Resumen

Este artículo presenta enfoques novedosos y muy robustos para resolver los problemas directos e inversos de un sistema de tomografía de capacitancia eléctrica (ECT) para la obtención de imágenes de materiales conductores. La ECT es una de las técnicas de tomografía estándar para la obtención de imágenes industriales. La técnica ECT es no intrusiva y rápida y requiere un bajo coste de carga. Sin embargo, el sistema ECT sigue adoleciendo de un problema de campo blando que afecta negativamente a la calidad de las imágenes reconstruidas. Aunque se han desarrollado muchos algoritmos de reconstrucción de imágenes, las imágenes generadas siguen siendo imprecisas y pobres. En este trabajo, se presenta el sistema de Red Neuronal Artificial de Capacitancia (CANN) como solucionador del problema forward para calcular las medidas de capacitancia estimadas. Además, se propone el sistema Metal Filled Fuzzy System (MFFS) como solucionador del problema inverso para construir las imágenes del metal. Para evaluar los enfoques propuestos, llevamos a cabo experimentos exhaustivos sobre las distribuciones de metal de las imágenes en el proceso de fundición de espuma perdida (LFC) para iluminar la fiabilidad del sistema y su eficiencia. Los resultados experimentales demostraron que el sistema es sensato y superior.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:sistema, capacitancia red neuronal artificial, muchos algoritmos de reconstrucción de imágenes, tomografía de capacitancia eléctrica, distribuciones metálicas de imagen, fundición de espuma perdida, bajo coste de carga, técnicas de tomografía estándar, ect, imágenes
• Keywords:system, capacitance artificial neural network, many image reconstruction algorithms, electrical capacitance tomography, image metal distributions, lost foam casting, low burden cost, standard tomography techniques, ect, images