電阻抗斷層掃描(EIT)是一種用于可視化材料內部的無損成像技術。在這種方法中，電流注入兩個電極之間，產生電場，而其他電極則測量由于材料內部存在異物而引起的變形。與其他成像方法(例如X射線成像、計算機斷層掃描和磁共振成像)相比，EIT具有成本低、不麻煩的優點，因為它不需要大型磁鐵或輻射。因此，它作為復雜的水泥基建筑材料的無損結構健康監測方法具有巨大的潛力。

然而，EIT的挑戰在于如何將獲得的信息準確地重建為圖像。一步高斯-牛頓、原始對偶內點法和迭代高斯-牛頓(IGN)等算法通常用于此目的。然而，由于EIT的性質，使用上述數學方法獲得的解存在一些不準確性。最近，為了克服這個問題，人們使用了一維卷積神經網絡(1D-CNN)等機器學習算法。然而，這些算法的弱點在于處理以前未見過的數據，這降低了它們的有效性。

為了應對上述挑戰，東京理科大學(TUS)的TakashiIkuno副教授及其合作者，TUS的KeiiyaMinakawa先生、KeigoOhta先生、HiroakiKomatsu先生以及立命館大學的TomokoFukuyama副教授來自日本的公司現在開發了一種新穎的混合EIT方法，稱為AND，它結合了IGN和1D-CNN的優點。當異物與樣品的橫截面積比為5×10-4(非常小的異物)時，本方法將尺寸誤差減小到傳統EIT方法的1/6以下。他們的研究結果發表在2024年1月12日《AIPAdvances》雜志第14卷第1期上。

“從防災的角度來看，對經濟高速增長時期建造的現有建筑物進行劣化分析非常重要。我們的新方法可以提高EIT作為無損檢測方法的應用，并有助于防止建筑物倒塌。”Ikuno博士說道。

創新的AND方法對從EIT獲得的多個圖像進行2D邏輯運算，以檢測材料內部的細小異物。在他們的研究中，該團隊使用模擬和實驗數據在實際水泥樣品上測試了AND方法，并將其性能與IGN和1D-CNN方法在兩種情況下的性能進行了比較。當使用模擬數據時，他們發現隨著異物尺寸的減小，IGN方法導致重建圖像出現較大誤差。相比之下，AND方法比IGN和1D-CNN更準確地重建異物的位置和大小。

此外，通過實驗數據，研究人員發現所提出的AND方法和1D-CNN方法都比IGN更準確。此外，他們還確定了另一種提高EIT準確性的方法。Ikuno博士解釋道：“改善EIT的一種方法是改變當前的注入模式。通過改變電場的空間分布，并將本方法與其他無損檢測技術相結合，可以提高檢測異物顆粒尺寸和位置的分辨率。”這是他們未來研究的重點。

所提出的EIT重建方法雖然在分辨率方面遜于其他無損檢測，但在設備尺寸和成本方面具有優勢。它可以改進非破壞性異物檢測，從而更輕松、更定期地評估建筑物的健康狀況。它還可以用于地震或爆炸后的快速安全檢查。此外，預計將很容易培訓檢查員和人員使用這項技術，”Ikuno博士總結道，并強調了這項創新的重要性。