基于近表面背散射表征颗粒随机介质：一种预测粒径与浓度的机器学习方法
计算物理
2018-08-15 v2 经典物理
摘要
使用单个接收器/源的直达波背散射能在多大程度上表征颗粒随机介质？在此，在二维设置下，我们通过机器学习方法表明，当颗粒上的边界条件为 Dirichlet 类型时，颗粒半径与浓度均可被精确测量。尽管我们引入的方法可应用于任意颗粒类型。一般而言，由于除极稀释范围外不可忽略多次散射，对大范围颗粒浓度的背散射难以解释。在 1% 到 20% 的浓度范围内，我们发现平均背散射波场足以精确确定颗粒浓度。然而，要精确确定颗粒半径，则需要背散射的二阶矩或平均强度。我们还能确定测量宽范围颗粒尺寸的理想频率区间。利用监督机器学习获得严格结果需要来自充满颗粒的无限半空间的背散射波的大型、高精度数据集。我们通过引入一种精确近似无限半空间背散射的数值方法得以创建该数据集。
引用
@article{arxiv.1801.05490,
title = {Characterising particulate random media from near-surface backscattering: a machine learning approach to predict particle size and concentration},
author = {Artur L. Gower and Robert M. Gower and Jonathan Deakin and William J. Parnell and I. David Abrahams},
journal= {arXiv preprint arXiv:1801.05490},
year = {2018}
}
备注
Supplementary material is given at the end of the paper. Code to create the data and results are available from: https://github.com/jondea/MultipleScattering.jl and https://github.com/gowerrobert/MultipleScatteringLearnMoments.jl