“Radar de Penetração no Solo e Meio- Ambiente”
âRadar de Penetração no Solo e Meio- Ambienteâ - IAG - USP
âRadar de Penetração no Solo e Meio- Ambienteâ - IAG - USP
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
UNIVERSIDADE DE SÃO PAULOINSTITUTO DE ASTRONOMIA, GEOFÍSICA ECIÊNCIAS ATMOSFÉRICASDEPARTAMENTO DE GEOFÍSICACurso 3ª Ida<strong>de</strong><strong>“Radar</strong> <strong>de</strong> <strong>Penetração</strong> <strong>no</strong> <strong>Solo</strong> e <strong>Meio</strong>-<strong>Ambiente”</strong>Vinicius Rafael Neris dos Santos
SUMÁRIOI - Radar <strong>de</strong> <strong>Penetração</strong> <strong>no</strong> <strong>Solo</strong> – aplicaçõesII - Aplicações do método <strong>de</strong> RNAsIII – Motivação – inspiração biológicaIV – Introdução HistóricaV – Re<strong>de</strong>s Neurais ArtificiaisVI – Aplicação <strong>no</strong> método GPR2
Radar <strong>de</strong> <strong>Penetração</strong> <strong>no</strong> <strong>Solo</strong> - aplicaçõesArqueologia3
Agricultura4
Arqueologia / Contaminação5
Contaminação7
Engenharia8
Engenharia9
Engenharia10
Geologia11
Arqueologia12
Geologia13
Contaminação14
EMRIs: signatures of alternative theories of gravity●Case study: Chern-Simons gravity– Parity violation[ Alexan<strong>de</strong>r & Yunes, Sopuerta & Yunes, ...]– Schwarzschild BHs persist as background solutions– Kerr BHs are NOT solutions– GW emission is different![Yunes & Pretorius (2009)][ Cardoso & Gualtieri 2009][ Pani, Cardoso, Gualtieri '11][ Molina, Pani, Cardoso & Gualtieri 2010]2010510.50.1●●●Axial and scalar mo<strong>de</strong>s are coupledLarger flux at the horizon → faster inspiralThe horizon contribution is dominant0.0114/16P. Pani – Approximation theory in gravity – NR | HEP Ma<strong>de</strong>ira island 2011
Forense16
Contaminação17
Engenharia18
Forence19
Forense20
Como i<strong>de</strong>ntificar o alvo num radargrama:21
Problema existente <strong>no</strong> método GPR: ambiguida<strong>de</strong>(raiz <strong>de</strong> árvore x artefato arqueológico); Projeto <strong>de</strong> Doutorado: “Detecção e ClassificaçãoAutomática <strong>de</strong> Interferências <strong>no</strong> Subsolo com GPRUtilizando Re<strong>de</strong>s Neurais Artificiais (RNAs):Estudo <strong>no</strong> SCGR do IAG/USP”23
Por que Re<strong>de</strong>s Neurais Artificiais (RNA)? Capacida<strong>de</strong> <strong>de</strong> apren<strong>de</strong>r por meio <strong>de</strong> exemplos; Ferramenta computacional <strong>de</strong> fácil<strong>de</strong>senvolvimento; Apresenta boa resposta em dados geofísicos.24
II – Aplicações do método <strong>de</strong> RNAsTarefasAlgumas aplicaçõesReconhecimento <strong>de</strong> caracteresReconhecimento <strong>de</strong> imagensClassificaçãoDiagnóstico (médico,equipamentos, etc.)Análise <strong>de</strong> risco <strong>de</strong> créditoDetecção <strong>de</strong> frau<strong>de</strong>sCategorizaçãoPrevisãoDetecção <strong>de</strong> falhas em sistemasindustriaisAgrupamento <strong>de</strong> sequências <strong>de</strong>DNAMineração <strong>de</strong> dadosAnálise <strong>de</strong> expressão gênicaAgrupamento <strong>de</strong> clientesPrevisão do tempoPrevisão financeiraMo<strong>de</strong>lagem <strong>de</strong> sistemasdinâmicosPrevisão <strong>de</strong> sequências <strong>de</strong> DNAPrincipaistarefas que asRNAs po<strong>de</strong>mexecutar ealgumasaplicações.25
Aplicações em Geofísica JUSTICE et al. (1985): propuseram uma interpretação <strong>de</strong> dadossísmicos para prospecção <strong>de</strong> hidrocarbonetos a partir da análise <strong>de</strong> padrões,sendo estes analisados por RNA. NEYAMADPOUR et al. (2009): realizaram uma inversão 2D <strong>de</strong>resistivida<strong>de</strong> utilizando re<strong>de</strong>s neurais artificiais. TRONG LONG HO (2009): realizou uma inversão 3D para dadosgeoelétricos utilizando uma re<strong>de</strong> neural do tipo backpropagation. ADELI & PANAKKAT (2009): <strong>de</strong>senvolveram uma metodologia paraprever a magnitu<strong>de</strong> <strong>de</strong> terremotos através <strong>de</strong> uma re<strong>de</strong> neural probabilística(RNP). O mo<strong>de</strong>lo fornece uma boa previsão para os terremotos <strong>de</strong>magnitu<strong>de</strong> entre 4,5 e 6,0. AL-NUAIMY et al. (2000): Uma re<strong>de</strong> neural foi utilizada para i<strong>de</strong>ntificaralvos enterrados <strong>no</strong>s perfis GPR.26
III – O que é o RNA? – inspiração biológica O cérebro huma<strong>no</strong> contém aproximadamente 100 bilhões <strong>de</strong>neurônios e cada um <strong>de</strong>sses processa e se comunica commilhares <strong>de</strong> outros continuamente e em paralelo. A estrutura individual <strong>de</strong>sses neurônios, a topologia <strong>de</strong> suasconexões e o comportamento conjunto <strong>de</strong>sses elementos <strong>de</strong>processamento naturais formam a base para o estudo das Re<strong>de</strong>sNeurais Artificiais (RNAs).27
Um neurônio biológico típico é composto por um corpocelular, um axônio tubular e várias ramificações conhecidascomo <strong>de</strong>ndritos. O número <strong>de</strong> sinais recebidos por cada neurônio varia <strong>de</strong> 100a 100.000, sendo que eles po<strong>de</strong>m ser tanto excitatórios comoinibitórios.28
Dendritos – Ramificações correspon<strong>de</strong>ntes aos canais <strong>de</strong> entrada <strong>de</strong>informação (sinais elétricos, escala mVolt = 1/1000 Volt);Corpo celular – Local on<strong>de</strong> é feito o balanço energético da célula nervosa(soma das contribuições <strong>de</strong> energia);Axônio – Canal <strong>de</strong> saída do neurônio, ou seja, caminho <strong>de</strong> propagação dosimpulsos nervosos em direção a outros neurônios ou músculos;Sinapses – Pontos <strong>de</strong> contato entre neurônios on<strong>de</strong> há passagem <strong>de</strong>neurotransmissores das terminações do axônio <strong>de</strong> um neurônio para os<strong>de</strong>ndritos <strong>de</strong> outro neurônio.29
O fluxo da informação ocorre sempre <strong>no</strong> sentido:Dendritos ➔ Corpo Celular s ➔ Axônio30
Neurônios po<strong>de</strong>m se conectar com outros neurônios ...31
... com os músculos diretamente ...32
... ou com órgãos sensoriais (por exemplo a visão).33
Três tipos <strong>de</strong> neurônios:34
III – RNA - Introdução Histórica 1943: McCulloch e Pitts publicaram a teoria <strong>de</strong> Re<strong>de</strong>sNeurais Artificiais e propuseram um mo<strong>de</strong>lo computacionalpara o neurônio biológico (neurônio MCP); O neurônio mo<strong>de</strong>lado foi capaz <strong>de</strong> implementar funçõeslógicas simples, sendo um dispositivo binário e não possuíamecanismos <strong>de</strong> comparação entre entrada e saída ou qualquerprocesso <strong>de</strong> ajuste <strong>de</strong> pesos;Foram <strong>de</strong>senvolvidos mo<strong>de</strong>los matemáticos que representemos <strong>de</strong>ndritos, as sinapses, o corpo celular e o axônio.35
Passo 1: Cada ramo da árvore <strong>de</strong>ndrítica é mo<strong>de</strong>lado como umalinha ou canal <strong>de</strong> transmissão por on<strong>de</strong> flui a informação <strong>de</strong>entrada;“Entrada”dos estímulosEntradasda RNA36
Passo 2: A força (ou eficiência) das conexões sinápticas <strong>de</strong> umacerta árvore <strong>de</strong>ndrítica é mo<strong>de</strong>lada como um fator (pesosináptico), cujo papel é modular o fluxo <strong>de</strong> sinais passando poruma certa árvore <strong>de</strong>ndrítica.NeurônioRNA37
Passo 3: A função do corpo celular <strong>de</strong> realizar o balanço ouacúmulo energético é mo<strong>de</strong>lada por uma operação <strong>de</strong> somatóriosobre as entradas moduladas pelos pesos sinápticos.NeurônioRNA38
Passo 4: O axônio é mo<strong>de</strong>lado como uma chave ON/OFF,que indica se o neurônio respon<strong>de</strong>u ao estímulo atual. Emoutras palavras, se houve ou não o envio <strong>de</strong> um potencial <strong>de</strong>ação.NeurônioRNA39
Mo<strong>de</strong>lo Completo do Neurônio Artificial <strong>de</strong> McCulloch-Pitts x 1 , x 2 ,…,x n são as entradas;∑i: unida<strong>de</strong> <strong>de</strong> processamento; função <strong>de</strong> ativação não linear f i ; saída y i .Cada entrada recebe um estímulo que é pon<strong>de</strong>rado pelo peso w ij , que po<strong>de</strong>ser excitatório ou inibitório; A unida<strong>de</strong> <strong>de</strong> processamento coleta os sinais pon<strong>de</strong>rados e os agregajuntamente com o termo limiar, i; A soma <strong>de</strong> todas as entradas pon<strong>de</strong>radas e o limiar, dado por a i , é entãomodulada pela função <strong>de</strong> ativação f i que <strong>de</strong>termina o nível <strong>de</strong> excitaçãogerado pelo elemento neural.40
V – RNA Neurônios individuais possuem capacida<strong>de</strong> computacionallimitada; Um conjunto <strong>de</strong> neurônios artificiais conectados na forma <strong>de</strong>uma re<strong>de</strong> é capaz <strong>de</strong> resolver problemas <strong>de</strong> complexida<strong>de</strong>elevada; Uma RNA possui:(i) um conjunto <strong>de</strong> elementos neurais;(ii) uma arquitetura que <strong>de</strong>fine o número <strong>de</strong> elementos ea forma com se interconectam, e;(iii) proprieda<strong>de</strong>s funcionais que <strong>de</strong>finem como a re<strong>de</strong>apren<strong>de</strong>, recorda, associa, compara e classifica.41
Umas das características mais importantes das RNAs é acapacida<strong>de</strong> <strong>de</strong> apren<strong>de</strong>r por meio <strong>de</strong> exemplos. Aprendizado: processo pelo qual os parâmetros livres <strong>de</strong> umaRNA são ajustados por meio <strong>de</strong> uma forma continuada <strong>de</strong>estímulos pelo ambiente exter<strong>no</strong>.42
ENTENDENDO ASREDES NEURAIS ARTIFICIAIS43
O que precisamos:‣ Características <strong>de</strong> entrada da re<strong>de</strong>;‣ Definição dos tipos <strong>de</strong> saídas;‣ Tempo <strong>de</strong> treinamento;‣ Análise da classificação feita. Exemplo: classificador <strong>de</strong> lápis ver<strong>de</strong>44
‣ Características <strong>de</strong> entrada da re<strong>de</strong>Cor: ver<strong>de</strong>Marca: BicTipo: HBBorracha: simCor: brancaParte metálica: simCor: azul45
Camada <strong>de</strong>entradaCamadaocultaCamada <strong>de</strong>saídaCorMarcaTipoPossui borrachaCor da borrachaPossui parte metálicaCor da parte metálica46
‣ Treinamento: é realizado quantas vezes for necessário, <strong>de</strong>acordo com o usuário.Cor: ver<strong>de</strong>Marca: BicTipo: HBBorracha: simCor: brancaParte metálica: simCor: azul47
‣ Classificação: conjunto <strong>de</strong> 6 elementos para seremclassificados <strong>de</strong> acordo com as características selecionadas.Cor azul amarelo ver<strong>de</strong> ver<strong>de</strong> ver<strong>de</strong> marromMarca A B A Bic Bic CTipo B HB HB HB HB 2BPossui borracha sim sim sim sim sim simCor da borracha branca vermelha branca branca branca amarelaPossui parte metálica sim sim sim sim sim simCor da parte metálica preta prata azul azul azul prata48
Classificador <strong>de</strong> lápis100%RNA49
Classificador <strong>de</strong> lápis83%RNA50
VI – Aplicação <strong>no</strong> método GPRO Sítio Controlado <strong>de</strong> Geofísica Rasa – SCGR/IAG-USP51
Linhas utilizadas para a classificação automática utilizando RNAs: a) Linha 2(tubos <strong>de</strong> PVC). b) Linha 3 (manilhas <strong>de</strong> concreto). c) Linha 4 (tambores metálicos).d) Linha 5 (tambores plásticos). e) Linha 6 (tubos metálicos). f) Linha 7 (tubosmetálicos e cabos elétricos)53
TUBULAÇÃO HIDRÁULICA54
ESGOTO SANITÁRIO55
TAMBORES METÁLICOS56
TAMBORES PLÁSTICOS57
TUBOS METÁLICOS58
CABOS ELETROPAULO E TUBOS FIBRA ÓTICA59
Aquisição <strong>de</strong> dados <strong>no</strong> SCGR. a) Antena <strong>de</strong> 400 MHz. b)Antena <strong>de</strong> 200 MHz.60
Aquisição <strong>de</strong> dados <strong>no</strong> SCGR. a) Antena <strong>de</strong> 900 MHz. b)Antena <strong>de</strong> 270 MHz.61
Linha 2 – Tubos <strong>de</strong> PVC200 MHz 270 MHz400 MHz 900 MHz62
Linha 3 – Manilhas <strong>de</strong> concreto200 MHz 270 MHz400 MHz 900 MHz63
Linha 4 – Tambores metálicos200 MHz 270 MHz400 MHz 900 MHz64
Linha 5 – Tambores plásticos200 MHz 270 MHz400 MHz 900 MHz65
Linha 6 – Tubos metálicos200 MHz 270 MHz400 MHz 900 MHz66
Linha 7 – Tubos metálicos e cabos elétricos200 MHz 270 MHz400 MHz 900 MHz67
MotivaçãoExemplo <strong>de</strong> perfis GPR.68
Características extraídas dos perfis GPR:CaracterísticasEstatísticasCaracterísticasEspectraisCaracterísticasVariânciaDesvio médio absoluto4° momentoDensida<strong>de</strong> espectralDistribuição Wigner-VilleTransformada <strong>de</strong> Fourier <strong>no</strong> tempo curtoTransformada da Wavelet69
Densida<strong>de</strong> espectral para dados obtidos com antena <strong>de</strong> 200 MHz. a) Densida<strong>de</strong>espectral médio. b) Zoom da região do pico.70
Distribuição Wigner-Ville para dados obtidos com antena <strong>de</strong> 200 MHz. a) Alvoplástico. b) Alvo <strong>de</strong> concreto. c) Alvo metálico.71
TFTC. a) 200 MHz <strong>no</strong> período seco. b) 200 MHz <strong>no</strong> período <strong>de</strong> chuva. c) 400 MHz<strong>no</strong> período seco. d) 400 MHz <strong>no</strong> período <strong>de</strong> chuva.72
Transformada Wavelet (WT) para antena <strong>de</strong> 200 MHz. a) Sinal original. b)Transformada Wavelet Discreta (DWT). c) Transformada Wavelet Contínua (CWT).73
variância<strong>de</strong>svio médio absolutoCamada <strong>de</strong>entrada1ª camadaoculta2ª camadaocultaCamada <strong>de</strong>saídaplástico4° momentoDensida<strong>de</strong> espectral<strong>de</strong> potenciaDistribuição Wigner-VilleTransformada <strong>de</strong> Fourier<strong>no</strong> tempo curtoconcretometalSem classificaçãoTransformada da Wavelet74
Saídas:‣ Plástico: [1 0 0 0];‣ Concreto: [0 1 0 0];‣ Metal: [0 0 1 0];‣ Sem classificação: [0 0 0 1].75
Resultados para a classificação automática utilizando RNA, em ver<strong>de</strong> classificaçãocorreta e vermelho classificação errada. a) Linha 2. b) Linha 3. c) Linha 4. d) Linha5. e) Linha 6. f) Linha 7.76
Resultados obtidos para a i<strong>de</strong>ntificação e classificação em dados não controlados(Biologia/USP SP). a) I<strong>de</strong>ntificação das hipérboles. b) Classificação das hipérboles.77
A re<strong>de</strong> conseguiu uma taxa <strong>de</strong> acerto <strong>de</strong> 91% A utilização <strong>de</strong>stas duas metodologias para i<strong>de</strong>ntificar eclassificar alvos em subsuperfície se mostrou eficiente e combons resultados, contribuindo para reduzir as ambiguida<strong>de</strong>s nainterpretação dos dados geofísicos.78
Aplicação do método GPR com RNA:• Campus USP Pirassununga79