نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشجوی دکترای اکتشاف معدن دانشگاه تهران عضو هیئت علمی دانشگاه صنعتی اراک

2 عضو هیئت علمی دانشگاه صنعتی اصفهان

3 عضو هیئت علمی دانشکده مهندسی معدن دانشگاه تهران

چکیده

در مطالعه حاضر از روش غیرمخرب و با قدرت تفکیک زیاد رادار نفوذی به زمین (GPR) جهت آشکارسازی و شناسایی مشخصات هندسی اهداف به شکل استوانه افقی مدفون همانند انواع ساختارهای تونلی، استفاده شده است. دست‌یابی به چنین مقصودی براساس تعیین ارتباط بین مشخصات هندسی اهداف استوانه‌ای مدفون و پارامترهای هذلولی پاسخ GPR مربوطه، با استفاده از روش‌های هوشمند شبکه‌های عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) صورت پذیرفته است. برای این منظور ابتدا پاسخ سیستم GPR برای 194 مدل مصنوعی مختلف شامل اشیاء استوانه‌ای شکل متناظر با اهداف ژئوتکنیکی متداول (ساختارهای استوانه‌ای همچون تونل‌ها، کانال‌ها، قنات‌ها و خطوط لوله)، با استفاده از مدل‌سازی پیشرو به روش تفاضل محدود دوبعدی بهبودیافته، مدل‌سازی شد. سپس از نتایج آن با استفاده از الگوریتم تجزیه مقدار تکین، ویژگی‌های متمایز و منحصربه‌فرد شامل مقادیر ویژه و نرم مقادیر ویژه ماتریس تصاویر GPR در راستای افقی (فضای بین تریسی) و عمودی (فضای درون تریسی) استخراج گردید و به عنوان داده‌های ورودی در الگوریتم‌های ANN و SVM جهت تخمین مشخصات هندسی شامل شعاع، موقعیت افقی و موقعیت قائم (عمق دفن) اهداف استوانه‌ای مدفون، مورد استفاده قرار گرفت. عملکرد روش‌های استفاده شده، برای تصاویر واقعی GPR در حضور نوفه‌ها نیز ارزیابی شد و نتایج قابل قبولی حاصل گردید به‌گونه‌ای‌که ANN و SVM پارامترهای هندسی هدف معین مدفون را با متوسط خطای به‌ترتیب 5 و 9 درصد تخمین زدند. نتایج پژوهش حاضر نشان می‌دهد که هر دو روش هوشمند مورد استفاده، قابلیت کاربرد برجا، سریع، دقیق و خودکار را برای اهداف ژئوتکنیکی واقعی دارا می‌باشند هرچند درمجموع روش ANNنسبت به روش SVM از خطای کمتر و در نتیجه قدرت تخمین بالاتر پارامترهای هندسی اهداف استوانه‌ای مدفون برخوردار است. 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Comparison of the performance of ANN and SVM methods in automatic detection of hidden cylindrical targets in GPR images

نویسندگان [English]

  • Reza Ahmadi 1
  • Nader Fathianpour 2
  • Gholam-Hossain Norouzi 3

1 Ph.D candidate on Mining engineering in Tehran University Academic member of Arak University of Technology

2 Academic member of Isfahan university of technology

3 Academic member of university of Tehran

چکیده [English]

In current study, the application of artificial neural network (ANN) and support vector machine (SVM) methods in automatic detection of hidden cylindrical targets in GPR images is presented. In order to determine the predictor variables as the input to the ANN and SVM methods, through relationships between geometrical parameters of cylindrical targets and characteristics of the associated GPR hyperbolic responses, the forward responses of 194 simulated synthetic models resembling cylindrical structures were computed using an improved 2D time domain finite difference method. Through transforming the B-scan images into eigen value- eigen vector space using singular value decomposition algorithm, the minimum number of vector space bases capable of representing GPR forward responses were extracted. This approach could effectively reduce the number of input predictor variables to only five to eight normalized eigenvector subspaces to be fed into ANN and SVM algorithms. In addition, the geometrical parameters of the cylindrical object including radius, burial depth and horizontal location were set as the output target parameters for both ANN and SVM methods. The proposed approach was then tested on some GPR forward responses that were not used in training the ANN and SVM models. The predicted geometrical parameters of the cylindrical models were amazingly close to their actual values. Encouraged by preliminary results obtained by synthetic models, the same methodology were then evaluated on both forward responses added by 5 percent white noise and a real GPR profile data collected over a known sewage pipeline. The performance of both ANN and SVR were evaluated resulting in acceptable relative misfit error of 5 and 9 percent respectively. Finally, it is concluded that both methods are capable of predicting subsurface geometrical parameters with acceptable precision (less than 10 percent relative error), however the ANN method could produce more accurate estimations compared with equivalent SVM method.
 

کلیدواژه‌ها [English]

  • Ground- Penetrating Radar (GPR)
  • Cylindrical targets
  • Geometrical parameters
  • artificial neural network (ANN)
  • Support Vector Machine (SVM)