Numerical and experimental generated data during project https://doi.org/10.1038/s41598-024-65996-0 - Open Research Data - MOST Wiedzy

Twoje konto

zaloguj

Wyszukiwarka

Numerical and experimental generated data during project https://doi.org/10.1038/s41598-024-65996-0

Opis

The dataset was generated using a deep-learning-based surrogate modeling technique for characterizing buried objects using 3-D full-wave electromagnetic simulations of a GPR model. The task was to independently predict characteristic parameters of a buried object of diverse radii allocated at different positions (depth and lateral position) in various dispersive subsurface media. The proposed surrogate model referred to as the deep regression network (DRN) is utilized for the time-frequency spectrogram (TFS) of consecutive A-scans. DRN is developed with the main aim being computationally efficient (about 13 times acceleration) compared to conventional network models using B-scan images (2D data). DRN with TFS is favorably benchmarked to the state-of-the-art regression techniques. The experimental results obtained for the proposed model and second-best model, CNN-1D show mean absolute and relative error rates of 3.6 mm, 11.8 mm, and 4.7%, 11.6%, respectively.

Plik z danymi badawczymi

metadata_p13_complete.pdf
1.2 MB, S3 ETag fd91586c9f57c88339b49baf6a9dff44-1, pobrań: 1
Hash pliku liczony jest ze wzoru
hexmd5(md5(part1)+md5(part2)+...)-{parts_count} gdzie pojedyncza część pliku jest wielkości 512 MB

Przykładowy skrypt do wyliczenia:
https://github.com/antespi/s3md5

Informacje szczegółowe o pliku

Licencja:
Creative Commons: by 4.0 otwiera się w nowej karcie
CC BY
Uznanie autorstwa

Informacje szczegółowe

Rok publikacji:
2025
Data zatwierdzenia:
2025-03-17
Język danych badawczych:
angielski
DOI:
Identyfikator DOI 10.34808/b14p-4585 otwiera się w nowej karcie
Finansowanie:
Weryfikacja:
Politechnika Gdańska

Słowa kluczowe

Powiązane zasoby

Cytuj jako

Autorzy

wyświetlono 8 razy