Redes neuronales en espectrometría y dosimetría de neutrones

Torre López, Jesús Alberto de la (2017). Redes neuronales en espectrometría y dosimetría de neutrones. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM).

Descripción

Título: Redes neuronales en espectrometría y dosimetría de neutrones
Autor/es:
  • Torre López, Jesús Alberto de la
Director/es:
  • Gallego Díaz, Eduardo F.
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería en Tecnologías Industriales
Fecha: Febrero 2017
Materias:
Palabras Clave Informales: Red neuronal artificial, espectrometría, dosimetría, perceptrón multicapa, red de base radial, capas ocultas, neuronas, rango de actuación, función de transferencia, algoritmo de entrenamiento, test de Pearson, sistema de esferas de Bonner, Matlab.
Escuela: E.T.S.I. Industriales (UPM)
Departamento: Ingeniería Energética
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (4MB) | Vista Previa

Resumen

Este Trabajo de Fin de Grado tiene como objetivo fundamental la realización de experimentos y simulaciones que ayuden a la comprensión acerca de una de las herramientas de predicción de valores más potentes de la inteligencia artificial como son las Redes Neuronales Artificiales. Su aplicación en este trabajo será muy concreta, en el campo de la espectrometría y dosimetría de neutrones, sin embargo, sus posibles aplicaciones abarcan un campo mucho más amplio, lo cual hace de ellas una herramienta realmente interesante sobre la que estudiar e investigar. Descripción del sistema de medida y obtención de datos: Los neutrones son partículas indirectamente ionizantes que pueden provocar serios riesgos en la salud ante niveles de exposición elevados. Por ello es importante un adecuado estudio acerca de la espectrometría y posterior dosimetría de la radiación neutrónica. Un sistema comúnmente usado en la detección de neutrones para la reconstrucción de su espectro de energía, y con ello su dosis equivalente asociada, es el Sistema de Esferas de Bonner (SEEB). Este sistema constará de 6 esferas de polietileno de diferentes diámetros, las cuales contendrán en su interior un detector de neutrones térmicos de 6-LiI(Eu). Las esferas de polietileno ejercerán de material moderador de neutrones rápidos, con el objetivo de convertirlos en neutrones térmicos medibles por el detector. Este sistema de medida tiene la ventaja de proporcionar una respuesta isotópica, además de tener la capacidad de medir el espectro de neutrones térmicos en un amplio rango de energías, simplemente cambiando el diámetro de la esfera moderadora. Con todo ello, el sistema formado por las 6 Esferas de Bonner junto con la medida del detector desnudo proporcionarán los 7 valores de tasas de conteo que servirán como entradas a la red neuronal. Como material para el desarrollo y simulación de las redes neuronales se ha empleado: .-Ordenador personal: Procesador Intel Core i7-6700 @ 3,4 GHz, 12 GB de RAM. .-Software Matlab versión R2015a. El entrenamiento y simulación de la ANN se realizó completamente en este software, ya que es robusto, con un soporte reconocido y está disponible para una plataforma de uso común como es Windows®. Además, cuenta con librerías de funciones (toolbox) especializadas en redes neuronales. .-Por otro lado, para el proceso de diseño de la red neuronal, se ha empleado un catálogo de 197 espectros de energía, todos ellos reorganizados en 31 valores de energía. También se incluyeron sus correspondientes cantidades dosimétricas, hasta un total de 13 valores, calculados previamente mediante el código MCNP y los coeficientes de conversión de tasa de fluencia a dosis obtenidos de la ICRP 74. Estos valores, junto con los valores de tasas de cuentas proporcionados por el Sistema de Esferas de Bonner, conformarán el conjunto de datos para el entrenamiento y simulación de las Redes Neuronales. Con ello se desarrollarán diferentes modelos de redes neuronales con 7 valores como entradas a la red y 31 o 13 valores de salida en espectrometría y dosimetría de neutrones respectivamente. Una vez conocidos los datos para el entrenamiento y simulación, hay que comprender bien el problema que se estudia. A simple vista se puede apreciar que los problemas tratados se corresponden con sistemas de ecuaciones indeterminados, puesto que el número de ecuaciones (7) es inferior al número de incógnitas del problema (31 y 13 respectivamente). Por ello, el número de soluciones para el problema es infinito y es objetivo principal de la aplicación de Redes Neuronales el seleccionar aquella que tenga significado para el problema planteado. Una vez conocido el problema que se plantea y su utilidad de estudio, se comenzará con el desarrollo de las Redes Neuronales Artificiales en Matlab. Previamente a ello, conviene familiarizarse con este entorno de programación a través de ejemplos simples que ayuden a su entendimiento y aprendizaje de forma práctica. Además, será también necesario estudiar las diferentes tipologías de redes neuronales aplicables a este problema, así como los parámetros propios que las definen. En ese instante se podrá comenzar con la elaboración del código necesario para ejecutar Redes Neuronales. Dentro de las tipologías de red empleadas en este trabajo destacan las siguientes: .-Redes perceptrón multicapa (MLP): El perceptrón multicapa es una red neuronal de tipo feedforward. Su arquitectura típica contiene una capa de entrada, una capa de salida, y una o más capas ocultas. En este tipo de redes aparece una interconexión de las neuronas de una capa con las de la capa anterior y con las de la capa siguiente. Cada conexión tendrá su peso sináptico asociado, que almacena la información de la conexión. Cada capa oculta de la red podrá tener un número cualquiera de neuronas, y las capas de entrada y salida tendrán las neuronas necesarias de acuerdo a los valores de entrada y salida de la red. Por otro lado, todas las neuronas de una misma capa deben tener la misma función de activación, que transforma los datos y genera una salida, pero ésta puede ser diferente entre distintas capas. El argumento de la función de activación de una neurona es el producto entre el vector de entrada, y el vector de pesos de dicha neurona. .-Redes con función de base radial (RBFN): Al igual que la red MLP, la RBFN es una red que posee varias capas de neuronas que realizan distintos roles. Está compuesta por una capa de entrada, una única capa oculta y una capa de salida. En este caso, la capa oculta es una capa no lineal que aplica una transformación no lineal a los datos procedentes de las entradas, a un espacio habitualmente de mayor dimensionalidad. En estas redes, el argumento de la función de activación (de tipo Gaussiano), es la norma Euclidea entre el vector de entrada y un vector que representa el “centro” del nodo. En resumen, los MLP calculan aproximaciones “globales” del mapeo no lineal entre entradas y salidas, mientras que las RBFN, utilizan funciones exponencialmente decrecientes para construir aproximaciones “locales” del mapeo entre entradas y salidas. En el desarrollo de redes se estudiarán los aspectos más relevantes de su topología: .-Número de variables de entrada. .-Número de variables de salida. .-Tipología de red empleada. .-Criterios de optimización aplicados a dicha tipología de red. .-Identificación y división de los datos de simulación y entrenamiento. .-Criterios de valoración de resultados. En este trabajo se han elaborado criterios propios de optimización, de forma independiente a los métodos ya existentes de Diseño Robusto de Redes Neuronales Artificiales (RDANN). Estos criterios han sido aplicados a parámetros asociados a cada tipología de red, todos ellos optimizados al mínimo error proporcionado por la prueba de Pearson. Esta prueba mide la validez de una cierta hipótesis ante un determinado número de grados de libertad y un intervalo de confianza deseado. Para cada tipo de red simulada, se han identificado los factores controlables de posible optimización. En primer lugar, en las redes de tipo perceptrón multicapa, se ha estudiado la influencia de parámetros tan relevantes como: .-Número de capas ocultas. .-Número de neuronas por capa. .-Función de transferencia de cada capa. .-Algoritmo de entrenamiento empleado. .-Modificación de parámetros asociados a cada algoritmo de entrenamiento. Por otro lado, para las redes con función de base radial se han estudiado los siguientes: .-Rango de actuación de cada neurona. .-Número de neuronas de la capa oculta. Para cada red evaluada en el trabajo han sido almacenados los siguientes valores: .-Pesos sinápticos de las capas de entrada, salida, y ocultas de la red. .-Valores umbral asociados a cada una de las neuronas de la red. .-Valores del test de Pearson óptimo de la red. Todo ello con el objetivo de poder reconstruir la red posteriormente, o incluso exportar estos datos a otros programas. Por último, a la vista de los resultados se pueden obtener unas conclusiones generales acerca del comportamiento de las redes neuronales artificiales: .-A mayor número de capas ocultas de una red y a mayor número de neuronas por capa, se obtienen mejores resultados de rendimiento, ajuste y robustez en su respuesta. .-El rango de actuación de cada neurona en una red de base radial será mayor cuanto mayor sea la diferencia entre el número de salidas y de entradas a la red. .-La función de transferencia con mejores resultados para este tipo de aplicación es la función sigmoidal logarítmica. .-El algoritmo de Levenberg-Marquardt es el más adecuado si se trabaja con datos que no han sido previamente normalizados (espectrometría), mientras que el algoritmo de gradiente descendiente con tasa de aprendizaje variable y momento es el óptimo para datos que previamente han sido normalizados (dosimetría). Caber destacar que los datos en dosimetría han sido normalizados para mejorar la eficiencia durante el entrenamiento, acotando los valores de salida de la red al intervalo [0,1] (mismo orden de magnitud que los valores de entrada). En caso contrario la red obtendría errores adicionales durante el entrenamiento. .-La modificación de parámetros propios del entrenamiento sólo influye en la velocidad de éste para obtener buenos resultados, sin mejorar los resultados obtenidos. .-A mayor complejidad de la red, ésta presentará menor error y mejores resultados. Además, cuanto mayor sea el conjunto datos de entrenamiento, mejor resultado obtendrá la red, independientemente de su arquitectura. .-Las redes de base radial (RBFN), son capaces de proporcionar mejores resultados que las redes de tipo perceptrón multicapa (MLP) en arquitecturas de red sencillas.

Más información

ID de Registro: 46668
Identificador DC: http://oa.upm.es/46668/
Identificador OAI: oai:oa.upm.es:46668
Depositado por: Biblioteca ETSI Industriales
Depositado el: 09 Jun 2017 06:30
Ultima Modificación: 09 Jun 2017 06:30
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM