ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В АТОМНОЙ ОТРАСЛИ

А. А. Андрианов, А. А. Залужный, А. В. Мицкевич, А. В. Пономарев, П. Б. Птицын

Аннотация


В статье обсуждаются области применения и возможные ограничения использования искусственного интеллекта в атомной промышленности. Развивающийся искусственный интеллект может быть использован почти на всех стадиях топливного цикла и в сопутствующих областях. Методы искусственного интеллекта способны повысить эффективность деятельности в ядерной медицине, науке, поиске, систематизации и обработке большого массива информации. Использование методов искусственного интеллекта в атомной индустрии ставит ряд вопросов, которые должны быть всесторонне рассмотрены. Список лит. 14 назв.

Ключевые слова


Искусственный интеллект, машинное обучение, нейронная сеть, обработка естественного языка, синтез текста, компьютерное зрение, атомная отрасль, ядерный топливный цикл

Полный текст:

PDF

Литература


Лысачев М.Н., Прохоров А.Н. Искусственный интеллект. Анализ, тренды, мировой опыт. М.: Константа, 2023. 460 с.

Bournas N., Touré A., Balboné M. e.a. Use of machine learning techniques on airborne geophysical data for mineral resources exploration in Burkina Faso. — ASEG, 2019, v. 2019, № 1, p. 1— 4.

Charatsidou E. A Machine Learning Approach to the Nuclear Fuel Fabrication Process. Master Thesis. Stockholm, KTH Royal Institute of Technology, 2020. 48 p.

Sobolev A.V., Gazetdinov A.S., Samokhin D.S. Genetic algorithms for nuclear reactor fuel load and reload optimization problems. — Nucl. Engng Techn., 2017, v. 3, № 3, p. 231—235.

Lu Q., Yuan Y., Li F. e.a. Prediction method for thermalhydraulic parameters of nuclear reactor system based on deep learning algorithm. — Appl. Thermal Engng, 2021, v. 196, p. 117272.

Huang Q., Peng S., Deng J. e.a. A review of the application of artificial intelligence to nuclear reactors: where we are and what’s next. — Heliyon, 2023, v. 9, № 3, p. е13883.

Gong H., Cheng S., Chen Z., Li Q. Data-enabled physicsinformed machine learning for reduced-order modeling digital twin: application to nuclear reactor physics. — Nucl. Sci. Engng, 2022, v. 196, № 6, p. 668—693.

Lee G., Lee S., Lee C. A convolutional neural network model for abnormality diagnosis in a nuclear power plant. — Appl. Soft Comp., 2020, v. 99, p. 106874.

Virkkunen I., Koskinen T., Jessen-Juhler O., Rintaaho J. Augmented ultrasonic data for machine learning. — Nondestructive Evaluation, 2019, v. 40, № 4, p. 11.

Farber J., Rashadan A., Abdel-Khalik H. e.a. Process Anomaly Detection for Sparsely Labeled Events in Nuclear Power Plants. INL/EXT-21-64303. 2021. [Электронный ресурс]. URL: https://inldigitallibrary.inl.gov/sites/sti/sti/ Sort_53081.pdf (дата обращения: 27.12.2024).

Kim S., L im S ., K im D . Intelligent intrusion detection system featuring a virtual fence, active intruder detection, classification, tracking, and action recognition. — Ann. Nucl. Energy, 2017, v. 112, p. 845—855.

Artificial Intelligence for Accelerating Nuclear Applications, Science and Technology. Vienna: IAEA, 2022.

Annunziata S., Treglia G. Editorial: radiomics and artificial intelligence in radiology and nuclear medicine. — Front. Med., 2023, v. 10, p. 1216434.

Boehnlein A., Diefenthaler M., Sato N. e.a. Colloquium: machine learning in nuclear physics. — Rev. Modern Phys., 2022, v. 94, № 3, p. 32.


Ссылки

  • На текущий момент ссылки отсутствуют.