Literature by the same author
plus at Google Scholar

Bibliografische Daten exportieren
 

Machine Learning Approach for Impedance Locus Uncertainties

Title data

Bifano, Luca ; Michel, Markus ; Weidl, Max ; Fischerauer, Alice ; Fischerauer, Gerhard:
Machine Learning Approach for Impedance Locus Uncertainties.
In: Technisches Messen. Vol. 90 (2023) Issue 11 . - pp. 725-735.
ISSN 2196-7113
DOI: https://doi.org/10.1515/teme-2023-0048

Official URL: Volltext

Abstract in another language

This work deals with the determination of the uncertainty of measurement data, determined by electrical impedance spectroscopy. Four different types of sand were measured impedimetrically in a measuring cell designed as a plate capacitor in a frequency range from 20 Hz to 1 MHz. The measuring cell was filled ten times with each sand and 20 impedance spectra were recorded for each filling. The uncertainty at each frequency was determined from the measurement data. It was found that the measurement data variance with a given measuring-cell filling was negligibly small. However, it increased by a factor of up to 100 when the measuring cell was repeatedly emptied and re-filled with the same material. We propose a way to estimate a continuous approximation of the uncertainty band of the impedance locus in the complex plane from the discrete uncertainties at each frequency. It uses a Support Vector Machine (SVM) to generate a regression curve using the discrete uncertainties. The result of the regression was used to estimate the uncertainties of an average impedance locus. The said machine learning tool can handle large amounts of data, classes, and influencing variables. In this manner, it can help to identify cause-effect relationships. Furthermore, at the end of this work a possibility to estimate a continuous uncertainty band along the impedance locus curve via SVM regression is shown. This is an extension to the common methodology in literature, where the uncertainty is only determined at selected individual points of the impedance spectrum.

Abstract in another language

Diese Arbeit befasst sich mit der Unsicherheitsbestimmung von Messdaten, die mittels elektrischer Impedanzspektroskopie generiert wurden. Vier verschiedene Sandsorten wurden in einer als Plattenkondensator ausgelegten Messzelle in einem Frequenzbereich von 20 Hz bis 1 MHz impedimetrisch vermessen. Die Messzelle wurde zehnmal mit jedem Sand gefüllt und für jede Füllung wurden 20 Impedanzspektren aufgenommen. Die Unsicherheit bei jeder Frequenz wurde aus den Messdaten ermittelt. Es zeigte sich, dass die Varianz der Messdaten bei einer bestimmten Messzellenfüllung vernachlässigbar klein war. Sie nahm jedoch um einen Faktor von bis zu 100 zu, wenn die Messzelle wiederholt geleert und mit demselben Material neu gefüllt wurde. Wir stellen eine Möglichkeit vor, um eine Annäherung an ein kontinuierliches Unsicherheitsband der Nyquist-Ortskurve in der komplexen Ebene aus den diskreten Unsicherheiten bei jeder Frequenz zu schätzen. Dabei wird eine Support Vector Machine (SVM) verwendet, um eine Regressionskurve mithilfe der diskreten Unsicherheiten
zu erstellen. Das Ergebnis der Regression wurde verwendet, um die Unsicherheiten der mittleren Nyquist-Ortskurve zu schätzen. Die SVM kann große Datenmengen, Klassen und Einflussvariablen verarbeiten. So kann sie helfen, Ursache-Wirkungs-Beziehungen zu identifizieren. Darüber hinaus wird am Ende dieser Arbeit eine Möglichkeit aufgezeigt, ein kontinuierliches Unsicherheitsband entlang der Nyquist-Ortskurve mittels SVM-Regression zu schätzen. Dies ist eine Erweiterung der in der Literatur üblichen Methodik, bei der die Unsicherheit nur an ausgewählten einzelnen Punkten des Impedanzspektrums bestimmt wird.

Further data

Item Type: Article in a journal
Refereed: Yes
Keywords: Electrical impedance spectroscopy (EIS); uncertainty band; machine learning; elektrische Impedanzspektroskopie (EIS); Unsicherheitsband; maschinelles Lernen
Institutions of the University: Faculties > Faculty of Engineering Science
Faculties > Faculty of Engineering Science > Chair Measurement and Control Technology
Faculties > Faculty of Engineering Science > Chair Measurement and Control Technology > Chair Measurement and Control Technology - Univ.-Prof. Dr.-Ing. Gerhard Fischerauer
Faculties
Result of work at the UBT: Yes
DDC Subjects: 600 Technology, medicine, applied sciences > 620 Engineering
Date Deposited: 03 Nov 2023 09:54
Last Modified: 03 Nov 2023 09:54
URI: https://eref.uni-bayreuth.de/id/eprint/86553