Verzoek om voordrachten Kooy Prijs 2023

Het Prof. Kooy Fonds van het Koninklijk Instituut van Ingenieurs (KIVI) kent jaarlijks een prijs toe aan de beste afstudeerder in Defensie- of Veiligheidstechnologie aan een technische universiteit of hogeschool. Tot en met 24 december is het mogelijk een student aan te melden. 

De vrij te besteden geldprijs van 2000 euro wordt ter beschikking gesteld door het Kooy-fonds. Dit fonds is vernoemd naar de voormalige hoogleraar rakettechniek aan de Koninklijke Militaire Academie te Breda. Prof. Johan Kooy was in het midden van de twintigste eeuw een nationale en internationale bekendheid als ruimtevaartgeleerde. In die kwaliteit verzorgde hij ook een reeks van jaren onderwijs en onderzoek aan de TU-Delft.

Na het overlijden van Prof. Kooy is in 1984 het naar hem genoemde fonds opgericht. De hoofddoelstelling van het dit fonds is “Bevordering van de wetenschap en de technologie in Nederland, aansluitend op of voortvloeiend uit op defensie gerichte functies en taken, zoals de ballistiek.”

De winnaar van dit jaar, 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.

Het onderzoek

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.