ИСТИНА

Физико-информированные нейронные сети (Physics-Informed Neural Networks, PINNs) интегрируют фундаментальные законы физики в архитектуру машинного обучения, что позволяет сократить потребность в больших объемах экспериментальных данных. На основе реальных данных электрометрического мониторинга строящегося объекта (2013–2016 гг.) разработан гибридный подход к генерации синтетических данных: с методикой физического создания дополнительных данных из уже имеющихся первичных полевых измерений (аугментацией) и синтетическими аномалиями. Предложенный и опробованный авторами метод создания первичных полевых материалов на основе выполненных экспериментальных наблюдений малого объема позволяет генерировать физически корректные синтетические данные электротомографии. Основной особенностью разработанного и опробованного метода генерации данных является использование комбинации нескольких факторов различной природы (реальные полевые измерения, природные процессы и др.) с разными весами. Реализованный подход открывает возможности по разработке и созданию синтетических моделей для обучения, тестирования и отладки практических приложений направленных на решение прикладных задач. Например, приложений с использованием алгоритмов машинного обучения, разработанных для обработки и анализа первичных полевых данных метода электротомографии. В частности, системы электрометрического мониторинга с глубоким обучением в условиях ограниченности исходных данных. Приведенные в сообщении результаты тестирования такой системы автоматического слежения за состоянием возводимого инженерного сооружения демонстрируют ее работоспособность, эффективность и надежность осуществления контроля качества ответственного строительства.