Введение 2
Постановка задачи 4
1 Система 5
1.1 Существующие решения 5
1.2 Требования к системе 6
1.2.1 Требования к характеристикам компьютера, обрабатывающего акустические данные 6
1.2.2 Требования к входным данным 6
1.2.3 Требования к процессу обработки 8
2 Прототип системы для оценивания характеристик 10
2.1 Компонент «Моделирование волны» 11
2.1.1 Обзор: способы моделирования 11
2.1.2 Детали реализации 13
2.1.3 Векторизация 14
2.2 Компонент «Определение характеристик» 15
2.2.1 Оптимизационная задача 15
2.2.2 Детали реализации 16
2.3 Пользовательский интерфейс 19
3 Экспериментальная апробация 21
3.1 Эксперимент с данными с отсутствием
объектов в водной среде 22
3.2 Эксперимент с данными по объекту в водной среде . 22
Заключение 25
Список литературы 26
Решение обратных задач по акустическим данным — один из известных методов медицинского обследования, сейсморазведки, дефектоскопии.
Ультразвуковое исследование (УЗИ) внутренних органов является самым известным применением такого рода задач. Если рассмотреть самый обыкновенный УЗИ-аппарат, то его датчик, излучая ультразвук, принимает отраженный ультразвук, обрабатывает его, зная как и в каких средах он распространяется, и выдает изображение. Этот метод намного быстрее других, на приеме у врача результаты УЗИ можно получить в тот же день.
Для сейсморазведки этот метод является важным, так как позволяет существенно сократить затраты, например, для бурения скважин, где на счету стоит очень много: разведка местности, оценка месторождений, и непосредственно бурение. Если хотя бы на одном этапе уже на месте обнаружится ошибка, будет потеряно очень много денег, не говоря уже об угрозах для жизни, которые могут возникнуть во время бурения. В процессе сейсморазведки применяются разные способы: с применением взрывчатых и невзрывчатых веществ. В независимости от того, что именно используется, применятся это для того, чтобы в толще породы образовались (возбудились) упругие волны. Эти самые волны фиксируются расставленными в нужных местах датчиками, таким образом получаются сейсмограммы. В дальнейшем остается только обработать эти сейсмограммы, чтобы найти полезные ископаемые, например, газ, нефть, металлы, минералы и т.д.
Также этот метод очень важен в дефектоскопии. Возможность узнать заранее о том, что те или иные деталь, резервуар, балон и т.д. неисправны или содержат внутри дефекты и микротрещены, может существенно помочь в своевременной замене этих изделий, а также обеспечит безопасность для производства и персонала
При обработке акустических данных требуется найти звуковые характеристики объектов в исследуемой области, например внутри детали для дефектоскопии или органа для УЗИ. Эти характеристики должны бать такими, чтобы расчётные данные как можно лучше приближали экспериментальные. Значения таких характеристик представляется в виде распределения скорости звука в среде.
Поиск распределения включает в себя такие этапы: с текущим полем скорости звука моделируется распространение звуковых волн на протяжении определенного количества времени; во время моделирования волн с записывающих датчиков на протяжении этого же времени снимаются диаграммы, представляющие собой значения амплитуд звукового сигнала; после моделирования и снятия диаграмм путем варьирования характеристик, ставится задача уменьшить разницу между извлеченными диаграммами и экспериментальными, представленная минимизацией функционала ошибки между всеми амплитудами записанных диаграмм. Описанный функционал оптимизируется с помощью метода наименьших квадратов, часто применяемый в задачах статистической регрессии и методах оптимизации. В качестве основного метода решения задачи о наименьших квадратов выбран метод Левенберга - Марквардта.
Существуют исследования и разработки в областях сейсморазведки и ультразвуковой томографии. Например, в сейсморазведке известны такие разработки, как RadExPro [16], пакет программ ZOND [29] и множество узконаправленных пакетов программ от компании Schlumberge [19]. В области ультразвуковой томографии проводились два независимых исследования в США для аппаратов SoftVue prototype [7] и QT Ultrasound [15]. Все эти продукты можно приобрести, но нет возможности посмотреть их исходные коды, некоторые из них предлагают бесплатные версии, но на ограниченное время. Озвученные проблемы благоприятствуют для разработки собственной системы для оценивания характеристик объектов для решения обратных задач по акустическим данным. Эта работа продолжает предыдущие исследования [1-5] в решении задач по акустическим данным.
Работа выполнена в рамках совместного гранта ’’Distributed large scale stochastic optimization for ultrasound computed tomography system” с университетом HUST в городе Ухань, Китай.
Постановка задачи
Цель работы: разработка системы для оценивания характеристик объектов для решения обратных задач по акустическим данным. Для достижения этой цели поставлены следующие задачи:
• формирование требований;
• разработка архитектуры;
• разработка прототипа, векторизация;
• апробация системы для обработки акустических данных реального эксперимента.
Получены следующие результаты:
• сформулированы требования к системе;
• разработана архитектура системы;
• разработан прототип системы с применением
- векторизации через библиотеку PyTorch,
- CUDA-ядер Nvidia,
- SPSA;
• прототип применен к акустическим данным с отсутствием объектов в водной среде и одному объекту в водной среде.
Система применена в международном проекте университета с Хуачжунским университетом науки и технологии города Ухань.
[1] Галямина В. С. Вычисление времени прихода («Time Of Flight») акустических сигналов. - Конференция СПИСОК2019, 2019.
[2] Гонта К. А. Технология восстановления особых областей на основе данных акустической томографии. Санкт-Петербург, 2019.
[3] Леонова А. В. Система для расчета скоростей звука в особых областях по данным УЗИ - томографии. Санкт-Петербург, 2020.
[4] Сенин И.И. Рандомизированный алгоритм при обработке данных ультразвуковых исследований. - Стохастическая оптимизация в информатике, 2016.
[5] Турсунова М.Б. Рандомизированный алгоритм при обработке данных ультразвуковых исследований. - Конференция СПИСОК2019, 2019.
[6] Bohme C., Holmberg A., Nilsson Lind M. Numerical Analysis of the Two Dimensional Wave Equation: Using Weighted Finite Differences for Homogeneous and Hetrogeneous Media. - 2020.
[7] Duric N. et al. Detection of breast cancer with ultrasound tomography: First results with the Computed Ultrasound Risk Evaluation (CURE) prototype //Medical physics. - 2007. - Т. 34. - №. 2. - С. 773-785.
[8] Erofeeva V. et al. Detection of specific areas and densities for ultrasound tomography //Cybernetics and Physics. - 2019. - Т. 8. - №. 3. - С. 121-127.
[9] Granichin O., Amelina N. Simultaneous perturbation stochastic approximation for tracking under unknown but bounded disturbances //IEEE Transactions on Automatic Control. - 2014. - Т. 60. - №. 6. - С. 1653-1658.
[10] Hutchison D. W. On an efficient distribution of perturbations for simulation optimization using simultaneous perturbation stochastic approximation //Proceedings of IASTED International Conference. - 2002. - С. 4-6.
[11] Jovanovic I. Inverse problems in acoustic tomography: theory and applications : дис. - Verlag nicht ermittelbar, 2008.
[12] Li C. et al. In vivo breast sound-speed imaging with ultrasound tomography //Ultrasound in medicine biology. - 2009. - Т. 35. - №. 10. - С. 1615-1628.
[13] Matthews T. P. et al. Regularized dual averaging image reconstruction for full-wave ultrasound computed tomography //IEEE transactions on ultrasonics, ferroelectrics, and frequency control. - 2017. - Т. 64. - №.
5. - С. 811-825.
[14] Peng J., Liu J., Wei H. A compressed matrix sequence method for solving normal equations of bundle adjustment //Machine Vision and Applications. - 2021. - Т. 32. - №. 4. - С. 1-10.
[15] QT Ultrasound. - https://www.qtimaging.com/publications/(да¬та обращения: 1 мая 2023)
[16] RadExPro. - https://radexpro.com/(дата обращения: 1 мая 2023)
[17] Roy O. et al. Robust array calibration using time delays with application to ultrasound tomography //Medical Imaging 2011: Ultrasonic Imaging, Tomography, and Therapy. - SPIE, 2011. - Т. 7968. - С. 46-56.
[18] Sadegh P., Spall J. C. Optimal random perturbations for stochastic approximation using a simultaneous perturbation gradient approximation //IEEE Transactions on Automatic Control. - 1998. - Т. 43. - №. 10. - С. 1480-1484.
[19] Schlumberger. - https://www.slb.com/products-and-services(да¬та обращения: 1 мая 2023)
[20] Spall J. C. An overview of the simultaneous perturbation method for efficient optimization //Johns Hopkins apl technical digest. - 1998.
- Т. 19. - №. 4. - С. 482-492.
[21] Spall J. C. Convergence analysis for feedback-and weighting-based Jacobian estimates in the adaptive simultaneous perturbation algorithm //Proceedings of the 45th IEEE Conference on Decision and Control. - IEEE, 2006. - С. 5669-5674.
[22] Spall J. C. Adaptive stochastic approximation by the simultaneous perturbation method //IEEE transactions on automatic control. - 2000.-Т 45. - №. 10. - С. 1839-1853.
[23] Spall J. C. Multivariate stochastic approximation using a simultaneous perturbation gradient approximation //IEEE transactions on automatic control. - 1992. - Т 37. - №. 3. - С. 332-341.
[24] Spall J. C. Introduction to stochastic search and optimization: estimation, simulation, and control. - John Wiley Sons, 2005.
[25] Spall J. C. Feedback and weighting mechanisms for improving Jacobian estimates in the adaptive simultaneous perturbation algorithm //IEEE Transactions on Automatic Control. - 2009. - Т. 54. - №. 6. - С. 1216-1229.
[26] Toutounian F., Soleymani F. An iterative method for computing the approximate inverse of a square matrix and the Moore-Penrose inverse of a non-square matrix //Applied Mathematics and Computation.-2013. - Т 224. - С. 671-680.
[27] Tsao M. Group least squares regression for linear models with strongly correlated predictor variables //Annals of the Institute of Statistical Mathematics. - 2023. - Т 75. - №. 2. - С. 233-250.
[28] Yan X., Su X. Linear regression analysis: theory and computing.
- world scientific, 2009.
[29] ZOND. - http://zond-geo.com/software/(дата обращения: 1 мая 2023)