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

• Autor(a) principal: Desterro, Filipe Santana Moreira do
• Data de Publicação: 2018
• Outros Autores: Instituto de Engenharia Nuclear
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do IEN
• Texto Completo: http://carpedien.ien.gov.br:8080/handle/ien/2398
• topic: Inteligência artificial; DeepNet; Deep learning; Dispersão atmosférica de Radionuclídeos

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).