Identification of the geometrical parameters of cylindrical targets hidden ‎in GPR images using particle swarm optimization (PSO) algorithm

Document Type : Original Article

Authors

1 Faculty Memeber of Arak University of Technology

2 PhD Candidate of Mining Engineering

Abstract

The geophysical ground-penetrating radar (GPR) method is able to detect and identify shallow buried targets ‎especially cylindrical type without any destruction of the medium. GPR method is based on sending the ‎electromagnetic waves generally in the range of 1 MHz up to 1 GHz frequency into the earth and receiving ‎reflected off various buried targets. In present research, this method has been used to identify geometrical ‎parameters of buried cylindrical targets containing burial depth and radius. This task was done through the ‎mathematical relationships between geometrical parameters of cylindrical targets with their GPR hyperbolic ‎response using the particle swarm optimization algorithm (PSO). To achieve this goal first, forward modeling of ‎GPR data by 2-D finite-difference time-domain (FDTD) method using GPRMAX was performed for several ‎synthetic models corresponding to common targets in geotechnical applications and subsurface cylindrical ‎installations. Also in the research, several field surveys were carried out over the well-known buried cylindrical ‎targets in Isfahan University of Technology campus, moreover their GPR response was investigated after ‎employing different processing sequences. In order to extract the geometrical parameters of the buried cylindrical ‎targets in synthetic models and real surveys, the PSO algorithm was used in MATLAB environment. The algorithm ‎performance for 7 produced synthetic models, including cylindrical targets made by different materials, radii and ‎burial depth, as well as the real radargrams of GPR profiles in Isfahan University of Technology campus was ‎verified leading to favorite and reasonable results for the synthetic models and real radargrams, respectively.‎

Keywords

Main Subjects

References

احمدی، ر.، فتحیان پور، ن.، نوروزی، غ.ح.، 1394. تحلیل حساسیت پاسخ GPR اهداف ژئوتکنیکی مدفون به پارامترهای هندسی و فیزیکی با استفاده از مدلسازی عددی پیشرو. نشریه علمی -پژوهشی روشهای تحلیلی و عددی در مهندسی معدن، شماره 9، بهار و تابستان 1394، 30-13.
احمدی، ر.، فتحیان پور، ن.، نوروزی، غ.ح.، 1394. مقایسه عملکرد روش‌های هوشمند شبکه‌های عصبی مصنوعی و ماشین بردار پشتیبان در شناسایی خودکار اهداف استوانه‌ای پنهان در تصاویر رادار نفوذی به زمین. نشریه علمی- پژوهشی مهندسی معدن،دوره دهم، شماره 26، سال 1394، 98-83.
امامی میبدی، ع.، خضری، م.، اعظمی، آ.، 1388. شبیه‌سازی تابع تقاضای انرژی در ایران با استفاده از الگوریتم بهینه‌سازی انبوه ذرات (PSO). فصل نامه مطالعات اقتصاد انرژی، سال ششم، شماره 20، بهار 1388، 159-141.
جفرسته، ب.، فتحیان پور، ن.، طباطبائی، س.ح.، 1394. استخراج پارامترهای هندسی اشیاء مدفون استوانه‌ای در تصاویر GPR با استفاده از الگوریتم ژنتیک بهینه شده. مجله فیزیک زمین و فضا، دوره 41، شماره 1، 73-63.
رجب‌پور، ر.، افشار، م.ه.، 1387. بهره‌برداری بهینه از ایستگاه‌های پمپاژ متوالی با استفاده از الگوریتم PSO. نشریه آب و فاضلاب، شماره 66، سال 1387، 66- 56.
صادقی، و.، عبادی، ح.، محمدزاده، ع.، فرنود، ف.، 1394. آشکارسازی تغییرات در تصاویر سنجش از دور چندزمانه با حدآستانه‌گذاری شاخص تغییرات تلفیقی مبتنی بر الگوریتم توده ذرات. نشریه علمی- پژوهشی علوم و فنون نقشه برداری، دوره پنجم، شماره 3، بهمن 1394.
علیاری شوره‌دلی، م.، تشنه لب، م.، خاکی صدیق، ع.، 1387. پیش‌بینی کوتاه مدت آلودگی هوا با کمک شبکه‌های عصبی پرسپترون چندلایه، خط حافظه‌دار تاخیر، گاما و ANFIS با روش‌های ترکیبی آموزشی مبتنی بر PSO. مجله کنترل، جلد 2، شماره 1، 19-1.
کامکار روحانی، ا.، اسحاقی، ا.، عرب امیری، ع.ر.، 1391. پردازش و تفسیر داده‌های رادار نفوذی به زمین (GPR) به منظور شناسایی حفره‌های زیرسطحی و بررسی لایه بندی، دانه‌بندی و برآورد میزان رس در رسوبات زیرسطحی کم عمق. مجله فیزیک زمین و فضا، دوره 38، شماره 4، 1391، 173-155.
محمدی اقدم، ک.، میرزایی، ا.، پورمحمود، ن.، محمدپور، م.آ.ب.، 1394. الگوریتم بهینه‌سازی گروه ذرات دینامیکی جهشی برای طراحی شبکه‌های توزیع آب. نشریه آب و فاضلاب، شماره 4، سال 1394، 99- 88.
Abraham, A., Guo, H., Liu, H., 2006. Swarm intelligence: foundations,perspectives and applications. Swarm Intelligent Systems, Nedia Nedjah,Luiza Mourelle (Eds.), Studies in Computational Intelligence, 3–25.
Annan, A.P., 2003. Ground penetrating radar: Principles, procedures and applications. Sensors and Software Inc. Technical Paper.
Annan, A.P., 2001. Ground-penetrating radar workshop notes, Sensors and Software Inc. Mississauga, ON, Canada, 192 p.
Annan, A.P., 2002. The history of ground penetrating radar. Subsurface Sensing Technologies and Applications, 3(4), 303–320.
Apparao, A., and Balkema, A.A., 1997. Development in geoelectrical methods. 293 p.
Camilli, L., 2015. The evolution of swarm intelligence and applications for econometric modeling. technical report, December 2015, https://www.researchgate.net/publication/ 3116454
Chen, H., and Cohn, A.G., 2010. Probabilistic robust hyperbola mixture model for interpreting ground penetrating radar data. The 2010 International Joint Conference on Neural Networks (IJCNN), 1-8.
Daniels, D.J., 2004. Ground Penetrating Radar. 2nd edition, Radar, Sonar, Navigation and Avionics, Series 15. Institute of Electrical Engineers, London, UK.
Knödel, K., Lange, G., Voigt, H.J., 2007. Environmental geology: handbook of field methods and case studies. Google Books Result, 1357 p., Chapter 4, Geophysics.
Morey, R.M., 1974. Continuous subsurface profiling by impulse radar, subsurface exploration for underground excavation and heavy construction. ASCE Specialty Conference, Henniker, New Hampshire, 213-232.
Shi, Y., and Eberhart, R.C., 1998. Parameter selection in particle swarm optimization. Porto, V.W., Saravanan, N., Waagen, D., Eiben, A.E. (eds.), In: Evolutionary programming VII, 611-616.
Shi, Y., and Eberhart, R.C., 1999. Empirical study of particle swarm optimization. Proc. IEEE, International Congress Evolutionary Computation, Washington, D.C., USA, 1945-1950.
Shihab, S. and Al-Nuaimy, W., 2005. Radius estimation for cylindrical objects detected by Ground penetrating radar. Subsurface Sensing Technologies and Applications, 6, 151-166.
Stern, W., 1929. Versucheiner elektrodynamischen dickenmessung von gletschereis. Gerl. Beitr. Zur Geophysik, 23.
Zhang, P., Guo, X., Muhammat, N., Wang, X., 2016. Research on probing and predicting the diameter of an underground pipeline by GPR during an operation period. Tunnelling and Underground Space Technology, 58, 99–108.
                                                                                                                         
Scientific Quarterly Journal of Iranian Association of Engineering Geology
Volume 11, Issue 1
June 2019
Pages 81-94

Files

History

  • Receive Date: 03 November 2018
  • Revise Date: 21 December 2018
  • Accept Date: 24 December 2018

Share

How to cite

Statistics