混合机器学习方法提高电阻抗断层扫描的分辨率

电阻抗断层扫描 (EIT) 是一种用于可视化材料内部的无损成像技术。在这种方法中，电流注入两个电极之间，产生电场，而其他电极则测量由于材料内部存在异物而引起的变形。

与其他成像方法(例如 X 射线成像、计算机断层扫描和磁共振成像)相比，EIT 具有成本低、不麻烦的优点，因为它不需要大型磁铁或辐射。因此，它作为复杂的水泥基建筑材料的无损结构健康监测方法具有巨大的潜力。

然而，EIT 的挑战在于如何将获得的信息准确地重建为图像。一步高斯-牛顿、原始对偶内点法和迭代高斯-牛顿 (IGN) 等算法通常用于此目的。然而，由于EIT的性质，使用上述数学方法获得的解存在一些不准确性。

最近，为了克服这个问题，人们使用了一维卷积神经网络(1D-CNN)等机器学习算法。然而，这些算法的弱点在于处理以前未见过的数据，这降低了它们的有效性。

为了应对这些挑战，东京理科大学 (TUS) 的 Takashi Ikuno 副教授及其合作者 Keiya Minakawa、Keigo Ohta 和 Hiroaki Komatsu 以及来自日本立命馆大学的 Tomoko Fukuyama 副教授现在开发了一种新颖的混合 EIT 方法，称为 AND，它结合了 IGN 和 1D-CNN 的优点。

当异物与样品的截面积比为5×10 -4(非常小的异物)时，本方法将尺寸误差减小到传统EIT方法的1/6以下。他们的研究结果发表在 2024 年 1 月 12 日的《AIP Advances》杂志上。

生野说：“从防灾的角度来看，对经济高速增长时期建造的现有结构进行劣化分析非常重要。我们的新方法可以改进EIT作为无损检测方法的应用，并有助于防止建筑物倒塌。” 。

创新的 AND 方法对从 EIT 获得的多个图像进行 2D 逻辑运算，以检测材料内部的细小异物。在他们的研究中，该团队使用模拟和实验数据在实际水泥样品上测试了 AND 方法，并将其性能与 IGN 和 1D-CNN 方法在两种情况下的性能进行了比较。

当使用模拟数据时，他们发现随着异物尺寸的减小，IGN方法导致重建图像出现较大误差。相比之下，AND 方法比 IGN 和 1D-CNN 更准确地重建异物的位置和大小。

此外，通过实验数据，研究人员发现所提出的 AND 方法和 1D-CNN 方法都比 IGN 更准确。此外，他们还确定了另一种提高 EIT 准确性的方法。

Ikuno 博士解释说：“改进 EIT 的一种方法是改变电流注入模式。通过改变电场的空间分布并将本方法与其他 NDE 技术相结合，可以提高检测异物颗粒尺寸和位置的分辨率。可以改进。” 这是他们未来研究的重点。

“所提出的 EIT 重建方法虽然在分辨率方面不如其他无损检测，但在设备尺寸和成本方面具有优势。它可以改进无损异物检测，从而能够更轻松、更定期地评估建筑物的健康状况。

“它还可以用于地震或爆炸后的快速安全检查。此外，预计可以很容易地培训检查员和人员使用这项技术，”生野博士总结道。

总体而言，这些发现标志着 EIT 技术向前迈出了重要一步，该技术可能成为未来防止建筑物倒塌的重要检测技术。