Wyniki wyszukiwania - BazTech

1

A robust inversion of logging-while-drilling responses based on deep neural network

Zhu Gaoyang, Gao Muzhi, Wang Bin

Acta Geophysica

|

2024

|

Vol. 72, no. 1

129--139

EN

Resistivity inversion plays a significant role in recent geological exploration, which can obtain formation information through logging data. However, resistivity inversion faces various challenges in practice. Conventional inversion approaches are always time-consuming, nonlinear, non-uniqueness, and ill-posed, which can result in an inaccurate and inefficient description of subsurface structure in terms of resistivity estimation and boundary location. In this paper, a robust inversion approach is proposed to improve the efficiency of resistivity inversion. Specifically, inspired by deep neural networks (DNN) remarkable nonlinear mapping ability, the proposed inversion scheme adopts DNN architecture. Besides, the batch normalization algorithm is utilized to solve the problem of gradient disappearing in the training process, as well as the k-fold cross-validation approach is utilized to suppress overfitting. Several groups of experiments are considered to demonstrate the feasibility and efficiency of the proposed inversion scheme. In addition, the robustness of the DNN-based inversion scheme is validated by adding different levels of noise to the synthetic measurements. Experimental results show that the proposed scheme can achieve faster convergence and higher resolution than the conventional inversion approach in the same scenario. It is very significant for geological exploration in layered formations.

2

Rozpoznawanie wzorców : projektowanie, ewaluacja zastosowania

Rybak Łukasz, Dudczyk Janusz

Elektronika : konstrukcje, technologie, zastosowania

|

2021

|

Vol. 62, nr 11

12--15

PL

Artykuł stanowi przegląd literatury dotyczącej procesu rozpoznawania wzorców. We wstępie pracy zdefiniowano terminy istotne w kontekście rozważań opisanych w kolejnych sekcjach artykułu oraz określono cel, którym było dokonanie przeglądu istotnych zagadnień ściśle związanych z procesem rozpoznawania wzorców. Następnie scharakteryzowano poszczególne etapy wspomnianego procesu podkreślając zależności pomiędzy nimi. W kolejnej sekcji artykułu opisano istotne problemy występujące na etapie ewaluacji systemu rozpoznawania wzorców. Szczegółowo przedstawiono popularną metodę stosowaną do ich rozwiązywania. Następnie przywołano szereg prac, w których autorzy stosowali proces rozpoznawani wzorców do wielu rzeczywistych problemów.

EN

The article contains a literature review concerning the pattern recognition process. The terms, important in the context of the considerations described in the following sections of the article, were defined in the introduction. Moreover the purpose of the article was stated. The aim was to review significant issues closely related to the pattern recognition process. Then, the each stage of the above-mentioned process were characterized, emphasizing the relationships between them. The next section of the article describes the significant problems that occur at the stage of pattern recognition system evaluation. The popular method used to solve them was presented in detail. Subsequently, a series of papers were referenced in which the authors applied the pattern recognition process to many real-world problems.

3

An image segmentation method to reveal regions of stress manifestation in stained cucurbits' leaves using LVQ neural network

Gocławski J., Sekulska-Nalewajko J.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

|

2011

|

T. 15, z. 3

105-118

EN

In the paper an image segmentation method has been presented, which enables to detect cucurbits' leaves stress manifestation featured by the accumulation of reactive oxygen species (ROS) like hydrogen peroxide (H2O2) or superoxide anion radical (O2 ). After specific leaf staining the regions can be distinguished in colour space from the intact leaf parts. The proposed algorithm, developed in MATLAB environment, includes the segmentation of scanned leaf images with selected background, the exclusion of certain leaf parts and the classification of reminded leaf blade image pixels in H, S (hue, saturation) colour space. The classification is based on LVQ type neural network with several neurons in an internal layer and two neurons in an output layer, which represent image pixels of stained and unstained tissue respectively. The network learning process uses representative leaf image pixel data and binary template images of stress manifestation regions prepared manually by specialists. The classifier was 5-fold cross validated with the pixel H, S data of learned image and validated with the data of other images (with templates). The computed classification errors have been included. The experiments of stress regions detection carried out for the series of 12 images gave a few percent errors compared to manual classification.

PL

W artykule przedstawiono metodę segmentacji obrazów, która pozwala wykrywać obszary ujawniania się stresu na liściach roślin dyniowatych charakteryzujących się akumulacją reaktywnych form tlenu (ROS), takich jak woda utleniona (H2O2) lub anionorodnik ponadtlenkowy (O2). W następstwie specyficznego wybarwiania obszary te dają się odróżnić od nietkniętych części liścia w przestrzeni koloru. Proponowany algorytm, opracowany w środowisku MATLAB, obejmuje segmentację obrazów liści zeskanowanych na wybranym tle, wyłączanie pewnych partii liścia z dalszej analizy i klasyfikację pozostałych pikseli obrazu blaszki liścia w przestrzeni H, S (odcień, nasycenie). Klasyfikacja bazuje na sieci neuronowej typu LVQ z kilkoma neuronami w warstwie wewnętrznej i dwoma neuronami warstwy wyjściowej, reprezentującymi piksele obrazu odpowiadające wybarwionej i niewybarwionej tkance liścia. Proces uczenia się sieci wykorzystuje dane pikseli reprezentatywnych obrazów i binarne wzorce klasyfikacji obszarów ujawniania stresu przygotowane manualnie przez specjalistów. Klasyfikator poddano 5-krotnej ocenie krzyżowej dla danych H, S obrazu podlegającego uczeniu się i oceniono dla danych z innych obrazów (mających wzorce). Dołączono obliczone błędy klasyfikacji. Eksperymenty wykrywania obszarów stresu przeprowadzone dla serii 12 obrazów dały kilkuprocentowe błędy w porównaniu z klasyfikacją manualną.