АВТОМАТИЗАЦІЯ, ІНТЕРНЕТ РЕЧЕЙ, РОБОТОТЕХНІКА ТА ІНФОРМАЦІЙНО-ВИМІРЮВАЛЬНІ СИСТЕМИ

ГІБРИДНИЙ АЛГОРИТМ АВТОМАТИЗОВАНОГО ПЕРВИННОГО АНАЛІЗУ ШИРОКОСМУГОВИХ ДІЕЛЕКТРИЧНИХ СПЕКТРІВ НЕОДНОРІДНИХ МАТЕРІАЛІВ

Автор(и)

А. Є. Щербак ORCID 0009-0007-0166-430X
Дніпровський національний університет імені Олеся Гончара ROR
І. В. Гомілко ORCID 0000-0003-3256-9771
Дніпровський національний університет імені Олеся Гончара ROR
І. А. Скуратовський ORCID 0000-0002-9444-5988
Дніпровський національний університет імені Олеся Гончара ROR
DOI https://doi.org/10.31649/1997-9266-2026-186-3-87-91

Ключові слова

широкосмугова діелектрична спектроскопія первинний аналіз розподіл часів релаксації тіхонівська регуляризація згорткова нейронна мережа приглушення шуму поляризація Максвелла–Вагнера неоднорідні матеріали

Анотація

Широкосмугова діелектрична спектроскопія (ШДС) забезпечує вимірювання частотно залежної комплексної діелектричної проникності ε*(ω), у якій одночасно відображаються кілька релаксаційних механізмів і процеси перенесення заряду в неоднорідних матеріалах. Проте через накладання дипольної релаксації, міжфазної (поляризації Максвелла–Вагнера), електродної поляризації та вимірювального шуму первинний аналіз експериментальних спектрів стає нетривіальним і трудомістким. У роботі запропоновано гібридний алгоритм первинного аналізу ШДС-даних, що поєднує попереднє приглушення шуму, відновлення розподілу часів релаксації (distribution of relaxation times, DRT) з використанням тіхонівської регуляризації та легку машинно-навчальну інтерпретацію на основі одновимірної згорткової нейронної мережі (1D-CNN), навченої на фізично обґрунтованих синтетичних спектрах. На етапі попередньої обробки застосовуються сингулярний спектральний аналіз (SSA) та корекція базової лінії для зменшення впливу артефактів вимірювання. Далі розв’язується некоректно поставлена задача відновлення невід’ємної функції розподілу часів релаксації g(log τ), яка узагальнює приховані релаксаційні моди без жорстких апріорних припущень про модель. Із отриманих спектрів та DRT векторизуються інтерпретовані ознаки (кількість піків, їх центри та ширини, показники провідності на низьких частотах тощо), що подаються на вхід компактної 1D-CNN. Мережа оцінює метапараметри, зокрема кількість перекривних релаксацій, наявність поляризації Максвелла–Вагнера та наявність «хвоста» провідності на низьких частотах. Числові експерименти на синтетичній вибірці показують приріст відношення сигнал/шум на 8...12 дБ після фільтрації, медіанне значення метрики Васерштейна для відновленого DRT менше ніж 0,08 та макросереднє значення F1-міри близько 0,91 для задачі класифікації метапараметрів. Запропоновано еталонну програмну реалізацію на Python, орієнтовану на інтеграцію з лабораторними вимірювальними комплексами. Алгоритм мінімізує обсяг апріорних припущень, водночас зберігаючи фізичну інтерпретовність, завдяки чому він є придатним як ядро системи автоматизованого первинного аналізу ШДС-даних композитів, пористих середовищ, ґрунтів, полімерних електролітів та інших неоднорідних систем.

80 28

Як цитувати

[1]
«ГІБРИДНИЙ АЛГОРИТМ АВТОМАТИЗОВАНОГО ПЕРВИННОГО АНАЛІЗУ ШИРОКОСМУГОВИХ ДІЕЛЕКТРИЧНИХ СПЕКТРІВ НЕОДНОРІДНИХ МАТЕРІАЛІВ», Вісник ВПІ, вип. 3, с. 87–91, Лип 2026, doi: 10.31649/1997-9266-2026-186-3-87-91.

Біографії авторів

автор А. Є. Щербак, афіліація Дніпровський національний університет імені Олеся Гончара

аспірант кафедри електронних обчислювальних машин

автор І. В. Гомілко, афіліація Дніпровський національний університет імені Олеся Гончара

канд. фіз.-мат. наук, доцент, декан факультету фізики, електроніки та комп’ютерних систем

автор І. А. Скуратовський, афіліація Дніпровський національний університет імені Олеся Гончара

 канд. фіз.-мат. наук, доцент кафедри електронних обчислювальних машин

Посилання

H. H. Woodward, “Broadband dielectric spectroscopy — a practical guide,” in Broadband Dielectric Spectroscopy: A Modern Analytical Technique, ACS Symposium Series, vol. 1375, 2021. https://doi.org/10.1021/bk-2021-1375.ch001 .
H. Schäfer, et al., “Novel approach to the analysis of broadband dielectric spectra,” Physical Review Letters, vol. 76, pp. 2177-2180, 1996. https://doi.org/10.1103/PhysRevLett.76.2177 .
B. Albakri, et al., “Machine learning-assisted equivalent circuit identification for dielectric spectroscopy of polymers,” Electrochimica Acta, vol. 496, 2024, Art. no. 144474. https://doi.org/10.1016/j.electacta.2024.144474 .
D. M. Dalligos, et al., “Coaxial dielectric spectroscopy as an in-line process analytical technique for reaction monitoring,” Organic Process Research & Development, vol. 27, no. 6, pp. 1094-1103, 2023. https://doi.org/10.1021/acs.oprd.3c00081 .
J. D. González-Teruel, et al., “Dielectric spectroscopy and mixing models for clayey soils,” Sensors, vol. 20, no. 22, 2020, Art. no. 6678. https://doi.org/10.3390/s20226678 .
J. Yu, et al., “One-dimensional CNN-based analysis of dielectric spectral abundance in liquid media,” Scientific Reports, vol. 15, 2025, Art. no. 7449. https://doi.org/10.1038/s41598-025-86667-8 .
J. Q. Shang, et al., “Detecting heavy metal contamination in soil using complex permittivity and artificial neural networks,” Canadian Geotechnical Journal, vol. 41, no. 6, pp. 1054-1067, 2004. https://doi.org/10.1139/t04-051 .
S. V. Suraci, et al., “Dielectric spectroscopy as a condition monitoring technique for low-voltage cables: onsite aging assessment and sensitivity analyses,” Energies, vol. 15, no. 4, 2022, Art. no. 1509. https://doi.org/10.3390/en15041509 .