Eind 2021 heeft de Kooyprijs jury een zevental inzendingen ontvangen met voordrachten voor de Kooyprijs 2022. Tijdens het Kooy Symposium op 15 april in Stroe is officieel bekend gemaakt dat de prijs van 2.000 euro was gewonnen door ir. Stefan de Gijsel. De Gijsel is cum laude afgestudeerd aan de TU Delft bij de faculteit Elektrotechniek, Wiskunde en Informatie en schreef hier zijn verslag ‘Data-driven methods for magnetic signatures’.

De afdeling Defensie&Veiligheid van het Koninklijk Instituut Van Ingenieurs (KIVI), kent jaarlijks een prijs toe voor de beste afstudeerscriptie in een voor Defensie en Veiligheid relevante technologie (HBO of TU). Dit jaar was het eindelijk weer mogelijk dit ‘live’ te doen tijdens het Kooy Symposium in Stroe.

Foto:
Achterste rij vlnr de juryleden: Leon Galle, Arjan Mol, Patrick Oonincx
Voorste rij vlnr: Bart Koene (voorzitter jury), Stefan de Gijsel (winnaar) en
Jan Wind (voorzitter KIVI afdeling Defensie&Veiligheid)

Afstuderen

De winnaar – Stefan de Gijsel – heeft zijn onderzoek bij TNO uitgevoerd en werd begeleid vanuit de TU-afdeling Mathematische Fysica. Binnen zijn afstudeeronderzoek heeft hij Data-Science technieken toegepast op het onderzoeksgebied van magnetische scheepssignaturen. Daarbij heeft hij aan twee toepassingen gewerkt:

  1. het lokaliseren van een magnetische dipool en
  2. het vertalen van magnetische metingen van een marine-platform boven water naar een magnetische onderwatersignatuur.

Op basis van zijn onderzoek heeft Stefan een artikel geschreven, “A Compressed Sensing Algorithm for Magnetic Dipole Localization”, dat begin 2022 is ingediend bij het IEEE Sensors Journal. Bij TNO, waar hij na zijn afstuderen in dienst is getreden, zijn Stefans ideeën direct in praktijk gebracht tijdens een trial. Defensie heeft grote belangstelling voor de resultaten van dit operationeel relevante onderzoek.

Blij verrast

Stefan zelf is trots en vereerd dat hij de Kooy prijs heeft gewonnen. “Eerlijk gezegd was het ook een verrassing, aangezien mijn begeleiders mij stiekem hadden opgegeven! Ik wil Aad, Reinier en Eugene daarom enorm bedanken, zonder hen had ik nooit deze mooie resultaten kunnen behalen. Wat ik met de prijs ga doen weet ik nog niet precies. Een deel wil ik doneren aan een goed doel voor noodhulp in Oekraïne. Daarnaast gaan mijn begeleiders en ik het winnen van deze prijs ook nog samen vieren.”

Jury

De jury bestond uit de heren Dr. L. Koene (Juryvoorzitter en bestuurslid KIVI DV, NLDA/FMW), Ing. L.F. Galle (Ministerie van Defensie, Directie Materieel), Prof.dr.ir. P.H.A.J.M. van Gelder (TU Delft), Prof. dr. B.R.H.M. Haverkort (Universiteit Twente), Prof.dr.ir. J.M.C. Mol (TU Delft), Prof.dr. F. Phillipson (TNO, Universiteit Maastricht), Prof. dr. ir. F.E. van Vliet (TNO, Universiteit Twente) en Prof. dr. ir. P.J. Oonincx (NLDA/FMW).

ONDERZOEK

Stefan de Gijsel heeft Data-Science technieken toegepast op het onderzoeksgebied van magnetische scheepssignaturen. Stefan heeft aan twee toepassingen gewerkt, namelijk het lokaliseren van een magnetische dipool en het vertalen van magnetische metingen van een marine-platform boven water naar een magnetische onderwatersignatuur.

Het eerste onderwerp betreft het lokaliseren van een magnetische dipool op grond van magnetische metingen. Dit is de kern van Magnetic Anomaly Detection (MAD). Algoritmes die dit goed kunnen doen zijn noodzakelijk om de detecteerbaarheid, en dus de kwetsbaarheid, van onze eigen schepen vast te kunnen stellen. Stefan is diep in dit probleem gedoken en heeft een robuust algoritme ontwikkeld dat hij real-time heeft gedemonstreerd in de magnetische schaalmodel-faciliteit bij TNO.

Voor het lokalisatieprobleem wordt een algoritme voorgesteld om een ​​magnetische dipool te lokaliseren met een beperkt aantal ruismetingen van een sensorarray die een horizontaal raster vormt. Het algoritme is gebaseerd op de theorie van compressed sensing en maakt gebruik van de schaarste van magnetische dipoolvelden in het locatiedomein. Op basis van de resulterende schaarse representatie, wordt een classificatie geproduceerd die bestaat uit schattingen van de locatie en zowel de grootte als de richting van het magnetische moment. De mogelijkheid om iteraties uit te voeren is verkend, waarbij de basis en gekozen sensoren verbeteren na elke locatieschatting. Uit resultaten van zowel simulaties als experimenten, blijkt dat het algoritme effectief is voor het lokaliseren van magnetische dipolen.

Het tweede onderwerp is het vertalen van magnetische metingen van een oppervlakteschip boven water naar een magnetische onderwatersignatuur, met name van schepen. Dit onderwerp heeft grote implicaties. Nu moet een schip nog naar een speciale meetbaan om de magnetische signatuur vast te stellen, maar in de toekomst voorzien we dat zo’n meting met behulp van een drone overal kan plaatsvinden, mits een algoritme de data op de juiste manier kan vertalen van bovenwater naar onderwater, waar de mijnendreiging zich manifesteert. Voor deze vertaalslag heeft Stefan twee methodes onderzocht met mooie resultaten.

Om het probleem van het vertalen van signaturen op te lossen, heeft Stefan twee benaderingen onderzocht. Er is één algoritme ontwikkeld met behulp van de zogenaamde Gappy POD-techniek en één met behulp van neurale netwerken. Met de Gappy POD-techniek –dat staat voor Proper Orthogonal Decomposition, gebaseerd op onvolledige data– kan met slechts enkele metingen (een gappy-meting) een volledig signaal worden gereconstrueerd. Deze methode is aangepast om ook een veld boven een schip naar een veld onder een schip te kunnen vertalen. Ten tweede worden verschillende neurale netwerken gemaakt, getraind met behulp van gegevens van boven en onder een schip. Bewezen is dat zowel het op Gappy POD gebaseerde algoritme als lineaire neurale netwerken goede schattingen van magnetische signaturen geven. Resultaten verbeteren wanneer meer zogenaamde basismodes worden meegenomen en wanneer meer sensoren worden gebruikt voor metingen.

Op basis van dit onderzoek heeft Stefan een artikel geschreven, “A Compressed Sensing Algorithm for Magnetic Dipole Localization”, dat begin 2022 is ingediend bij het IEEE Sensors Journal. Bij TNO, waar hij na zijn afstuderen in dienst is getreden, zijn Stefan’s ideeën direct in praktijk gebracht tijdens een trial. Defensie heeft grote belangstelling voor de resultaten van dit operationeel relevante onderzoek.