भौतिक सिमुलेटर-आधारित तंत्रिका नेटवर्क वास्तविक समय में फाउलिंग टोमोग्राफी के लिए

हम एक वास्तविक समय की विधि का प्रस्ताव करते हैं जो किसी बंद धातु संरचना के भीतर फाउलिंग का स्थानिक वितरण अनुमानित करने के लिए अल्ट्रासोनिक लम्ब वेव में आयाम परिवर्तन का विश्लेषण करती है, जिसमें एक संभाव्य मशीन लर्निंग मॉडल शामिल है। यह मॉडल बिना किसी लेबल वाले अनुभव डेटा की आवश्यकता के केवल सिंथेटिक डेटा पर प्रशिक्षित किया गया है, इसके बजाय अल्ट्रासोनिक तरंगों के सरल भौतिक गुणों का उपयोग किया गया है। सिंथेटिक फाउलिंग वितरण के लिए, एक उपयुक्त पूर्व वितरण, जैसे कि गॉसियन प्रोसेस (जीपी), के अनुसरण में, हम भौतिक फॉरवर्ड मॉडल का उपयोग करके सीखने के लक्ष्यों का निर्माण करते हैं जो समस्या के भूगोल द्वारा निर्धारित प्रसार पथों के साथ सिग्नल आयाम के अभिवृद्धि क्षय को वर्णित करता है। फिर हम प्रतिकूल समस्या के लिए आवश्यक महंगे जीपी अनुमान को समायोजित करने के लिए एक न्यूरल नेटवर्क सीखते हैं। अनुमान को तेजी प्रदान करने के अलावा, हमारा फॉर्मूलेशन समृद्ध पूर्व ज्ञान का आसान उपयोग करने की अनुमति देता है, जैसे विशेष फाउलिंग आकृतियों या स्थानिक वितरण की पूर्व अपेक्षा, उचित प्रशिक्षण उदाहरणों को सिंथेटिक प्रशिक्षण डेटा में समाहित करके। हम विधि के विशेष गुणों का मूल्यांकन अनुकरण डेटा पर करते हैं और एक वास्तविक अल्ट्रासोनिक संवेदन सेटअप में इसके प्रदर्शन की पुष्टि करते हैं। हम चार सेंसरों का उपयोग करके मिलिसेकंड में उच्च-रिज़ॉल्यूशन फाउलिंग मैप्स का सटीक अनुमान दिखाते हैं, कई हेलिकल वेव प्रसार पथों के पार जानकारी को एकत्र करके, जो संरचनात्मक निगरानी में महत्वपूर्ण प्रगति है।