Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği (İngilizce) Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: İngilizce
Öğrenci: BILLEL ALLA EDDINE BENCHARIF
Danışman: Salih Bayar
Özet:
Bu çalışma, Dağıtılmış Akustik Sensör (DAS) olarak da adlandırılan Dağıtılmış Fiber Optik Sensör tarafından elde edilen akustik olayları sınıflandırmayı amaçlamaktadır. Bu veriler, fiberin ışık darbeleriyle araştırılması ve Rayleigh geri saçılımının analiz edilmesiyle elde edilir. Söz konusu veriler, Machine Learning (ML) sınıflandırma modelimizin girdisini oluşturmak için bir işleme algoritmaları boru hattından geçirilir. İlgilenilen gerçek akustik olayı arka plan gürültüsünden ayırt etmek için Random Matrix Theory (RMT) test ediyoruz. Toplanan ham iz, Signal-to-Noise Ratio (SNR) geliştirmek amacıyla Hareketli Ortalama filtresi ve Dalgacık tabanlı bir filtreleme algoritması kullanılarak koşullandırılır. Olayın doğasını sınıflandırmak için, bir Convolutional Neural Network (CNN) enjekte ettiğimiz ham, düşük geçişli filtrelenmiş ve dalgacık tabanlı filtrelenmiş işlenmiş sinyal için Kısa Vadeli Fourier Dönüşümünün karmaşık katsayılarının büyüklüğüne güveniyoruz. Ayrıca, sınıflandırıcıya bir girdi olarak akustik olaya uygun Mel-Frequency Cepstrum Coefficients (MFCC) araştırır ve performans sonuçlarını sinyalin diğer temsilleriyle karşılaştırırız. Çevre güvenliği ve boru hattı izleme amaçları için kullanılan bir DAS'tan elde edilen sonuç olarak boyutlandırılmış bir veri kümesini kullanan kapsamlı bir deney seti, CNN'de 2 sınıflı ve 3 sınıflı sınıflandırma için çalıştırıldı ve MFCC'ler kullanıldığında elde edilen en iyi sonuçlar ile en iyi sonuçlar elde edildi. 2 sınıflı süreç söz konusu olduğunda 'Event' sınıfı için %96,4 ve 'No Event' sınıfı için %99,7 doğruluk sağlayan bir dalgacık ön işleme. Katsayılarla en iyi sonuçlara, 3 sınıflı proses için de sırasıyla 'Kazma', 'Yürüme' ve ' Kazı makinesi' sınıfları için sırasıyla %83,3, %81,3 ve %96,7 doğrulukla ulaşılmıştır. Son olarak, veri kümesi çok tutarlı bir boyutta olduğundan ve modelin mimarisi oldukça karmaşık olduğundan, eğitimin yürütme süresi son derece uzundur. Bu nedenle, elimizdeki makinenin tüm gücünden yararlanmak için CPU ve GPU'yu verimli kullanmanın yollarını araştırıyoruz. Bunun için Keras API'sinden Sequence veri üretecini test ediyoruz. Seri uygulamaya kıyasla 4,87 kata kadar bir iyileşme rapor ediyoruz.