Research and development of an artificial neural network for spectral data
Title Alternative:Výzkum a vývoj umělé neuronové sítě pro spektrální data
Loading...
Date
2020
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Technická univerzita v Liberci, Česká republika
Abstract
Globální výzva k určení stavu obsahu přepravních a skladovacích kontejnerů pro vysoce radioaktivní odpady (sestavy vyhořelého paliva) nabízí jako jedno z možných řešení provedení vibračních analýz a vyhodnocení vibračních odezev pomocí umělých neuronových sítí. U tohoto přístupu byla provedena první šetření. Data o vibracích jsou získána z testovacího nastavení, které modeluje sestavy palivového jaderného úložiště a je převedeno na frekvenční doménu pomocí Fourierovy transformace. Surová spektrální data jsou nejprve připravena normalizací rozšířením dat a omezením frekvenčního rozsahu. Tato opatření mají evidentně významný dopad na celkový výkon neuronových sítí. Za použití plně propojených a konvolučních neuronových sítí se na spektrálních datech provádí klasifikace a regrese. Ukázalo se, že klasifikace je možná s velmi vysokou přesností a regrese má velmi dobré výsledky s možnostmi zlepšení v pozdějších fázích. Konvoluční neuronové sítě se v obou případech jeví jako vynikající.
Die globale Herausforderung zur Bestimmung des Inhaltes von Transport- und Lagerungscontainern für hoch radioaktive Abfälle (Zusammenstellung von ausgebranntem Brennstoff) bietet als eine der möglichen Lösungen die Durchführung von Vibrationsanalysen und der Auswertung von Vibrationsrückmeldungen mit Hilfe künstlicher Neuronennetze. Bei diesem Ansatz wurden erste Untersuchungen durchgeführt. Die Daten über die Vibrationen wurden aus der Testeinstellung gewonnen, welche die Zusammenstellungen der Kernbrennstofflagerstätte modelliert und an einer Frequenzdomäne mit Hilfe der FourierTransformation durchgeführt wird. Die spektralen Rohdaten werden zunächst durch Normalisierung durch Erweiterung der Daten und durch Begrenzung des Frequenzbereichs vorbereitet. Diese Maßnahmen haben eine evident bedeutsame Auswirkung auf die Gesamtleistung der Neuronennetze. Bei der Verwendung voll verbundener und konvolutartiger Neuronennetze werden an den Spektraldaten eine Klassifikation und eine Regression durchgeführt. Es hat sich gezeigt, dass eine Klassifikation mit sehr hoher Genauigkeit möglich ist und die Regression sehr gute Ergebnisse mit Möglichkeiten der Verbesserung in späteren Phasen aufweist. Die konvolutartigen Neuronennetze erweisen sich in beiden Fällen als hervorragend.
There is a global call to determine the state of the inventory of transport and storage containers for high radioactive waste (spent fuel assemblies). One possible solution is to perform vibration analyses and evaluate vibration responses by using artificial neural networks. For this approach, first investigations have been carried out. Vibration data are obtained from a testing setup modelling the nuclear storage fuel assemblies which is converted to the frequency domain via the Fourier transform. Raw spectral data are first prepared by normalization, data augmentation and limiting the frequency range. These measures are proven to have significant impact on the overall performance of the training of the neural networks. Using fully connected and convolutional neural networks, classification and regression is performed on the spectral data. Classification is shown to be possible with very high accuracy; and regression has decent results with options for improvement in later stages. Convolutional neural networks are shown to be superior in both cases.
Wystosowano globalny apel do określenia stanu zapasu kontenerów transportowych i magazynowych na odpady wysoce radioaktywne (zestawy wypalonego paliwa). Jednym z możliwych rozwiązań jest wykonanie analiz wibracyjnych oraz ocena działania drgań przy pomocy sztucznych sieci neuronowych. Dla takiego podejścia wykonano pierwsze badania. Dane dotyczące drgań pozyskiwano z ustawienia testowego, które modeluje zestawy składowisk paliwa jądrowego i jest przetworzone na domenę częstotliwości przy pomocy transformacji Fouriera. Surowe dane widmowe są najpierw przygotowane w drodze normalizacji, powiększania zbiorów danych i ograniczenia zakresu drgań. Działania te mają jednoznacznie znaczący wpływ na ogólną wydajność sieci neuronowych. Przy wykorzystaniu w pełni połączonych i splotowych sieci neuronowych na podstawie danych widmowych dokonuje się klasyfikacji i regresji. Okazało się, że klasyfikacja możliwa jest z bardzo dużą dokładnością a regresja osiąga bardzo dobre wyniki z możliwością udoskonalenia na późniejszych etapach. Splotowe sieci neuronowe wydają się w obu przypadkach znakomite.
Die globale Herausforderung zur Bestimmung des Inhaltes von Transport- und Lagerungscontainern für hoch radioaktive Abfälle (Zusammenstellung von ausgebranntem Brennstoff) bietet als eine der möglichen Lösungen die Durchführung von Vibrationsanalysen und der Auswertung von Vibrationsrückmeldungen mit Hilfe künstlicher Neuronennetze. Bei diesem Ansatz wurden erste Untersuchungen durchgeführt. Die Daten über die Vibrationen wurden aus der Testeinstellung gewonnen, welche die Zusammenstellungen der Kernbrennstofflagerstätte modelliert und an einer Frequenzdomäne mit Hilfe der FourierTransformation durchgeführt wird. Die spektralen Rohdaten werden zunächst durch Normalisierung durch Erweiterung der Daten und durch Begrenzung des Frequenzbereichs vorbereitet. Diese Maßnahmen haben eine evident bedeutsame Auswirkung auf die Gesamtleistung der Neuronennetze. Bei der Verwendung voll verbundener und konvolutartiger Neuronennetze werden an den Spektraldaten eine Klassifikation und eine Regression durchgeführt. Es hat sich gezeigt, dass eine Klassifikation mit sehr hoher Genauigkeit möglich ist und die Regression sehr gute Ergebnisse mit Möglichkeiten der Verbesserung in späteren Phasen aufweist. Die konvolutartigen Neuronennetze erweisen sich in beiden Fällen als hervorragend.
There is a global call to determine the state of the inventory of transport and storage containers for high radioactive waste (spent fuel assemblies). One possible solution is to perform vibration analyses and evaluate vibration responses by using artificial neural networks. For this approach, first investigations have been carried out. Vibration data are obtained from a testing setup modelling the nuclear storage fuel assemblies which is converted to the frequency domain via the Fourier transform. Raw spectral data are first prepared by normalization, data augmentation and limiting the frequency range. These measures are proven to have significant impact on the overall performance of the training of the neural networks. Using fully connected and convolutional neural networks, classification and regression is performed on the spectral data. Classification is shown to be possible with very high accuracy; and regression has decent results with options for improvement in later stages. Convolutional neural networks are shown to be superior in both cases.
Wystosowano globalny apel do określenia stanu zapasu kontenerów transportowych i magazynowych na odpady wysoce radioaktywne (zestawy wypalonego paliwa). Jednym z możliwych rozwiązań jest wykonanie analiz wibracyjnych oraz ocena działania drgań przy pomocy sztucznych sieci neuronowych. Dla takiego podejścia wykonano pierwsze badania. Dane dotyczące drgań pozyskiwano z ustawienia testowego, które modeluje zestawy składowisk paliwa jądrowego i jest przetworzone na domenę częstotliwości przy pomocy transformacji Fouriera. Surowe dane widmowe są najpierw przygotowane w drodze normalizacji, powiększania zbiorów danych i ograniczenia zakresu drgań. Działania te mają jednoznacznie znaczący wpływ na ogólną wydajność sieci neuronowych. Przy wykorzystaniu w pełni połączonych i splotowych sieci neuronowych na podstawie danych widmowych dokonuje się klasyfikacji i regresji. Okazało się, że klasyfikacja możliwa jest z bardzo dużą dokładnością a regresja osiąga bardzo dobre wyniki z możliwością udoskonalenia na późniejszych etapach. Splotowe sieci neuronowe wydają się w obu przypadkach znakomite.
Description
Subject(s)
neural networks, spectral data, nuclear waste monitoring, vibration analysis
Citation
ISSN
1803-9782