基于卷积神经网络的单轴物体在半空间中的电磁成像

科学领域:

• 电磁成像技术 电磁成像技术
• 人工智能应用的人工智能应用.
• 地质物理勘探地质物理勘探

背景情况:

• 在半空间环境中对埋藏物体进行成像是具有挑战性的,因为测量角度有限.
• 单轴物体需要专门的电磁成像技术.
• 现有的方法在数据采集和重建准确性方面遇到了困难.

研究的目的:

• 应用人工智能 (AI) 来改进半空间中单轴物体的电磁成像.
• 为了比较占主导地位的当前方案 (DCS) 和反向传播方案 (BPS) 的性能,用于允许性重建.
• 在这种成像背景下评估卷积神经网络 (CNN) 的有效性.

主要方法:

• 同时发射横向磁 (TM) 和横向电 (TE) 波用于对象照明.
• 使用DCS和BPS计算初始电容分布.
• 用计算的电容性数据训练卷积神经网络 (CNN).

主要成果:

• 在相同的条件下,与BPS相比,DCS表现出优越的泛化能力.
• 在重建对象的允许性时,DCS方法显示了增强的噪声免疫力.
• 当与CNN集成时,DCS和BPS都被证明对介电常数分布重建有效.

结论:

• 人工智能,特别是经过DCS培训的CNN,为埋藏的单轴物体的电磁成像提供了强大的解决方案.
• 推使用DCS方法,因为它在半空间成像场景中提高了准确性和对噪声的抗性.
• 这项研究验证了先进的计算方案在地下物体表征方面的潜力.