Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
関 暁之; 吉川 雅紀; 西野宮 良太*; 沖田 将一朗; 高屋 茂; Yan, X.
Nuclear Technology, 12 Pages, 2024/00
被引用回数：0 パーセンタイル：0.08(Nuclear Science & Technology)原子力プラントの安全な運転を支援するため、2種類のディープニューラルネットワーク(DNN)のシステムを構築した。一つは、原子力プラントの各種物理量についてシミュレーションよりも数桁少ない計算時間で推定するサロゲートシステム(SS)である。もう一つは、物理量から異常の原因となる外乱の状態を推定するシステム(ASIS)である。両システムとも、高温工学試験研究炉(HTTR)の挙動を様々なシナリオで再現することができる解析コード(ACCORD)から得られたデータを用いて学習を行った。DNNのモデルは、主要なハイパーパラメータを調整することにより構築された。これらの手順を経て、開発したシステムが高い精度で動作することを確認した。
Dong, F.*; Chen, S.*; 出町 和之*; 吉川 雅紀; 関 暁之; 高屋 茂
Nuclear Engineering and Design, 404, p.112161_1 - 112161_15, 2023/04
被引用回数：4 パーセンタイル：94.27(Nuclear Science & Technology)To ensure nuclear safety, timely and accurate anomaly detection is of utmost importance in the daily condition monitoring of Nuclear Power Plants (NPPs), as any slight anomaly in a plant may result in an irreversible and serious accident, as well as high costs of maintenance and management. Nevertheless, due to the unique inherent attributes of anomalies, the difficulty of automatic detection in NPPs is increased. Previous model-driven anomaly detection approaches required skilled priori knowledge, leading to their limited usability. Commonly adopted deep learning-based data-driven anomaly detection approaches may not easily acquire the most relevant features when dealing with sensor data containing redundant information with uneven distribution of anomalies. To alleviate these issues, this paper propose an attention-based time series model for anomaly detection to ensure safety in NPPs. First, we employ one-dimension convolutional neural network (1D-CNN) backbone for feature extraction to preserve original inherent features of time series inputs. Subsequently, we originally adopt soft-attention mechanism to automatically extract the most relevant temporal features considering the specificity of anomaly detection in NPPs. The performance of the proposed model was experimentally validated on the High Temperature Gas-cooled Reactor (HTGR) anomaly case dataset simulated using the analytical code. The experimental results indicate that the proposed model was capable of detecting anomalies in NPPs with superior performance to the baseline model, while ensuring fast detection at short time steps.
朝比 祐一; 小野寺 直幸; 長谷川 雄太; 下川辺 隆史*; 芝 隼人*; 井戸村 泰宏
Boundary-Layer Meteorology, 186(3), p.659 - 692, 2023/03
被引用回数：0 パーセンタイル：0.01(Meteorology & Atmospheric Sciences)定点観測された風向などの時系列データおよび汚染物質放出点を入力として、汚染物質の地表面拡散分布を予測する機械学習モデルを開発した。問題設定としては、一様風が都市部へ流入し、都市部内にランダムに設置された汚染物質放出点から汚染物質が拡散するという状況を扱っている。機械学習モデルとしては、汚染物質放出点から汚染物質の拡散分布を予測するCNNモデルを用いた。風向などの時系列データは、Transformerや多層パーセプトロンによってEncodeし、CNNへと引き渡す。これによって、現実的に取得可能な定点測時系列データのみを入力とし、実用上価値の高い汚染物質の地表面拡散分布の予測を可能とした。同一のモデルを用いて定点観測時系列データから汚染物質放出点の予測が可能であることも示した。
吉田 幸彦
IL Nuovo Cimento, 46(2), p.33_1 - 33_8, 2023/03
JAEA is addressing the back-end issues with the steadfast promotion of sustainable measures. The R&D plans are being rationally pursued by considering priorities based on indicators such as bottleneck issues in waste streams, relevance to WAC settings, and effectiveness of cost reduction. In addition, the future vision (JAEA 2050+) has been formulated to promote cross-disciplinary R&D through a new approach that cannot be reached by conventional methods, and active incorporation of information technologies, such as AI technologies. Currently, we are developing intelligent sensing that combines sensing and information processing technologies to realize automatic sorting technology, and non-destructive evaluation technology using high-energy X-ray CT, for legacy wastes. The core technology common to these technologies is image evaluation technology using deep learning models, which was confirmed to perform very well in the evaluation of waste object recognition.
朝比 祐一; 畑山 そら*; 下川辺 隆史*; 小野寺 直幸; 長谷川 雄太; 井戸村 泰宏
Proceedings of 2021 IEEE International Conference on Cluster Computing (IEEE Cluster 2021) (Internet), p.686 - 691, 2021/10
被引用回数：2 パーセンタイル：70.83(Computer Science, Hardware & Architecture)多重解像度の定常流を予測する畳み込みニューラルネットワークを開発した。本モデルは、最先端の画像変換モデルpix2pixHDに基づき、パッチ化された符合付き距離関数から高解像度の流れ場の予測が可能である。高解像度データをパッチ化することにより、pix2pixHDと比べてメモリ使用量を削減した。
朝比 祐一; 畑山 そら*; 下川辺 隆史*; 小野寺 直幸; 長谷川 雄太; 井戸村 泰宏
計算工学講演会論文集(CD-ROM), 26, 4 Pages, 2021/05
多重解像度の定常流流れ場を符合付き距離関数から予測するConvolutional Neural networkモデルを開発した。高解像度の画像生成を可能とするネットワークPix2PixHDをパッチ化された高解像度データに適用することで、通常のPix2PixHDよりメモリ使用量を削減しつつ、高解像度流れ場の予測が可能であることを示した。
谷藤 祐太; 川端 邦明
Proceedings of International Workshop on Nonlinear Circuits, Communications and Signal Processing (NCSP 2020) (Internet), p.246 - 249, 2020/02
In this paper, we describe a method of acquiring learning data 3D point cloud data as learning data for deep learning using a simulator. Generally, a lot of data is necessary for building classifiers by deep learning approach. By using a simulator, various measurement conditions can be set thus, it is expected to collect variety of data for building high performance classifier. Data collection was conducted by virtual measurement using a mobile robot model and a sensor model. As a feasibility study of evaluating classification performance, we performed a simple identification experiment to confirm performance and applicability to actual measurement data. As a result, a high identification rate of 89 percent to three categories was obtained.
谷藤 祐太; 川端 邦明; 羽成 敏秀
Proceedings of 2019 IEEE Region Ten Conference (TENCON 2019) (Internet), p.36 - 40, 2019/10
This paper describes a Graphical User Interface (GUI) based operation system for building a classifier based on deep learning and verifying its categorization performance. Currently, we build a structure discrimination method based on deep learning with 3D point cloud to support status awareness of the operator of remotely controlled robot. For building a powerful classifier, the operations like "collection of learning data", "construction of architecture" and "creation of learning model "are done by trial and error. Therefore, we consider to develop a system to make such complicated operations easier and more efficiently. In this paper, we describe about required functions for helping such operations and explain developed a prototype system in detail.
谷藤 祐太; 川端 邦明
Proceedings of International Topical Workshop on Fukushima Decommissioning Research (FDR 2019) (Internet), 4 Pages, 2019/05
This paper describes about the development of an environment recognition method with point cloud data collected in a dark place like Fukushima Daiichi Nuclear Power Station (FDNPS). We reported the results of a feasibility study of the structure discriminations from LiDAR 3D point cloud data by a deep learning approach. Proposed method utilizes the image data of projected 3D point cloud as input for the classifier instead of coordinate data of 3D points directly. This idea realized to make shorten the learning time without large capacity of the memory for the computations. We selected five kinds of structures (Stairs, Pipe, Grating, Switchboard and Valve) commonly appeared in the general plant as a discrimination subjects for evaluating proposed method. As a result, the classifier showed an accuracy of 99.6% to five categories and we could confirm the validity of proposed method for the structure discrimination.
Dong, F.*; Chen, S.*; 出町 和之*; 橋立 竜太; 高屋 茂
no journal, ,
配管・計装図(P&ID)には、原子力発電所(NPP)の設計と管理に不可欠な計装および制御装置とともに、配管およびプロセス機器に関する情報が含まれる。P&IDには複雑なオブジェクトが多く、これらのオブジェクトとそれらのリンクされた情報がさまざまな図に不均衡に分布し複雑であるため、自動識別は困難である。したがって、P&IDは通常、手動で抽出および分析されるが、これには時間がかかり、エラーが発生しやすい。これらの問題に効率的に対処するため、最先端の深層学習ベースのオブジェクト検出と光学式文字認識(OCR)モデルを統合して、P&IDから情報を自動的に抽出した。さらに、低解像度の小さなオブジェクトを検出するためにスライディングウィンドウを用いた新しい画像前処理方法を提案した。提案された方法の性能を実験的に評価し、NPPのP&IDから情報を抽出できることを示した。
朝比 祐一; 小野寺 直幸; 長谷川 雄太; 井戸村 泰宏
no journal, ,
定点観測された風向などの時系列データおよび汚染物質放出点を入力として、汚染物質の地表面拡散分布を予測する機械学習モデルを開発した。問題設定としては、一様風が都市部へ流入し、都市部内にランダムに設置された汚染物質放出点から汚染物質が拡散するという状況を扱っている。機械学習モデルとしては、汚染物質放出点から汚染物質の拡散分布を予測するU-Netモデルを用いた。風向などの時系列データは、Transformerや多層パーセプトロンによってEncodeし、U-Netへと引き渡す。これによって、現実的に取得可能な定点観測時系列データのみを入力とし、実用上価値の高い汚染物質の地表面拡散分布の予測を可能とした。
朝比 祐一; 小野寺 直幸; 長谷川 雄太; 井戸村 泰宏
no journal, ,
定点観測された風向などの時系列データおよび汚染物質放出点を入力として、汚染物質の地表面拡散分布を予測する機械学習モデルを開発した。問題設定としては、一様風が都市部へ流入し、都市部内にランダムに設置された汚染物質放出点から汚染物質が拡散するという状況を扱っている。機械学習モデルとしては、汚染物質放出点から汚染物質の拡散分布を予測するU-Netモデルを用いた。風向などの時系列データは、Transformerや多層パーセプトロンによってEncodeし、U-Netへと引き渡す。これによって、現実的に取得可能な定点観測時系列データと建物や汚染源位置の画像データから汚染物質拡散分布を予測するモデルを構築した。
関 暁之; 吉川 雅紀; 沖田 将一朗; 高屋 茂; Yan, X.
no journal, ,
Using AI technology, we have developed a surrogate system to estimate various physical quantities in nuclear plants and a system to estimate the state of disturbances that cause anomalies. Both systems use deep learning technology based on a model that connects multiple layers of neurons. In this study, the estimation was performed on data from an analysis code (ACCORD) that can reproduce the behavior of the High Temperature Engineering Test Reactor (HTTR) under various scenarios. The accuracy of the estimation and the range of application of the developed system are presented.
朝比 祐一; 前山 伸也*; Bigot, J.*; Garbet, X.*; Grandgirard, V.*; 藤井 恵介*; 下川辺 隆史*; 渡邉 智彦*; 井戸村 泰宏; 小野寺 直幸; et al.
no journal, ,
大規模流体シミュレーションのためのin-situデータ解析手法およびdeep learningによる流体シミュレーション結果の代理モデルを開発した。新たに開発したin-situデータ処理手法では、MPIアプリとpythonのポスト処理スクリプトが弱結合される。この手法によってファイルを経由しないポスト処理が可能となり、最大2.7倍の性能向上が見られた。また、多重解像度の流れ場予測を可能にするdeep learning代理モデルを開発した。本モデルでは、十分な予測精度と数値シミュレーションに対する大幅な速度向上を実現した。
朝比 祐一; 前山 伸也*; Bigot, J.*; Garbet, X.*; Grandgirard, V.*; Obrejan, K.*; Padioleau, T.*; 藤井 恵介*; 下川辺 隆史*; 渡邉 智彦*; et al.
no journal, ,
エクサスケール数値計算のための性能可搬性向上に関する研究を紹介する。特にAMD GPUにおけるプラズマコードの性能や、C++標準言語におけるGPUコードの性能評価結果を示す。またdeep learningを用いた流体計算の代理モデルについても紹介する。
村山 真大*; 原園 友規*; 石井 裕剛*; 下田 宏*; 樽田 泰宜; 香田 有哉
no journal, ,
市販のRGB-Dカメラでキャプチャされた深度画像にはノイズが含まれており、安定した正確なカメラのトラッキングと3D再構成には、高精度の深度画像が必要である。本研究では、複数のデプス画像を融合して高精度なデプス画像を生成するオフラインノイズ除去アルゴリズムを開発し、実世界を連続的に撮影して得られたデプス画像から多数のデータセットを自動生成する手法を開発した。
朝比 祐一; 長谷川 雄太; 小野寺 直幸; 下川辺 隆史*; 芝 隼人*; 井戸村 泰宏
no journal, ,
拡散モデルによって生成した擬似アンサンブルを利用するデータ同化手法を開発した。拡散モデルはノイズがあり、かつ疎な観測データから元となるシミュレーションデータを再現するように訓練した。このモデルは、シミュレーションと観測データが異なるパラメータに基づく場合のデータ同化精度で従来手法を上回った。
朝比 祐一; 前山 伸也*; Bigot, J.*; Garbet, X.*; Grandgirard, V.*; Obrejan, K.*; Padioleau, T.*; 藤井 恵介*; 下川辺 隆史*; 渡邉 智彦*; et al.
no journal, ,
エクサスケール数値計算のための性能可搬性向上に関する研究を紹介する。特にAMD GPUにおけるプラズマコードの性能や、C++標準言語におけるGPUコードの性能評価結果を示す。またdeep learningを用いた流体計算の代理モデルについても紹介する。
