The grouping analysis is a method guided by the Korea Radioactive Waste Agency for efficient analysis of radioactive waste for disposal. In this study, experiments to verify the adequacy of grouping analysis were conducted with radioactive soil, concrete, and dry active waste in similar environments. First, analysis results of the major radionuclide concentrations in individual waste samples were reviewed to evaluate whether wastes from similar environments correspond to a single waste stream. As a result, the soil and concrete waste were identified as a single waste stream because the distribution range of radionuclide concentrations was "within a factor of 10", the range that meet the criterion of the U.S. Nuclear Regulatory Commission for a single waste stream. On the other hand, the dry active waste was judged to correspond to distinct waste streams. Second, after analyzing the composite samples prepared by grouping the individual samples, the population means of the values of "composite sample analysis results/individual sample analysis results" were estimated at a 95% confidence level. The results showed that all evaluation values for soil and concrete waste were within the set reference values (0.1-10) when five-package and ten-package grouping analyses were conducted, verifying the adequacy of the grouping analysis.
Ali, Nur Syazwani Mohd;Hamzah, Khaidzir;Idris, Faridah;Basri, Nor Afifah;Sarkawi, Muhammad Syahir;Sazali, Muhammad Arif;Rabir, Hairie;Minhat, Mohamad Sabri;Zainal, Jasman
Nuclear Engineering and Technology
/
v.54
no.2
/
pp.608-616
/
2022
Power peaking factors (PPF) is an important parameter for safe and efficient reactor operation. There are several methods to calculate the PPF at TRIGA research reactors such as MCNP and TRIGLAV codes. However, these methods are time-consuming and required high specifications of a computer system. To overcome these limitations, artificial intelligence was introduced for parameter prediction. Previous studies applied the neural network method to predict the PPF, but the publications using the ANFIS method are not well developed yet. In this paper, the prediction of PPF using the ANFIS was conducted. Two input variables, control rod position, and neutron flux were collected while the PPF was calculated using TRIGLAV code as the data output. These input-output datasets were used for ANFIS model generation, training, and testing. In this study, four ANFIS model with two types of input space partitioning methods shows good predictive performances with R2 values in the range of 96%-97%, reveals the strong relationship between the predicted and actual PPF values. The RMSE calculated also near zero. From this statistical analysis, it is proven that the ANFIS could predict the PPF accurately and can be used as an alternative method to develop a real-time monitoring system at TRIGA research reactors.
As a valid numerical method to obtain a high-resolution result of a flow field, computational fluid dynamics (CFD) have been widely used to study coolant flow and heat transfer characteristics in fuel rod bundles. However, the time-consuming, iterative calculation of Navier-Stokes equations makes CFD unsuitable for the scenarios that require efficient simulation such as sensitivity analysis and uncertainty quantification. To solve this problem, a reduced-order model (ROM) based on proper orthogonal decomposition (POD) and machine learning (ML) is proposed to simulate the flow field efficiently. Firstly, a validated CFD model to output the flow field data set of the rod bundle is established. Secondly, based on the POD method, the modes and corresponding coefficients of the flow field were extracted. Then, an deep feed-forward neural network, due to its efficiency in approximating arbitrary functions and its ability to handle high-dimensional and strong nonlinear problems, is selected to build a model that maps the non-linear relationship between the mode coefficients and the boundary conditions. A trained surrogate model for modes coefficients prediction is obtained after a certain number of training iterations. Finally, the flow field is reconstructed by combining the product of the POD basis and coefficients. Based on the test dataset, an evaluation of the ROM is carried out. The evaluation results show that the proposed POD-ROM accurately describe the flow status of the fluid field in rod bundles with high resolution in only a few milliseconds.
KSII Transactions on Internet and Information Systems (TIIS)
/
v.16
no.7
/
pp.2390-2406
/
2022
Scene text recognition has important application value and attracted the interest of plenty of researchers. At present, many methods have achieved good results, but most of the existing approaches attempt to improve the performance of scene text recognition from the image level. They have a good effect on reading regular scene texts. However, there are still many obstacles to recognizing text on low-quality images such as curved, occlusion, and blur. This exacerbates the difficulty of feature extraction because the image quality is uneven. In addition, the results of model testing are highly dependent on training data, so there is still room for improvement in scene text recognition methods. In this work, we present a natural scene text recognizer to improve the recognition performance from the feature level, which contains feature representation and feature enhancement. In terms of feature representation, we propose an efficient feature extractor combined with Representative Batch Normalization and ResNet. It reduces the dependence of the model on training data and improves the feature representation ability of different instances. In terms of feature enhancement, we use a feature enhancement network to expand the receptive field of feature maps, so that feature maps contain rich feature information. Enhanced feature representation capability helps to improve the recognition performance of the model. We conducted experiments on 7 benchmarks, which shows that this method is highly competitive in recognizing both regular and irregular texts. The method achieved top1 recognition accuracy on four benchmarks of IC03, IC13, IC15, and SVTP.
This study is to evaluate the prior economic feasibility of the off-shore fisheries stock enhancement project. The main findings of this study can be summarized as follows: first, offshore fisheries stock enhancement project shall be implemented by dividing them into 1st·2nd·3rd projects for efficient promotion. The 1st·2nd·3rd projects will be conducted in a total of 50 locations (the eastern sea, the western sea, the southern sea, and the jeju sea areas), and the project period per unit will be five years, which will cost 1 trillion won. Second, according to the results of the survey on public awareness, the most consumed marine species in Korea over the past year were analyzed in the order of mackerel, hairtail, squid, yellow corvina, blue crab, and cod. The dominant response to the reason for consuming marine products in Korea was healthy well-being food and safe food. In addition, 67.9% of them have hesitated to purchase offshore fish species over the past year due to high prices, indicating that they are burdened by high prices. On the other hand, 79% of the respondents said that the government's policy was insufficient, according to a survey on whether the government's coastal marine resource creation policy was sufficient. Third, as a result of preliminary economic analysis of offshore fisheries stock enhancement project, the benefit-cost ratio is 4.01, net present price is 1,283.7 billion won, and internal rate of return is 91.7% per year, which means that the economic analysis ensures the feasibility of the projects. The results of this study provide useful information on securing or organizing budgets for offshore fisheries stock enhancement project by securing economic feasibility as a national infrastructure project that increases fishery income and public benefits such as consumption of marine products.
Reddy, B. Chinnappa;Manjunatha, H.C.;Vidya, Y.S.;Sridhar, K.N.;Pasha, U. Mahaboob;Seenappa, L.;Sadashivamurthy, B.;Dhananjaya, N.;Sathish, K.V.;Gupta, P.S. Damodara
Nuclear Engineering and Technology
/
v.54
no.3
/
pp.1062-1070
/
2022
In the present communication, pure and stable α-Bismuth Oxide (Bi2O3) nanoparticles (NPs) were synthesized by low temperature solution combustion method using urea as a fuel and calcined at 500℃. The synthesized sample was characterized by using powder X-ray Diffraction (PXRD), Scanning Electron Microscopy (SEM), Energy dispersive X-ray analysis (EDAX), Transmission Electron Microscopy (TEM), Fourier Transform Infrared Spectroscopy (FTIR) and UV-Visible absorption spectroscopy. The PXRD pattern confirms the formation of mono-clinic, stable and low temperature phase α-Bi2O3. The direct optical energy band gap was estimated by using Wood and Tauc's relation which was found to be 2.81 eV. The characterized sample was studied for X-ray/gamma ray shielding properties in the energy range 0.081-1.332 MeV using NaI (Tl) detector and multi channel analyzer (MCA). The measured shielding parameters agrees well with the theory, whereas, slight deviation up to 20% is observed below 356 keV. This deviation is mainly due to the influence of atomic size of the target medium. Furthermore an accurate theory is necessary to explain the interaction of X-ray/gamma ray with the NPs.The present work opens new window to use this facile, economical, efficient, low temperature method to synthesize nanomaterials for X-ray/gamma ray shielding purpose.
Vani, P.;Vinitha, G.;Sayyed, M.I.;AlShammari, Maha M.;Manikandan, N.
Nuclear Engineering and Technology
/
v.53
no.12
/
pp.4106-4113
/
2021
Rare earth doped barium tellurite glasses were synthesised and explored for their radiation shielding applications. All the samples showed good thermal stability with values varying between 101 ℃ and 135 ℃ based on dopants. Structural properties showed the dominance of matrix elements compared to rare earth dopants in forming the bridging and non-bridging atoms in the network. Bandgap values varied between 3.30 and 4.05 eV which was found to be monotonic with respective rare earth dopants indicating their modification effect in the network. Various radiation shielding parameters like linear attenuation coefficient, mean free path and half value layer were calculated and each showed the effect of doping. For all samples, LAC values decreased with increase in energy and is attributed to photoelectric mechanism. Thulium doped glasses showed the highest value of 1.18 cm-1 at 0.245 MeV for 2 mol.% doping, which decreased in the order of erbium, holmium and the base barium tellurite glass, while half value layer and mean free paths showed an opposite trend with least value for 2 mol.% thulium indicating that thulium doped samples are better attenuators compared to undoped and other rare earth doped samples. Studies indicate an increased level of thulium doping in barium tellurite glasses can lead to efficient shielding materials for high energy radiation.
IEMEK Journal of Embedded Systems and Applications
/
v.18
no.3
/
pp.89-100
/
2023
Recently, on-device artificial intelligence (AI) solutions using mobile devices and embedded edge devices have emerged in various fields, such as computer vision, to address network traffic burdens, low-energy operations, and security problems. Although vision transformer deep learning models have outperformed conventional convolutional neural network (CNN) models in computer vision, they require more computations and parameters than CNN models. Thus, they are not directly applicable to embedded edge devices with limited hardware resources. Many researchers have proposed various model compression methods or lightweight architectures for vision transformers; however, there are only a few studies evaluating the effects of model compression techniques of vision transformers on performance. Regarding this problem, this paper presents a performance evaluation of vision transformers on embedded platforms. We investigated the behaviors of three vision transformers: DeiT, LeViT, and MobileViT. Each model performance was evaluated by accuracy and inference time on edge devices using the ImageNet dataset. We assessed the effects of the quantization method applied to the models on latency enhancement and accuracy degradation by profiling the proportion of response time occupied by major operations. In addition, we evaluated the performance of each model on GPU and EdgeTPU-based edge devices. In our experimental results, LeViT showed the best performance in CPU-based edge devices, and DeiT-small showed the highest performance improvement in GPU-based edge devices. In addition, only MobileViT models showed performance improvement on EdgeTPU. Summarizing the analysis results through profiling, the degree of performance improvement of each vision transformer model was highly dependent on the proportion of parts that could be optimized in the target edge device. In summary, to apply vision transformers to on-device AI solutions, either proper operation composition and optimizations specific to target edge devices must be considered.
In this work, a multivariate time-series machine learning meta-model is developed to predict the transient response of a typical nuclear power plant (NPP) undergoing a steam generator tube rupture (SGTR). The model employs Recurrent Neural Networks (RNNs), including the Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and a hybrid CNN-LSTM model. To address the uncertainty inherent in such predictions, a Bayesian Neural Network (BNN) was implemented. The models were trained using a database generated by the Best Estimate Plus Uncertainty (BEPU) methodology; coupling the thermal hydraulics code, RELAP5/SCDAP/MOD3.4 to the statistical tool, DAKOTA, to predict the variation in system response under various operational and phenomenological uncertainties. The RNN models successfully captures the underlying characteristics of the data with reasonable accuracy, and the BNN-LSTM approach offers an additional layer of insight into the level of uncertainty associated with the predictions. The results demonstrate that LSTM outperforms GRU, while the hybrid CNN-LSTM model is computationally the most efficient. This study aims to gain a better understanding of the capabilities and limitations of machine learning models in the context of nuclear safety. By expanding the application of ML models to more severe accident scenarios, where operators are under extreme stress and prone to errors, ML models can provide valuable support and act as expert systems to assist in decision-making while minimizing the chances of human error.
Pig breeding management directly contributes to the profitability of pig farms, and pregnancy diagnosis is an important factor in breeding management. Therefore, the need to diagnose pregnancy in sows is emphasized, and various studies have been conducted in this area. We propose a computer-aided diagnosis system to assist livestock farmers to diagnose sow pregnancy through ultrasound. Methods for diagnosing pregnancy in sows through ultrasound include the Doppler method, which measures the heart rate and pulse status, and the echo method, which diagnoses by amplitude depth technique. We propose a method that uses deep learning algorithms on ultrasonography, which is part of the echo method. As deep learning-based classification algorithms, Inception-v4, Xception, and EfficientNetV2 were used and compared to find the optimal algorithm for pregnancy diagnosis in sows. Gaussian and speckle noises were added to the ultrasound images according to the characteristics of the ultrasonography, which is easily affected by noise from the surrounding environments. Both the original and noise added ultrasound images of sows were tested together to determine the suitability of the proposed method on farms. The pregnancy diagnosis performance on the original ultrasound images achieved 0.99 in accuracy in the highest case and on the ultrasound images with noises, the performance achieved 0.98 in accuracy. The diagnosis performance achieved 0.96 in accuracy even when the intensity of noise was strong, proving its robustness against noise.
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나
그 밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며,
이를 위반시 정보통신망법에 의해 형사 처벌됨을 유념하시기 바랍니다.
[게시일 2004년 10월 1일]
이용약관
제 1 장 총칙
제 1 조 (목적)
이 이용약관은 KoreaScience 홈페이지(이하 “당 사이트”)에서 제공하는 인터넷 서비스(이하 '서비스')의 가입조건 및 이용에 관한 제반 사항과 기타 필요한 사항을 구체적으로 규정함을 목적으로 합니다.
제 2 조 (용어의 정의)
① "이용자"라 함은 당 사이트에 접속하여 이 약관에 따라 당 사이트가 제공하는 서비스를 받는 회원 및 비회원을
말합니다.
② "회원"이라 함은 서비스를 이용하기 위하여 당 사이트에 개인정보를 제공하여 아이디(ID)와 비밀번호를 부여
받은 자를 말합니다.
③ "회원 아이디(ID)"라 함은 회원의 식별 및 서비스 이용을 위하여 자신이 선정한 문자 및 숫자의 조합을
말합니다.
④ "비밀번호(패스워드)"라 함은 회원이 자신의 비밀보호를 위하여 선정한 문자 및 숫자의 조합을 말합니다.
제 3 조 (이용약관의 효력 및 변경)
① 이 약관은 당 사이트에 게시하거나 기타의 방법으로 회원에게 공지함으로써 효력이 발생합니다.
② 당 사이트는 이 약관을 개정할 경우에 적용일자 및 개정사유를 명시하여 현행 약관과 함께 당 사이트의
초기화면에 그 적용일자 7일 이전부터 적용일자 전일까지 공지합니다. 다만, 회원에게 불리하게 약관내용을
변경하는 경우에는 최소한 30일 이상의 사전 유예기간을 두고 공지합니다. 이 경우 당 사이트는 개정 전
내용과 개정 후 내용을 명확하게 비교하여 이용자가 알기 쉽도록 표시합니다.
제 4 조(약관 외 준칙)
① 이 약관은 당 사이트가 제공하는 서비스에 관한 이용안내와 함께 적용됩니다.
② 이 약관에 명시되지 아니한 사항은 관계법령의 규정이 적용됩니다.
제 2 장 이용계약의 체결
제 5 조 (이용계약의 성립 등)
① 이용계약은 이용고객이 당 사이트가 정한 약관에 「동의합니다」를 선택하고, 당 사이트가 정한
온라인신청양식을 작성하여 서비스 이용을 신청한 후, 당 사이트가 이를 승낙함으로써 성립합니다.
② 제1항의 승낙은 당 사이트가 제공하는 과학기술정보검색, 맞춤정보, 서지정보 등 다른 서비스의 이용승낙을
포함합니다.
제 6 조 (회원가입)
서비스를 이용하고자 하는 고객은 당 사이트에서 정한 회원가입양식에 개인정보를 기재하여 가입을 하여야 합니다.
제 7 조 (개인정보의 보호 및 사용)
당 사이트는 관계법령이 정하는 바에 따라 회원 등록정보를 포함한 회원의 개인정보를 보호하기 위해 노력합니다. 회원 개인정보의 보호 및 사용에 대해서는 관련법령 및 당 사이트의 개인정보 보호정책이 적용됩니다.
제 8 조 (이용 신청의 승낙과 제한)
① 당 사이트는 제6조의 규정에 의한 이용신청고객에 대하여 서비스 이용을 승낙합니다.
② 당 사이트는 아래사항에 해당하는 경우에 대해서 승낙하지 아니 합니다.
- 이용계약 신청서의 내용을 허위로 기재한 경우
- 기타 규정한 제반사항을 위반하며 신청하는 경우
제 9 조 (회원 ID 부여 및 변경 등)
① 당 사이트는 이용고객에 대하여 약관에 정하는 바에 따라 자신이 선정한 회원 ID를 부여합니다.
② 회원 ID는 원칙적으로 변경이 불가하며 부득이한 사유로 인하여 변경 하고자 하는 경우에는 해당 ID를
해지하고 재가입해야 합니다.
③ 기타 회원 개인정보 관리 및 변경 등에 관한 사항은 서비스별 안내에 정하는 바에 의합니다.
제 3 장 계약 당사자의 의무
제 10 조 (KISTI의 의무)
① 당 사이트는 이용고객이 희망한 서비스 제공 개시일에 특별한 사정이 없는 한 서비스를 이용할 수 있도록
하여야 합니다.
② 당 사이트는 개인정보 보호를 위해 보안시스템을 구축하며 개인정보 보호정책을 공시하고 준수합니다.
③ 당 사이트는 회원으로부터 제기되는 의견이나 불만이 정당하다고 객관적으로 인정될 경우에는 적절한 절차를
거쳐 즉시 처리하여야 합니다. 다만, 즉시 처리가 곤란한 경우는 회원에게 그 사유와 처리일정을 통보하여야
합니다.
제 11 조 (회원의 의무)
① 이용자는 회원가입 신청 또는 회원정보 변경 시 실명으로 모든 사항을 사실에 근거하여 작성하여야 하며,
허위 또는 타인의 정보를 등록할 경우 일체의 권리를 주장할 수 없습니다.
② 당 사이트가 관계법령 및 개인정보 보호정책에 의거하여 그 책임을 지는 경우를 제외하고 회원에게 부여된
ID의 비밀번호 관리소홀, 부정사용에 의하여 발생하는 모든 결과에 대한 책임은 회원에게 있습니다.
③ 회원은 당 사이트 및 제 3자의 지적 재산권을 침해해서는 안 됩니다.
제 4 장 서비스의 이용
제 12 조 (서비스 이용 시간)
① 서비스 이용은 당 사이트의 업무상 또는 기술상 특별한 지장이 없는 한 연중무휴, 1일 24시간 운영을
원칙으로 합니다. 단, 당 사이트는 시스템 정기점검, 증설 및 교체를 위해 당 사이트가 정한 날이나 시간에
서비스를 일시 중단할 수 있으며, 예정되어 있는 작업으로 인한 서비스 일시중단은 당 사이트 홈페이지를
통해 사전에 공지합니다.
② 당 사이트는 서비스를 특정범위로 분할하여 각 범위별로 이용가능시간을 별도로 지정할 수 있습니다. 다만
이 경우 그 내용을 공지합니다.
제 13 조 (홈페이지 저작권)
① NDSL에서 제공하는 모든 저작물의 저작권은 원저작자에게 있으며, KISTI는 복제/배포/전송권을 확보하고
있습니다.
② NDSL에서 제공하는 콘텐츠를 상업적 및 기타 영리목적으로 복제/배포/전송할 경우 사전에 KISTI의 허락을
받아야 합니다.
③ NDSL에서 제공하는 콘텐츠를 보도, 비평, 교육, 연구 등을 위하여 정당한 범위 안에서 공정한 관행에
합치되게 인용할 수 있습니다.
④ NDSL에서 제공하는 콘텐츠를 무단 복제, 전송, 배포 기타 저작권법에 위반되는 방법으로 이용할 경우
저작권법 제136조에 따라 5년 이하의 징역 또는 5천만 원 이하의 벌금에 처해질 수 있습니다.
제 14 조 (유료서비스)
① 당 사이트 및 협력기관이 정한 유료서비스(원문복사 등)는 별도로 정해진 바에 따르며, 변경사항은 시행 전에
당 사이트 홈페이지를 통하여 회원에게 공지합니다.
② 유료서비스를 이용하려는 회원은 정해진 요금체계에 따라 요금을 납부해야 합니다.
제 5 장 계약 해지 및 이용 제한
제 15 조 (계약 해지)
회원이 이용계약을 해지하고자 하는 때에는 [가입해지] 메뉴를 이용해 직접 해지해야 합니다.
제 16 조 (서비스 이용제한)
① 당 사이트는 회원이 서비스 이용내용에 있어서 본 약관 제 11조 내용을 위반하거나, 다음 각 호에 해당하는
경우 서비스 이용을 제한할 수 있습니다.
- 2년 이상 서비스를 이용한 적이 없는 경우
- 기타 정상적인 서비스 운영에 방해가 될 경우
② 상기 이용제한 규정에 따라 서비스를 이용하는 회원에게 서비스 이용에 대하여 별도 공지 없이 서비스 이용의
일시정지, 이용계약 해지 할 수 있습니다.
제 17 조 (전자우편주소 수집 금지)
회원은 전자우편주소 추출기 등을 이용하여 전자우편주소를 수집 또는 제3자에게 제공할 수 없습니다.
제 6 장 손해배상 및 기타사항
제 18 조 (손해배상)
당 사이트는 무료로 제공되는 서비스와 관련하여 회원에게 어떠한 손해가 발생하더라도 당 사이트가 고의 또는 과실로 인한 손해발생을 제외하고는 이에 대하여 책임을 부담하지 아니합니다.
제 19 조 (관할 법원)
서비스 이용으로 발생한 분쟁에 대해 소송이 제기되는 경우 민사 소송법상의 관할 법원에 제기합니다.
[부 칙]
1. (시행일) 이 약관은 2016년 9월 5일부터 적용되며, 종전 약관은 본 약관으로 대체되며, 개정된 약관의 적용일 이전 가입자도 개정된 약관의 적용을 받습니다.