INVESTIGADORES
BONOMO Nestor Eduardo
congresos y reuniones científicas
Título:
Identificación de bridas utilizando datos de GPR y redes neuronales
Autor/es:
BORDÓN, PABLO; PATRICIA MARTINELLI; BONOMO, NÉSTOR
Lugar:
La Plata
Reunión:
Congreso; XXVIII Reunión Científiva de la Asociación Argentina de Geofísicos y Geodestas; 2017
Institución organizadora:
AAGG
Resumen:
El radar de penetración terrestre(GPR) es un método no invasivo de prospección superficial que ha sido ampliamenteprobado como una herramienta eficaz en la localización de elementos diversos, talescomo capas, grietas, muros y pisos antiguos, minas antipersonales y cañerías,entre otros. Aunque la adquisición de datos mediante este método es relativamenterápida, en comparación con otros métodos geofísicos, no ocurre lo mismo con elprocesamiento e interpretación de los datos. En los casos de prospección de porcionesextensas de suelo, ambas etapas requieren de una gran cantidad de tiempo yesfuerzo de parte del experto y las probabilidades de error humano aumentan.La detección de bridas en oleoductosy mineraloductos es una de las aplicaciones recientes de GPR que suelepresentar las características mencionadas en el párrafo anterior, ya que involucrael análisis de datos adquiridos a lo largo de decenas o cientos de kilómetros. Antelas dificultades planteadas, el objetivo de este trabajo es estudiar laidentificación automática de este tipo de objetos utilizando algoritmos deaprendizaje no supervisado, en particular redes neuronales.Las redes neuronales se utilizan aquícomo sistemas de detección y clasificación de patrones, en donde los algoritmosaprenden a realizar una tarea, el reconocimiento, en base a cierta experiencia previamenteadquirida (perfiles de GPR en los cuales se han identificado bridas). Unsegundo conjunto de datos en los cuales también se han identificado bridas actúacomo testeo de la red neuronal resultante. Finalmente, ésta es aplicada a un conjuntode datos incógnita. Los ejemplos considerados incluyen datos de campo obtenidosdurante la prospección de un ducto y datos sintéticos, los cuales fueronutilizados para generalizar la base de datos de entrenamiento de las redes alos distintos tipos de suelo y profundidades del ducto que hemos medido en laregión. Se evalúan distintas arquitecturas de redesneuronales multicapa y se discute el desempeño de cada una a la hora derealizar el reconocimiento. Asimismo, se realiza un proceso de selección deatributos definidos sobre los datos de entrada y se evalúa la ventaja deincluirlos en el procedimiento. Los algoritmos estudiados handemostrado alcanzar una buena efectividad, lo que presenta una perspectiva alentadorapara la aplicación de redes neuronales para la localización automática debridas.