• Nuclear Engineering and Technology
• /
• 제53권7호
• /
• pp.2334-2340
• /
• 2021

Radioactive particle tracking (RPT) is a minimally invasive nuclear technique that tracks a radioactive particle inside a volume of interest by means of a mathematical location algorithm. During the past decades, many algorithms have been developed including ones based on artificial intelligence techniques. In this study, RPT technique is applied in a simulated test section that employs a simplified mixer filled with concrete, six scintillator detectors and a¹³⁷Cs radioactive particle emitting gamma rays of 662 keV. The test section was developed using MCNPX code, which is a mathematical code based on Monte Carlo simulation, and 3516 different radioactive particle positions (x,y,z) were simulated. Novelty of this paper is the use of a location algorithm based on a deep learning model, more specifically a 6-layers deep rectifier neural network (DRNN), in which hyperparameters were defined using a Bayesian optimization method. DRNN is a type of deep feedforward neural network that substitutes the usual sigmoid based activation functions, traditionally used in vanilla Multilayer Perceptron Networks, for rectified activation functions. Results show the great accuracy of the DRNN in a RPT tracking system. Root mean squared error for x, y and coordinates of the radioactive particle is, respectively, 0.03064, 0.02523 and 0.07653.

• Wind and Structures
• /
• 제36권6호
• /
• pp.393-404
• /
• 2023

Skewness and kurtosis are important higher-order statistics for simulating non-Gaussian wind pressure series on low-rise buildings, but their predictions are less studied in comparison with those of the low order statistics as mean and rms. The distribution gradients of skewness and kurtosis on roofs are evidently higher than those of mean and rms, which increases their prediction difficulty. The conventional artificial neural networks (ANNs) used for predicting mean and rms show unsatisfactory accuracy in predicting skewness and kurtosis owing to the limited capacity of shallow learning of ANNs. In this work, the deep neural networks (DNNs) model with the ability of deep learning is introduced to predict the skewness and kurtosis on a low-rise building. For obtaining the optimal generalization of the DNNs model, the hyper parameters are automatically determined by Bayesian Optimization (BO). Moreover, for providing a benchmark for future studies on predicting higher order statistics, the data sets for training and testing the DNNs model are extracted from the internationally open NIST-UWO database, and the prediction errors of all taps are comprehensively quantified by various error metrices. The results show that the prediction accuracy in this study is apparently better than that in the literature, since the correlation coefficient between the predicted and experimental results is 0.99 and 0.75 in this paper and the literature respectively. In the untrained cornering wind direction, the distributions of skewness and kurtosis are well captured by DNNs on the whole building including the roof corner with strong non-normality, and the correlation coefficients between the predicted and experimental results are 0.99 and 0.95 for skewness and kurtosis respectively.

• 지질공학
• /
• 제26권4호
• /
• pp.485-495
• /
• 2016

본 연구에서는 방파제 하부지반을 저치환율 재료로 보강 및 개량하기 위한 치환율과 재하중 방치기간을 확률론적 최적화 기법을 이용하여 분석하였다. 해석에 필요한 확률변수의 불확실성을 최소화하기 위하여 사전자료를 활용한 베이지안 갱신결과 최대 39.8% 포인트까지 불확실성이 감소하였고, 특히 사전함수의 표본수가 더 많은 구간의 감소폭이 컸다. 치환율 결정을 위하여 저치환율 단면 중 15~40% 범위에서 일계신뢰도법 및 몬테카를로 시뮬레이션 방법에 의해 해석한 결과 목표파괴확률을 만족하는 치환율은 심층고결처리 및 쇄석다짐말뚝 구간에서 각각 20% 및 25% 이상으로 나타났다. 치환율에 대한 최적화를 위하여 생애주기비용 분석을 실시한 결과 목표파괴확률을 만족하는 범위 내에서 최적 치환율이 산정되었으며, 두 구간에서 각각 20% 및 30%가 가장 경제적인 것으로 결정되었다. 재하중의 방치기간에 대한 확률론적 해석결과 3개월 이상인 경우 모두 목표파괴확률을 만족하는 것으로 나타났다.

• 대한전자공학회논문지TC
• /
• 제46권5호
• /
• pp.70-77
• /
• 2009

하나의 reader와 여러 tag로 구성된 RFID 망에서 tag의 응답 간 충돌을 중재하기 위해 tag가 응답하도록 여러 슬롯을 마련해 주는 프레임화 및 슬롯화된 ALOHA 방식이 소개되었다. 프레임화 및 슬롯화된 ALOHA에서는 tag 인식의 효율이 극대화되기 위해 프레임 별 슬롯의 수가 최적화되어야 한다. 이러한 최적화는 tag의 수를 필요로 하나 reader는 tag의 수를 알기 힘들다. 본 논문에서는 별도로 tag의 수를 추정하지 않고 슬롯의 수에 대해 직접 Bayes action을 취하는 프레임화 및 슬롯화된 ALOHA에 기초한 tag 인식 방식을 제안한다. 구체적으로 Bayes action은 tag의 수가 갖는 사전 분포, 어떤 tag도 응답하지 않은 슬롯의 수에 대한 관찰값, 그리고 인식률을 반영한 손실 함수를 결합한 결정 문제를 풀어 구한다. 또한 tag의 수가 갖는 사전 분포의 진화를 통해 각 프레임에서 이러한 Bayes action을 지원한다. 모의 실험 결과로부터 진화하는 사전 분포와 Bayes action의 쌍은 robust 방식을 이루어 tag의 수의 참값과 초기 추측값의 큰 괴리에도 불구하고 일정 수준의 인식률을 얻을 수 있음을 관찰한다. 또한 제안하는 방식은 tag의 수에 대한 고전적인 추정값을 사용하는 방식에 비해 높은 인식 완료 확률을 얻을 수 있음을 확인한다.