繰り返し発生するニューラルネットワークの長期短期記憶モデルで,ピール・インテグリティ・テストの原始データを用いて,ピール・ツーを検出する

科学分野:

• ジオテクニカルエンジニアリング ジオテクニカルエンジニアリング
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• シグナル処理 信号処理

背景:

• 従来の低ストレイン整合性テスト (LSIT) は,専門家の解釈に依存し,主観性と効率性の問題につながります.
• リフレクトグラムの生成を自動化することで,ピール整合性の評価における精度を向上させ,人間のエラーを減らすことができます.

研究 の 目的:

• LSITで自動速度反射図生成のためのAIシステムを開発する.
• 反射波の信号を解釈するために人間の専門知識への依存を減らす.
• 堆積物の完全性試験の信頼性と効率を高めるため.

主な方法:

• エジプトの駆動パイルプロジェクトから集めたLSITデータ.
• 先行処理された原始加速信号をデジタル化された速度時間系列に変換する.
• 長期短期記憶 (RNN-LSTM) を備えた様々なリキュアント・ニューラル・ネットワーク (RNN-LSTM) モデルをトレーニングし,最適化しました.

主要な成果:

• 6層の32ニューロンのLSTMモデルは,高い精度を達成しました (R2 0.9126 訓練,0.8778 検証).
• このモデルは,高度な予測的汎用性を示し,最多89.5%の"良い"位置予測を達成しました.
• RNN-LSTMは,誤った採用のリスクが低い,人によって生成された反射図を効果的に真似しました.

結論:

• ディープラーニング,特にRNN-LSTMは,従来の反射図生成に信頼性の高い代替案を提供します.
• 提案されたAIアプローチは,LSITにおける人間の経験への依存を大幅に軽減します.
• AIシステムは,ピール整合性テストの精度と効率の両方を向上させます.