“Radar de Penetração no Solo e Meio- Ambiente”

UNIVERSIDADE DE SÃO PAULOINSTITUTO DE ASTRONOMIA, GEOFÍSICA ECIÊNCIAS ATMOSFÉRICASDEPARTAMENTO DE GEOFÍSICACurso 3ª Idade“Radar de Penetração no Solo e Meio-Ambiente”Vinicius Rafael Neris dos Santos

SUMÁRIOI - Radar de Penetração no Solo – aplicaçõesII - Aplicações do método de RNAsIII – Motivação – inspiração biológicaIV – Introdução HistóricaV – Redes Neurais ArtificiaisVI – Aplicação no método GPR2

Radar de Penetração no Solo - 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[ Alexander & 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 modes are coupledLarger flux at the horizon → faster inspiralThe horizon contribution is dominant0.0114/16P. Pani – Approximation theory in gravity – NR | HEP Madeira island 2011

Forense16

Contaminação17

Engenharia18

Forence19

Forense20

Como identificar o alvo num radargrama:21

Problema existente no método GPR: ambiguidade(raiz de árvore x artefato arqueológico); Projeto de Doutorado: “Detecção e ClassificaçãoAutomática de Interferências no Subsolo com GPRUtilizando Redes Neurais Artificiais (RNAs):Estudo no SCGR do IAG/USP”23

Por que Redes Neurais Artificiais (RNA)? Capacidade de aprender por meio de exemplos; Ferramenta computacional de fácildesenvolvimento; Apresenta boa resposta em dados geofísicos.24

II – Aplicações do método de RNAsTarefasAlgumas aplicaçõesReconhecimento de caracteresReconhecimento de imagensClassificaçãoDiagnóstico (médico,equipamentos, etc.)Análise de risco de créditoDetecção de fraudesCategorizaçãoPrevisãoDetecção de falhas em sistemasindustriaisAgrupamento de sequências deDNAMineração de dadosAnálise de expressão gênicaAgrupamento de clientesPrevisão do tempoPrevisão financeiraModelagem de sistemasdinâmicosPrevisão de sequências de DNAPrincipaistarefas que asRNAs podemexecutar ealgumasaplicações.25

Aplicações em Geofísica JUSTICE et al. (1985): propuseram uma interpretação de dadossísmicos para prospecção de hidrocarbonetos a partir da análise de padrões,sendo estes analisados por RNA. NEYAMADPOUR et al. (2009): realizaram uma inversão 2D deresistividade utilizando redes neurais artificiais. TRONG LONG HO (2009): realizou uma inversão 3D para dadosgeoelétricos utilizando uma rede neural do tipo backpropagation. ADELI & PANAKKAT (2009): desenvolveram uma metodologia paraprever a magnitude de terremotos através de uma rede neural probabilística(RNP). O modelo fornece uma boa previsão para os terremotos demagnitude entre 4,5 e 6,0. AL-NUAIMY et al. (2000): Uma rede neural foi utilizada para identificaralvos enterrados nos perfis GPR.26

III – O que é o RNA? – inspiração biológica O cérebro humano contém aproximadamente 100 bilhões deneurônios e cada um desses processa e se comunica commilhares de outros continuamente e em paralelo. A estrutura individual desses neurônios, a topologia de suasconexões e o comportamento conjunto desses elementos deprocessamento naturais formam a base para o estudo das RedesNeurais Artificiais (RNAs).27

Um neurônio biológico típico é composto por um corpocelular, um axônio tubular e várias ramificações conhecidascomo dendritos. O número de sinais recebidos por cada neurônio varia de 100a 100.000, sendo que eles podem ser tanto excitatórios comoinibitórios.28

Dendritos – Ramificações correspondentes aos canais de entrada deinformação (sinais elétricos, escala mVolt = 1/1000 Volt);Corpo celular – Local onde é feito o balanço energético da célula nervosa(soma das contribuições de energia);Axônio – Canal de saída do neurônio, ou seja, caminho de propagação dosimpulsos nervosos em direção a outros neurônios ou músculos;Sinapses – Pontos de contato entre neurônios onde há passagem deneurotransmissores das terminações do axônio de um neurônio para osdendritos de outro neurônio.29

O fluxo da informação ocorre sempre no sentido:Dendritos ➔ Corpo Celular s ➔ Axônio30

Neurônios podem se conectar com outros neurônios ...31

... com os músculos diretamente ...32

... ou com órgãos sensoriais (por exemplo a visão).33

Três tipos de neurônios:34

III – RNA - Introdução Histórica 1943: McCulloch e Pitts publicaram a teoria de RedesNeurais Artificiais e propuseram um modelo computacionalpara o neurônio biológico (neurônio MCP); O neurônio modelado foi capaz de implementar funçõeslógicas simples, sendo um dispositivo binário e não possuíamecanismos de comparação entre entrada e saída ou qualquerprocesso de ajuste de pesos;Foram desenvolvidos modelos matemáticos que representemos dendritos, as sinapses, o corpo celular e o axônio.35

Passo 1: Cada ramo da árvore dendrítica é modelado como umalinha ou canal de transmissão por onde flui a informação deentrada;“Entrada”dos estímulosEntradasda RNA36

Passo 2: A força (ou eficiência) das conexões sinápticas de umacerta árvore dendrítica é modelada como um fator (pesosináptico), cujo papel é modular o fluxo de sinais passando poruma certa árvore dendrítica.NeurônioRNA37

Passo 3: A função do corpo celular de realizar o balanço ouacúmulo energético é modelada por uma operação de somatóriosobre as entradas moduladas pelos pesos sinápticos.NeurônioRNA38

Passo 4: O axônio é modelado como uma chave ON/OFF,que indica se o neurônio respondeu ao estímulo atual. Emoutras palavras, se houve ou não o envio de um potencial deação.NeurônioRNA39

Modelo Completo do Neurônio Artificial de McCulloch-Pitts x 1 , x 2 ,…,x n são as entradas;∑i: unidade de processamento; função de ativação não linear f i ; saída y i .Cada entrada recebe um estímulo que é ponderado pelo peso w ij , que podeser excitatório ou inibitório; A unidade de processamento coleta os sinais ponderados e os agregajuntamente com o termo limiar, i; A soma de todas as entradas ponderadas e o limiar, dado por a i , é entãomodulada pela função de ativação f i que determina o nível de excitaçãogerado pelo elemento neural.40

V – RNA Neurônios individuais possuem capacidade computacionallimitada; Um conjunto de neurônios artificiais conectados na forma deuma rede é capaz de resolver problemas de complexidadeelevada; Uma RNA possui:(i) um conjunto de elementos neurais;(ii) uma arquitetura que define o número de elementos ea forma com se interconectam, e;(iii) propriedades funcionais que definem como a redeaprende, recorda, associa, compara e classifica.41

Umas das características mais importantes das RNAs é acapacidade de aprender por meio de exemplos. Aprendizado: processo pelo qual os parâmetros livres de umaRNA são ajustados por meio de uma forma continuada deestímulos pelo ambiente externo.42

ENTENDENDO ASREDES NEURAIS ARTIFICIAIS43

O que precisamos:‣ Características de entrada da rede;‣ Definição dos tipos de saídas;‣ Tempo de treinamento;‣ Análise da classificação feita. Exemplo: classificador de lápis verde44

‣ Características de entrada da redeCor: verdeMarca: BicTipo: HBBorracha: simCor: brancaParte metálica: simCor: azul45

Camada deentradaCamadaocultaCamada desaídaCorMarcaTipoPossui borrachaCor da borrachaPossui parte metálicaCor da parte metálica46

‣ Treinamento: é realizado quantas vezes for necessário, deacordo com o usuário.Cor: verdeMarca: BicTipo: HBBorracha: simCor: brancaParte metálica: simCor: azul47

‣ Classificação: conjunto de 6 elementos para seremclassificados de acordo com as características selecionadas.Cor azul amarelo verde verde verde 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 de lápis100%RNA49

Classificador de lápis83%RNA50

VI – Aplicação no método GPRO Sítio Controlado de Geofísica Rasa – SCGR/IAG-USP51

Linhas utilizadas para a classificação automática utilizando RNAs: a) Linha 2(tubos de PVC). b) Linha 3 (manilhas de 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 de dados no SCGR. a) Antena de 400 MHz. b)Antena de 200 MHz.60

Aquisição de dados no SCGR. a) Antena de 900 MHz. b)Antena de 270 MHz.61

Linha 2 – Tubos de PVC200 MHz 270 MHz400 MHz 900 MHz62

Linha 3 – Manilhas de 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 de perfis GPR.68

Características extraídas dos perfis GPR:CaracterísticasEstatísticasCaracterísticasEspectraisCaracterísticasVariânciaDesvio médio absoluto4° momentoDensidade espectralDistribuição Wigner-VilleTransformada de Fourier no tempo curtoTransformada da Wavelet69

Densidade espectral para dados obtidos com antena de 200 MHz. a) Densidadeespectral médio. b) Zoom da região do pico.70

Distribuição Wigner-Ville para dados obtidos com antena de 200 MHz. a) Alvoplástico. b) Alvo de concreto. c) Alvo metálico.71

TFTC. a) 200 MHz no período seco. b) 200 MHz no período de chuva. c) 400 MHzno período seco. d) 400 MHz no período de chuva.72

Transformada Wavelet (WT) para antena de 200 MHz. a) Sinal original. b)Transformada Wavelet Discreta (DWT). c) Transformada Wavelet Contínua (CWT).73

variânciadesvio médio absolutoCamada deentrada1ª camadaoculta2ª camadaocultaCamada desaídaplástico4° momentoDensidade espectralde potenciaDistribuição Wigner-VilleTransformada de Fourierno 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 verde 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 identificação e classificação em dados não controlados(Biologia/USP SP). a) Identificação das hipérboles. b) Classificação das hipérboles.77

A rede conseguiu uma taxa de acerto de 91% A utilização destas duas metodologias para identificar eclassificar alvos em subsuperfície se mostrou eficiente e combons resultados, contribuindo para reduzir as ambiguidades nainterpretação dos dados geofísicos.78

Aplicação do método GPR com RNA:• Campus USP Pirassununga79