| Summary: | Submitted by Almir Azevedo (barbio1313@gmail.com) on 2018-06-07T16:27:53Z
No. of bitstreams: 1
dissertação mestrado ien 2018 Filipe Santana Moreira do Desterro.PDF: 3379721 bytes, checksum: adf3227c935769d0deee6186bbb0daf6 (MD5) === Made available in DSpace on 2018-06-07T16:27:53Z (GMT). No. of bitstreams: 1
dissertação mestrado ien 2018 Filipe Santana Moreira do Desterro.PDF: 3379721 bytes, checksum: adf3227c935769d0deee6186bbb0daf6 (MD5)
Previous issue date: 2018-03 === Recentemente, o uso de dispositivos móveis foi proposto para a medição da avaliação da dose
durante acidentes nucleares. A ideia é apoiar equipes de campo, fornecendo uma estimativa
aproximada do mapa de distribuição de dose na proximidade da usina de energia nuclear (UEN),
sem a necessidade de se conectar aos sistemas da UEN. A fim de fornecer essa execução autônoma,
um conjunto de redes neurais artificiais (RNA) é proposto em substituição aos tradicionais sistemas
de dispersão atmosférica de radionuclídeo (DAR) que utilizam modelos físicos complexos que
demandam um excessivo tempo de processamento.
Uma limitação observada nessa abordagem é o treinamento muito demorado das RNAs. Além
disso, se o número de parâmetros de entrada aumenta, o desempenho de RNAs tradicionais, como
o Multilayer-Perceptron (MLP) com treinamento de backpropagation ou Redes Neurais de
Regressão Geral (GRNN), é afetado, prejudicando sensivelmente a predição. Este trabalho centrase
no estudo de tecnologias computacionais para melhoria das RNAs a serem usadas na aplicação
móvel, bem como seus algoritmos de treinamento.
Contudo, para refinar a aprendizagem e permitir melhores estimativas de dose, são necessárias
arquiteturas de RNA mais complexas. As RNAs com muitas camadas (muito mais do que um
número típico de camadas), às vezes referidas como Redes Neurais Profundas ou Deep Neural
Networks (DNN), por exemplo, demonstraram obter melhores resultados. Por outro lado, o
treinamento de tais RNAs é muito lento. Deste modo, com o objetivo de permitir o uso desses
DNNs em um tempo de treinamento razoável. É proposta uma solução de programação paralela,
usando a Unidade de Processamento Gráfico (GPU). Neste contexto, este trabalho utilizou o
framework TensorFlow para desenvolver Redes Neurais Profundas com 9 camadas. Como
resultado, speedups entre 50 e 100 vezes (dependendo das arquiteturas RNA comparadas) foram
alcançadas no processo de treinamento, sem afetar a qualidade dos resultados obtidos (estimativas
de dose). === Recently, the use of mobile devices has been proposed for the measurement of dose evaluation
during nuclear accidents. The idea is to support field teams, providing a rough estimate of the dose
distribution map in the vicinity of the nuclear power plant (NPP), without the need to connect to
the NPP systems. In order to provide this autonomous execution, a set of artificial neural networks
(ANNs) is proposed instead of the traditional atmospheric dispersion of radionuclides (ADR)
systems that use complex physical models that require an excessive processing time.
One limitation observed in this approach is the very time-consuming training of ANN. In addition,
if the number of input parameters increases, the performance of standard ANNs, such as
Multilayer-Perceptron (MLP) with backpropagation training or General Regression Neural
Networks (GRNN), is affected, leading to an irrational prediction. Thus, work focuses on the study
of computational technologies to improve the RNAs to be used in the mobile application, as well
as their training algorithms.
However, to refine learning and allow better dose estimates, more complex ANN architectures are
required. Layer ANNs (much more than a typical number of layers), sometimes referred to as Deep
Neural Networks (DNNs), for example, have been shown to perform better. On the other hand, the
training of such ANNs is very slow. Thus, in order to allow the use of these DNNs in a reasonable
training time. With this, a parallel programming solution is proposed, using the Graphics
Processing Units (GPU). In this context, this work used the TensorFlow framework to develop
deep neural networks with 9. As a result, speedups between 50 and 100 times (depending on the
ANN architectures compared) were achieved in the training process, without affecting the quality
of the results obtained dose).
|
|---|
