dc.contributor.author | Papaoikonomou, Antonios![]() |
en |
dc.contributor.author | Παπαοικονόμου, Αντώνιος![]() |
el |
dc.date.accessioned | 2022-10-05T10:39:34Z | |
dc.date.available | 2022-10-05T10:39:34Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/55849 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.23547 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Πυρηνικοί αντιδραστήρες | el |
dc.subject | Νετρονιακός θόρυβος | el |
dc.subject | Προσαρμογή πεδίου | el |
dc.subject | Αυτο-επιβλεπόμενη μάθηση | el |
dc.subject | Βαθιά νευρωνικά δίκτυα | el |
dc.subject | Machine learning | en |
dc.subject | Nuclear reactors | en |
dc.subject | Neutron noise | en |
dc.subject | Domain adaptation | en |
dc.subject | Self-supervised learning | en |
dc.title | Localization of perturbations in nuclear reactor cores in the time-domain using self-supervised machine learning and domain adaptation | en |
dc.title | Εντοπισμός διαταραχών σε πυρηνικούς αντιδραστήρες στο πεδίο του χρόνου με αυτο-επιβλεπόμενη μηχανική μάθηση και προσαρμογή πεδίου | el |
heal.type | bachelorThesis | |
heal.classification | Επιστήμη Υπολογιστών | el |
heal.classification | Computer Science | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-03-01 | |
heal.abstract | Η παρούσα διπλωματική εργασία έρχεται να συμπληρώσει την ήδη υπάρχουσα έρευνα που γίνεται γύρω από την εποπτεία της λειτουργίας των πυρηνικών αντιδραστήρων και του εντοπισμού της πηγής των διαταραχών κατά την λειτουργία αυτών μέσω διαγνωστικών σφάλματος από τα σήματα νετρονιακού θορύβου κάνοντας χρήση τεχνικών της Μηχανικής Μάθησης. Απώτερος σκοπός προκειμένου να γίνει ο εντοπισμός των διαταραχών αυτών είναι η εύρεση της αντίστροφης συνάρτησης μεταφοράς του αντιδραστήρα. Καθώς όμως το πλήθος των αισθητήρων που έχουμε διαθέσιμους σε κάθε αντιδραστήρα είναι περιορισμένο και σημαντικά μικρότερο από το πλήθος των πιθανών θέσεων εντοπισμού των διαταραχών, η συγκεκριμένη αναστροφή δεν είναι τετριμμένη πράγμα που καθιστά επιτακτική την χρήση της Μηχανικής Μάθησης. Το παραπάνω επιτυγχάνεται με χρήση Μονοδιάστατων καθώς και Δισδιάστατων Βαθιών Συνελικτικών Δικτύων (1D-CNNs, 2D-CNNs) μέσω εκπαίδευσης σε συνθετικά σήματα αισθητήρων απευθείας στο πεδίο του χρόνου, μειώνοντας σημαντικά την υπολογιστική πολυπλοκότητα. Τα συνθετικά δεδομένα αυτά έχουν παραχθεί μέσω του προσομοιωτικού προγράμματος S3K και αντιστοιχούν στο πυρηνικό εργοστάσιο Gösgen (KKG) τύπου PWR που εντοπίζεται στην Ελβετία. Τέλος, προκειμένου να γίνει εναρμόνιση των συνθετικών δεδομένων με τις αντίστοιχες πραγματικές μετρήσεις του ίδιου αντιδραστήρα παρουσιάζεται μια τεχνική Αυτο-Επιβλεπόμενης Προσαρμογής Πεδίου (SSDA) για την εκπαίδευση της προτεινόμενης αρχιτεκτονικής. | el |
heal.abstract | This thesis complements the existing research on monitoring the operation of Nuclear Reactor Cores and locating the source of perturbations through fault diagnostics from neutron-noise signals using Machine Learning techniques. The ultimate goal in order to detect these perturbations is to find the Inverse transfer function of the reactor. However, as the number of sensors available in each reactor is limited and significantly smaller than the number of possible locations for the detection of perturbations, this inversion is not a trivial task, which makes the use of Machine Learning imperative. The above is achieved by using One-Dimensional as well as Two-Dimensional Deep Convolutional Neural Networks (1D-CNNs, 2D-CNNs) through training in synthetic sensor signals directly in the time domain, thus significantly reducing computational complexity. The synthetic data has been produced using the S3K simulation code and correspond to the PWR type Gösgen (KKG) Nuclear Power Plant located in Switzerland. Finally, in order to align the synthetic data with the corresponding actual measurements of the same reactor, a Self-Supervised Domain Adaptation (SSDA) technique is presented for the training of the proposed architecture. | en |
heal.advisorName | Κόλλιας, Στέφανος | el |
heal.advisorName | Kollias, Stefanos![]() |
en |
heal.committeeMemberName | Σταφυλοπάτης, Ανδρέας Γεώργιος | el |
heal.committeeMemberName | Στάμου, Γεώργιος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 55 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: