programming in optimization of waste after cutting in the furniture manufacturing. Advances in Intelligent Systems and Computing 2018; 637: 260-270, https://doi.org/10.1007/978-3-319-64465-3_26.
• 11. Kozłowski E, Kowalska B, Kowalski D, Mazurkiewicz D. Water demand forecasting by trend and harmonic analysis. Archives of Civil and Mechanical Engineering 2018; 18(1): 140-148, https://doi.org/10.1016/j.acme.2017.05.006.
• 12. Kryszyn J, Smolik W, Radzik B, Olszewski T, Szabatin R. Switchless Charge-Discharge Circuit for Electrical Capacitance Tomography. Measurement Science and Technology 2014; 25(11): 115009, https://doi.org/10.1088/0957-0233/25/11/115009.
• 13. Low B K. FORM, SORM, and spatial modeling in geotechnical engineering. Structural Safety 2014; 49: 56-64, https://doi.org/10.1016/j.strusafe.2013.08.008.
• 14. Mazurkiewicz D. Maintenance of belt conveyors using an expert system based on fuzzy logic. Archives of Civil and Mechanical Engineering, 2015; 15.2: 412-418, https://doi.org/10.1016/j.acme.2014.12.009.
• 15. Nishimura S, Shimizu H. Reliability-based design of ground improvement for liquefaction mitigation. Structural Safety 2008; 30.3: 200-216, https://doi.org/10.1016/j.strusafe.2006.11.002.
• 16. Prajapati A, Ganesan S. Application of Statistical Techniques and Neural Networks in Condition‐Based Maintenance. Quality and Reliability Engineering International 2013; 29(3): 439-461, https://doi.org/10.1002/qre.1392.
• 17. Rusek J. Application of Support Vector Machine in the analysis of the technical state of development in the LGOM mining area. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2017; 19 (1): 54–61, https://doi.org/10.17531/ein.2017.1.8.
• 18. Rymarczyk T, Tchórzewski P, Adamkiewicz P, Duda K, Szumowski J, Sikora J. Practical Implementation of Electrical Tomography in a Distributed System to Examine the Condition of Objects. IEEE Sensors Journal 2017; 17(24): 8166-8186, https://doi.org/10.1109/JSEN.2017.2746748.
• 19. Rymarczyk T. New Methods to Determine Moisture Areas by Electrical Impedance Tomography. International Journal of Applied Electromagnetics and Mechanics 2016; 52:79-87, https://doi.org/10.3233/JAE-162071.
• 20. Stefanek P, Romaniuk D. Zastosowanie monitoringu geotechnicznego i środowiskowego na obiekcie unieszkodliwiania odpadów wydobywczych Żelazny Most. Inżynieria Morska i Geotechnika; 2015, 3: 376--381.
• 21. Stefanek P, Serwicki A. Ograniczenie oddziaływania OUOW Żelazny Most na środowisko poprzez zmianę technologii składowania odpadów. Bezpieczeństwo Pracy i Ochrona Środowiska w Górnictwie; 2014, 6: 36--42.
• 22. Ung S T, Williams V, Bonsall S, Wang J. Test case based risk predictions using artificial neural network. Journal of Safety Research 2006; 37.3: 245-260, https://doi.org/10.1016/j.jsr.2006.02.002.
• 23. Wu Z Y, Li Y L, Chen J K, Zhang H, Pei L. A reliability-based approach to evaluating the stability of high rockfill dams using a nonlinear shear strength criterion. Computers and Geotechnics 2013; 51: 42-49, https://doi.org/10.1016/j.compgeo.2013.01.005.
• 24. Yajun W, Wohua Z, Weiliang J, Changyu W, Dachun R. Fuzzy stochastic generalized reliability studies on embankment systems based on first-order approximation theorem. Water Science and Engineering 2008; 1.4: 36-47.
• 25. Zagrożenia okresowe występujące w Polsce, Wydział Analiz Rządowego Centrum Bezpieczeństwa, styczeń 2013.
• 26. Zuber N, Bajrić R. Application of artificial neural networks and principal component analysis on vibration signals for automated fault classification of roller element bearings. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2016; 18 (2): 299–306, https://doi.org/10.17531/ein.2016.2.19.