Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu

• Main Authors: Desterro, Filipe Santana Moreira do, Instituto de Engenharia Nuclear
• Other Authors: Pereira, Claudio Marcio do Nascimento Abreu
• Language: Portuguese
• Published: Instituto de Engenharia Nuclear 2018
• Subjects: Inteligência artificial; DeepNet; Deep learning; Dispersão atmosférica de Radionuclídeos
• Online Access: http://carpedien.ien.gov.br:8080/handle/ien/2398

Submitted by Almir Azevedo ([e-mail]) 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).