可变数据结构和定制的深度学习替代品,以计算高效和可靠地描述埋藏的对象
Reyhan Yurt1, Hamid Torpi2, Ahmet Kizilay2
1Kırşehir Department of Electrical and Electronics Engineering, Kırşehir Ahi Evran University, 40100, Kırşehir, Turkey.
Scientific reports
|June 28, 2024
概括
一个新的深度回归网络 (DRN) 使用地面透雷达 (GPR) 数据高效地描述埋藏的物体. 这种深度学习方法可将分析速度加快13倍,为各种地下场景提供准确的预测.
科学领域:
- 地质物理学 地质物理学
- 人工智能的人工智能
- 电磁学 电磁学 电磁学 电磁学
背景情况:
- 使用地面透雷达 (GPR) 准确地描述埋藏的物体对于各种应用至关重要.
- 传统方法通常涉及高计算成本和复杂的数据处理.
- 深度学习为开发高效的替代模型提供了一个有希望的途径,用于GPR数据分析.
研究的目的:
- 开发一种基于深度学习的替代模型模型方法,用于使用GPR来描述埋藏的物体.
- 在各种地下介质中独立预测埋藏物体的特征参数 (半径,深度,侧面位置).
- 分析不同GPR数据结构的计算成本和准确性之间的权衡.
主要方法:
- 利用了GPR模型的3D全波电磁模拟.
- 采用深度回归网络 (DRN) 来分析连续A扫描的时间频谱图 (TFS).
- 将DRN的性能与使用B扫描图像 (2D数据) 和最先进的回归技术的传统网络模型进行了比较.
- 使用噪音数据评估模型的稳定性,并用物理测量数据验证它.
主要成果:
- 拟议的DRN模型与传统的B扫描图像模型相比,实现了大约13倍的加速.
- 获得的平均绝对误差为3.6mm,对象表征的相对误差为4.7%.
- 与最先进的回归技术相比,已证明具有竞争力的性能.
- 显示适合处理噪音数据和物理测量数据.
结论:
- 深度回归网络 (DRN) 为基于GPR的埋藏对象表征提供了一个计算效率高,准确的替代模型方法.
- 使用DRN进行TFS分析,可以有效地预测不同地下条件下的物体参数.
- 经过验证的方法显示了涉及物理GPR测量的现实应用的巨大潜力.
