Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Outros Autores: | |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional do IEN |
Texto Completo: | http://carpedien.ien.gov.br:8080/handle/ien/2398 |
Resumo: | 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). |
id |
IEN_7d3a34dce2e957822e00572512784578 |
---|---|
oai_identifier_str |
oai:carpedien.ien.gov.br:ien/2398 |
network_acronym_str |
IEN |
network_name_str |
Repositório Institucional do IEN |
spelling |
Desterro, Filipe Santana Moreira doInstituto de Engenharia NuclearAlmeida, Adino Américo HeimlichPereira, Claudio Marcio do Nascimento AbreuAlmeida, Adino Américo HeimlichLapa, Celso Marcelo FranklinSchirru, RobertoPinheiro, André Luis da SilvaPereira, Claudio Marcio do Nascimento Abreu2018-06-07T16:27:53Z2018-06-07T16:27:53Z2018-03http://carpedien.ien.gov.br:8080/handle/ien/2398Recentemente, 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).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: 2018-03porInstituto de Engenharia NuclearPrograma de Pós-graduação em Ciências e Tecnologias NuclearesIENBrasilInstituto de Engenharia NuclearInteligência artificialDeepNetDeep learningDispersão atmosférica de RadionuclídeosAprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpuinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do IENinstname:Instituto de Engenharia Nuclearinstacron:IENLICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://carpedien.ien.gov.br:8080/xmlui/bitstream/ien/2398/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALdissertação mestrado ien 2018 Filipe Santana Moreira do Desterro.PDFdissertação mestrado ien 2018 Filipe Santana Moreira do Desterro.PDFapplication/pdf3379721http://carpedien.ien.gov.br:8080/xmlui/bitstream/ien/2398/1/disserta%C3%A7%C3%A3o+mestrado+ien+2018+Filipe+Santana+Moreira+do+Desterro.PDFadf3227c935769d0deee6186bbb0daf6MD51ien/2398oai:carpedien.ien.gov.br:ien/23982018-06-07 13:27:53.686Dspace IENlsales@ien.gov.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 |
dc.title.pt_BR.fl_str_mv |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
title |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
spellingShingle |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu Desterro, Filipe Santana Moreira do Inteligência artificial DeepNet Deep learning Dispersão atmosférica de Radionuclídeos |
title_short |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
title_full |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
title_fullStr |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
title_full_unstemmed |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
title_sort |
Aprimoramento na predição de doses em casos de acidentes nucleares utilizando deep nets e gpu |
author |
Desterro, Filipe Santana Moreira do |
author_facet |
Desterro, Filipe Santana Moreira do Instituto de Engenharia Nuclear |
author_role |
author |
author2 |
Instituto de Engenharia Nuclear |
author2_role |
author |
dc.contributor.referees1.none.fl_str_mv |
Pereira, Claudio Marcio do Nascimento Abreu |
dc.contributor.referees2.none.fl_str_mv |
Almeida, Adino Américo Heimlich |
dc.contributor.referees3.none.fl_str_mv |
Lapa, Celso Marcelo Franklin |
dc.contributor.referees4.none.fl_str_mv |
Schirru, Roberto |
dc.contributor.referees5.none.fl_str_mv |
Pinheiro, André Luis da Silva |
dc.contributor.author.fl_str_mv |
Desterro, Filipe Santana Moreira do Instituto de Engenharia Nuclear |
dc.contributor.advisor-co1.fl_str_mv |
Almeida, Adino Américo Heimlich |
dc.contributor.advisor1.fl_str_mv |
Pereira, Claudio Marcio do Nascimento Abreu |
contributor_str_mv |
Almeida, Adino Américo Heimlich Pereira, Claudio Marcio do Nascimento Abreu |
dc.subject.por.fl_str_mv |
Inteligência artificial DeepNet Deep learning Dispersão atmosférica de Radionuclídeos |
topic |
Inteligência artificial DeepNet Deep learning Dispersão atmosférica de Radionuclídeos |
dc.description.abstract.por.fl_txt_mv |
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). |
description |
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). |
publishDate |
2018 |
dc.date.accessioned.fl_str_mv |
2018-06-07T16:27:53Z |
dc.date.available.fl_str_mv |
2018-06-07T16:27:53Z |
dc.date.issued.fl_str_mv |
2018-03 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
status_str |
publishedVersion |
format |
masterThesis |
dc.identifier.uri.fl_str_mv |
http://carpedien.ien.gov.br:8080/handle/ien/2398 |
url |
http://carpedien.ien.gov.br:8080/handle/ien/2398 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Instituto de Engenharia Nuclear |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Ciências e Tecnologias Nucleares |
dc.publisher.initials.fl_str_mv |
IEN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto de Engenharia Nuclear |
publisher.none.fl_str_mv |
Instituto de Engenharia Nuclear |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do IEN instname:Instituto de Engenharia Nuclear instacron:IEN |
reponame_str |
Repositório Institucional do IEN |
collection |
Repositório Institucional do IEN |
instname_str |
Instituto de Engenharia Nuclear |
instacron_str |
IEN |
institution |
IEN |
bitstream.url.fl_str_mv |
http://carpedien.ien.gov.br:8080/xmlui/bitstream/ien/2398/2/license.txt http://carpedien.ien.gov.br:8080/xmlui/bitstream/ien/2398/1/disserta%C3%A7%C3%A3o+mestrado+ien+2018+Filipe+Santana+Moreira+do+Desterro.PDF |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 adf3227c935769d0deee6186bbb0daf6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Dspace IEN |
repository.mail.fl_str_mv |
lsales@ien.gov.br |
_version_ |
1656026993831968768 |