MagisterDegreeWork

Цель:

Разработать алгоритм оценки положения и классификации источника звука на основе совместного использования корреляционного анализа и сверточных нейронных сетей по данным многосенсорной шумометрии

Задачи:

• Улучшить существующую модель акустического поля в скважине;
• Подготовить базу данных для обучения и тестирования нейронной сети с использованием указанной модели с разными источниками звука, параметрами сред и их акустических свойств;
• Подобрать оптимальную архитектуру, признаки для распознавания расстояний до источника, для классификации точечных и распределенных источников;
• Проанализировать эффективность работы нейросетевой системы распознавания положения и классификации источника.

Список публикаций

• Вахитов А. А. Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей. // Итоговая научно-образовательная конференция студентов Казанского Федерального Университета 2019 года [Электронный ресурс]: сборник тезисов. – Казань: Издательство Казанского университета, 2019. – 839 с. – Режим доступа: https://kpfu.ru/science/nauchno-issledovatelskaya-rabota-studentov-nirs/obschaya-informaciya
• Вахитов А. А. Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей. // Итоговая научно-образовательная конференция студентов Казанского Федерального Университета 2019 года [Электронный ресурс]: сборник статей. – Казань: Издательство Казанского университета, 2019. – 118 с. – Режим доступа: https://kpfu.ru/science/nauchno-issledovatelskaya-rabota-studentov-nirs/obschaya-informaciya
• Вахитов А. А. Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей. // Итоговая научно-образовательная конференция студентов Казанского Федерального Университета 2020 года [Электронный ресурс]: сборник тезисов. – Казань: Издательство Казанского университета, 2020 – Режим доступа: https://kpfu.ru/science/nauchno-issledovatelskaya-rabota-studentov-nirs/obschaya-informaciya – в печати.
• Вахитов А. А. Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей. // Итоговая научно-образовательная конференция студентов Казанского Федерального Университета 2020 года [Электронный ресурс]: сборник статей. – Казань: Издательство Казанского университета, 2020 – Режим доступа: https://kpfu.ru/science/nauchno-issledovatelskaya-rabota-studentov-nirs/obschaya-informaciya – в печати.
• Вахитов А. А. Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей. // Молодежная научно-практическая конференция по Математическому моделированию и Информационным Технологиям SMIT 2019: сборник тезисов. – Технологический центр ООО «ТГТ СЕРВИС» г. Казань, 2019.

Список конференций

• Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей, Итоговая научно-образовательная конференция студентов Института Физики, Институт Физики КФУ, 09.04.2019, устный доклад.
• Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей, Молодежная научно-практическая конференция по Математическому моделированию и Информационным Технологиям SMIT, 26.04.2019, Технологический центр ООО «ТГТ СЕРВИС» г. Казань, устный доклад.
• Конкурс докладов итоговой научно-образовательной конференции ИФ, 12.04.2019, диплом III степени.
• Конкурс на лучшую научную работу К(П)ФУ по инженерно-техническому направлению, КФУ, 16.05.2019, Диплом участника.
• Развитие алгоритмов локации источников звука в скважине по данным многосенсорной шумометрии с использованием сверточных нейронных сетей, Итоговая научно-образовательная конференция студентов Института Физики, Институт Физики КФУ, 2020, устный доклад.

Моделирование	Результат
Увеличение расстояния между двумя источниками
Изменения размера базы(расстояния между сенсорами)
Изменение размеров пласта по горизонтали

Заключение

• Улучшена модель акустического поля в скважине с возможностью задания источников звука разной геометрии. Результаты моделирования хорошо соотносятся с экспериментальными данными;
• Подготовлена база модельных данных (более 15000 примеров) для обучения и тестирования сверточной нейронной сети для источников звука с разной геометрией, параметрами сред и их акустических свойств;
• Показано, что в качестве признаков для оценки расстояний и классификации источников наиболее информативны панели GCC (Generalized Cross-Correlation );
• При классификации точечных и распределенных источников ошибки составили менее 10 процентов (на тестовом множестве);
• При классификации источников с удаленностью ошибки составляют менее 20% на всем множестве классов и менее 10% при двух или трех классах (на тестовом множестве);
• Разработанный подход позволяет классифицировать источники как по геометрии, так и по расстоянию, чего не может изначально представленный (текущий) метод.