Програмски оквир заснован на машинском учењу за аутоматизацију обраде резултата фотоакустичних мерења

Abstract

Главни задатак истраживања приказаног у дисертацији је развој модела, заснованог на алгоритмима машинског учења, који описује сложени утицај мерног система на користан, експериментални сигнал са циљем његове елиминације. Студија случаја је широко распрострањена фотоакустична, трансмисиона мерна метода са ћелијом минималне запремине. Мултидисциплинарност и комплексност проблема одредили су следеће кораке у методологији решења: 1) развој софтвера за генерисање симулираних експерименталних података, 2) развој регресионог модела заснованог на трослојној неуронској мрежи, за прецизну и поуздану карактеризацију детектора која се извршава у реалном времену, 3) развој класификационог модела заснованог на неуронској мрежи једноставне структуре за прецизну и поуздану предикцију типа коришћеног детектора која се извршава у реалном времену, 4) спрезање регресионог и класификационог модела уз развој додатног софтвера за прилагођење модела стварном експерименту. На овај начин заокружен је програмски оквир који извршава сложени задатак издвајања “правог” сигнала oд изобличеног експерименталног сигнала без ангажовања истраживача, односно извршава аутокорекцију. Тестирање је извршено на више различитих детектора и више различитих материјала у фотоаксустичном експерименту. Применом развијеног програмског оквира конкурентност експерименталне технике је знатно порасла: повећана је тачност и поузданост, проширен је мерни опсег и смањено време обраде резултата мерења.

Glavni zadatak istraživanja prikazanog u disertaciji je razvoj modela, zasnovanog na algoritmima mašinskog učenja, koji opisuje složeni uticaj mernog sistema na koristan, eksperimentalni signal sa ciljem njegove eliminacije. Studija slučaja je široko rasprostranjena fotoakustična, transmisiona merna metoda sa ćelijom minimalne zapremine. Multidisciplinarnost i kompleksnost problema odredili su sledeće korake u metodologiji rešenja: 1) razvoj softvera za generisanje simuliranih eksperimentalnih podataka, 2) razvoj regresionog modela zasnovanog na troslojnoj neuronskoj mreži, za preciznu i pouzdanu karakterizaciju detektora koja se izvršava u realnom vremenu, 3) razvoj klasifikacionog modela zasnovanog na neuronskoj mreži jednostavne strukture za preciznu i pouzdanu predikciju tipa korišćenog detektora koja se izvršava u realnom vremenu, 4) sprezanje regresionog i klasifikacionog modela uz razvoj dodatnog softvera za prilagođenje modela stvarnom eksperimentu. Na ovaj način zaokružen je programski okvir koji izvršava složeni zadatak izdvajanja “pravog” signala od izobličenog eksperimentalnog signala bez angažovanja istraživača, odnosno izvršava autokorekciju. Testiranje je izvršeno na više različitih detektora i više različitih materijala u fotoaksustičnom eksperimentu. Primenom razvijenog programskog okvira konkurentnost eksperimentalne tehnike je znatno porasla: povećana je tačnost i pouzdanost, proširen je merni opseg i smanjeno vreme obrade rezultata merenja.

The main task of the research presented in this dissertation is the development of the model based on machine learning algorithms, which describes the complex influence of the measuring system on a useful, experimental signal, with the aim of the elimination of this influence. The case study is a widespread photoacoustic, transmission measurement method with minimum volume cell configuration. Multidisciplinarity and complexity of the problem determined the following steps in the solution methodology: 1) development of the software for generating simulated experimental data, 2) development of the regression model based on a three-layer neural network, for precise and reliable characterization of detectors, performed in real time, 3) development of the classification model based on a neural network of simple structure for precise and reliable prediction of the type of detector in use, performed in real time, 4) coupling of the regression and the classification model with the development of additional software for adjustment of the model to a real experiment. In this way, the program framework is completed, which performs the complex task of extracting the "true" signal from the distorted experimental signal without the involvement of researchers, performing, thus, the autocorrection. Testing was performed on several different detectors and several different materials in a photoacoustic experiment. With the application of the developed software framework, the competitiveness of the experimental technique has significantly increased: the accuracy and the reliability have been increased, the measurement range has been expanded and the processing time of measurement results has been reduced.