Clasificación de señales neutrónicas de un reactor nuclear mediante redes neuronales

Sánchez del Villar Santamaría, Enrique (2019). Clasificación de señales neutrónicas de un reactor nuclear mediante redes neuronales. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Minas y Energía (UPM).

Description

Title: Clasificación de señales neutrónicas de un reactor nuclear mediante redes neuronales
Author/s:
  • Sánchez del Villar Santamaría, Enrique
Contributor/s:
  • Montalvo Martín, Cristina
Item Type: Final Project
Degree: Grado en Ingeniería de la Energía
Masters title: Investigación, Modelización y Análisis del Riesgo en Medio Ambiente
Date: July 2019
Subjects:
Faculty: E.T.S.I. de Minas y Energía (UPM)
Department: Energía y Combustibles
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) | Preview

Abstract

The goals of this project is to develop an artificial neural network capable ofclassifying simulated signals coming from four different scenarios. We focusin the field of nuclear reactors because the European fleet is aging and thisendangers their correct functioning. The simulated neutron flux signals comefrom the European CORTEX project. These signals were developed underfour different scenarios using the software SIMULATE-3K.The artificial neural network we employ in this project is a type of learningalgorithm. A learning algorithm needs two types of datasets: one for training,and another one for testing the outcomes of the previous training. Approximately80% of the data set is used for training and the remaining portion isused to test the accuracy of the results. During the learning phase the ANNlearns by modifying the weights. The test stage provides information aboutthe accuracy of the process, since the ANN must classify data that to whichit has not previously been exposed.This project is divided in two main parts._ Firstly, we provide a comprehensive overview of all the aspects thatcomprise an ANN_ Secondly, we use Matlab to implement the aforementioned ANN methodsin our CORTEX data set. We compare the results obtained usingdifferent ANN architectures and then decide which one improves theANN performance. Our results show that autocorrelation is the methodthat yielded the most accurate predictions. As for the architecture wehave veri_ed that the BiLST outputs a better accuracy than LSTM.Overall our results highlight the potential of ANN for signal classificationmaking them a strong candidate in the development of nuclear maintenancetools. El objetivo principal de este proyecto es la clasificación de cuatro señales diferentes por medio de una red neuronal. Las señales corresponden a una señal de flujo neutrónico dentro del reactor. Estas señales, fueron simuladas utilizando1el software SIMULATE-3K, dentro de un programa europeo llamado CORTEX.La red neuronal que hemos utilizado en este proyecto es un algoritmo demachine learning de aprendizaje supervisado. Este tipo de algoritmos necesitados tipos de conjunto de datos: uno para el entrenamiento y otro para el testeo de los resultados del entrenamiento previo. Alrededor de un 80% de los datos es utilizado en la fase de entrenamiento y el resto es usado para el cálculo de la precisión. Durante la etapa de aprendizaje, la RNA aprende ajustando los pesos. Es en la etapa de testeo donde la RNA proporciona un resultado sobre el rendimiento de la clasificación. Este proyecto está dividido en dos partes: En la primera parte se realiza una visión general sobre los aspectos que comprenden una red neuronal. En la segunda parte del trabajo, se implementa una RNA en Matlab para aplicar el conjunto de datos provenientes de CORTEX, anteriormente descrito. Comparamos los resultados obtenidos en cada método utilizado con diferentes arquitecturas para después poder decidir que método es el que más favorece la clasificación. Los resultados obtenidos demuestran que el método de la autocorrelación es el que nos devuelve los mejores resultados. En cuanto a la arquitectura, hemos verificado que las BiLSTM devuelven una mayor precisión que las LSTM. En resumen, los resultados ensalzan el potencial que las RNA tienen para la clasificación de señales haciéndolas un buen candidato en el desarrollo de futuras herramientas para el mantenimiento de centrales nucleares.

More information

Item ID: 56060
DC Identifier: http://oa.upm.es/56060/
OAI Identifier: oai:oa.upm.es:56060
Deposited by: Biblioteca ETSI Minas y Energía
Deposited on: 05 Aug 2019 06:29
Last Modified: 01 Nov 2019 23:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM