Ανάπτυξη μεθόδων μηχανικής μάθησης (SVMs και NNs) για την πρόβλεψη ιδιοτήτων υλικών με βάση την χρήση δεδομένων ανάστροφου χώρου
Development of machine learning models (SVMs and NNs) for identification of structural properties of materials based on k-Space data
Προβολή/
Λέξεις κλειδιά
Μηχανική μάθηση ; Επεξεργασία σήματος ; k-space ; SVM ; Neural networks ; Support vector machines ; MRI ; X-Ray ; Size distribution ; Ανάστροφος χώρος ; Μαγνητική τομογραφίαΠερίληψη
Η παρούσα εργασία διερευνά την πιθανή εφαρμογή δύο νέων μοντέλων μηχανικής μάθησης, ένα μοντέλο Νευρωνικών Δικτύων (ΝΝ) και ένα μοντέλο Support Vector Machine (SVM), για τη γρήγορη πρόβλεψη δομικών χαρακτηριστικών διαφόρων υλικών, τα οποία στηρίζονται σε δεδομένα ανάστροφου χώρου (k-space). Για τη λήψη του σήματος ανάστροφου χώρου από τα συγκεκριμένα υλικά θα μπορούσαν να χρησιμοποιηθούν ποικίλες τεχνικές, ωστόσο, οι πιο πολλά υποσχόμενες μέθοδοι είναι: i) Μαγνητική Τομογραφία (NMRI) και ii) Μικροτομογραφία Ακτίνων Χ (X-Ray mCT). Για την εκπαίδευση των νέων μοντέλων, χρησιμοποιήθηκαν προσομοιωμένα δεδομένα ανάστροφου. Επιπλέον, μέσω της χρήσης εργαλείων της γλώσσας προγραμματισμού Python, αναπτύχθηκε μια αλυσίδα διεργασιών μηχανικής μάθησης που εμπεριέχει τα βήματα της προ-επεξεργασίας, εκπαίδευσης, επαλήθευσης, δοκιμής και ανάλυσης. Τα καινούργια αυτά μοντέλα, φαίνεται να προσφέρουν μια βελτιομένη απόδοση συγκριτικά με τις ήδη υπάρχουσες μεθόδους. Τέλος, με βάση τη γνώση από την παρούσα διατριβή, παρατίθενται προτάσεις για περαιτέρω βελτίωση και πιθανές νέες εφαρμογές των νέων τεχνικών που αναπτύχθηκαν.