تحسين طريقة كشف رادار مخترق الأرض (GPR) باستخدام الخوارزميات الذكية

الباحث

حسين ممتاز حسين

المشرف

جعفر وادي عبد السادة - ثامر رشيد سعيد

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم الهندسة الكهربائية / هندسة الالكترونيك والاتصالات

الشهادة

دكتوراه

السنة

2023

لغة الرسالة

انكليزي

الكلمات المفتاحية

Ground penetrating radar;Intelligent algorithms;Target detection;Signal processing

تستخدم العديد من تقنيات الاختبار غير المدمرة في المسوحات الجيوفيزيائية للحصول على معلومات حول المنطقة المدفونة تحت سطح الأرض. ويعد Slee رادار الاختراق الأرض (GPR) أحد الأدوات المهمة في اكتشاف الأجسام المدفونة تحت سطح الأرض وتتمثل الطريقة الأساسية لعمل الجهاز بإرسال موجات كهرومغناطيسية وعرض الإشارة المستقبلة على شكل بيانات إما ذات بعد واحد أو بعدين أو ثلاثة أبعاد. طريقه تفسير البيانات الناتجة عن عملية المسح في النظام الحالي تتمثل بوجود برنامج خاص من الشركة المصنعة للجهاز وكذلك بمساعدة فني متدرب في تفسير البيانات والحصول فقط على dad تقريبية لنوع المادة المدفونة Gacy الجسم المدفون بالنسبه الى مستوى سطح الأرض. الهدف من هذا البحث هو أستعمال جهاز GPR للحصول على بيانات ذات بعد daly من منطقة المسح واستخدام خوارزميات ذكية للكشف عن الأجسام المدفونه تحت سطح الارض من هذه البيانات. تمثلت مراحل البحث ببناء نماذج عملية مختلفه مدفونه تحت سطح الأرض ومقارنه النتائج العملية مع نتائج نظام المحاكاة وقد أظهرت نتائج المقارنه تشابه في عدد وعمق منحني القطع الزائد ويمثل كل abi زائد انعكاس لكائن مدفون تحت سطح الأرض و،الترددات المستعمله هي .(250,500,800)MHz and] GHz المرحلة التاليه هي تطوير عشرين شبكة تعلم عميق لتصنيف بيانات الادخال تلقائيًا وايجاد أفضل شبكه تعلم عميق من خلال أيجاد أفضل نسبة كفاءه وأقل نسبه خطأ أضافه الى مقارنة الوقت الذي تحتاجه الشبكه لتصنيف بيانات الادخال. تم الحصول على بيانات الادخال لشبكه التعلم العميق ببناء نماذج مختلفه تعتمد على تغير في ترددات الادخال ونوع الجسم المدفون والوسط المدفون فيه وعمق الجسم ونصف قطره وتم إيجاد أفضل نتيجة لجميع التصنيفات الاريعه من متوسط نتائج الشبكات وأظهرت النتائج أن أفضل نتيجه هي الى شبكة Jrra(EfficientNet-b0) دقة 84.16% ونسبة خسارة 1 0.58. وباستخدام ثلاثة أنواع من المحسّنين (SGDM,RMSProp and Adam) وعوامل التغيير (Initial learning rate,Minimum batch size and Maximum epoch). تم تحسين نتائج المرحلة السابقة في كشف وتصنيف الاجسام المدفونة وتم إيجاد شبكه (EfficientNet.b0) بدقه 3 ونسبه خطا 0.343 كأفضل نتيجه من مجموع الشبكات لجميع المجموعات الأربعة. تحسنت نتائج الكشف للاجسام المدفونه ويالاخص عند تغير عمق الجسم المدفون بالنسبه الى سطح الأرض وذلك لوجود تأثير واضح على موقع الإشارة المستلمة من الجسم المدفون مقارنه مع بقيه المتغيرات. وأخيرا تعتبر طربقه كشف وتصنيف الاجسام المدفونه باستخدام خوارزميات ذكيه اكثر دقه وسرعه مقارنه بالطرق المستعمله حاليا.

There are many non-destructive testing techniques used in geophysical surveys to obtain information about the subsurface area. Ground penetrating radar (GPR) is an important tool used in a wide variety of applications, particularly in the detection of buried objects. The primary function of a GPR is to transmit electromagnetic waves and display the received signal as A-scan, B-scan, and C-scan data. This data must be processed and interpreted, which is challenging in terms of time, cost and accuracy. This is especially true for the current system, which uses tagged GPR software and an operator to estimate the material and depth of the buried object. The aim of this research is to use intelligent algorithms to identify a buried body from A-scan image of the survey area by developing experimental models based on the GPR system using different types of materials, depth, radius, and angle of the buried object, and to compare the results for both experimental systems and simulation systems. The comparison results show that the number and depth of the hyperbola curves, where each curve is represented as a reflection of a buried object, are the same for both models. The input data was then automatically classified using 20 deep learning networks. The input datasets for the deep learning network were produced using a range of models with varied input frequencies, characteristics, and mediums for buried items using the simulation technique (gprMax). The datasets are separated into four groups based on the types of materials used, the medium employed, the depth, and the radius of the buried object. The results show that EfficientNet-b0 is the most efficient network, with a validation accuracy of 84.16% and a validation error of 0.581. The next stage is to improve the network performance results of the previous step by fine-tuning hyperparameters (Initial Learning Rate, Maximum epochs, Minimum batch size), as well as three types of optimizers (Stochastic Gradient Descent, Root Mean Squared Diffusion and Adaptive Moments) Then, a confusion matrix and a training progression curve are used to determine the best results for the classification of the input datasets. EfficientNet-b0 produced the best results for classifying four different cases of medium type, material type, depth, and radius of the buried object with this network's cross-validation accuracy of 88.33% and cross-validation loss of 0.343. The results of all types of networks have been improved, especially for classifying A-scan according to the depth of buried objects.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب