KR102377489B1 - 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법 - Google Patents

딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법 Download PDF

Info

Publication number
KR102377489B1
KR102377489B1 KR1020190165576A KR20190165576A KR102377489B1 KR 102377489 B1 KR102377489 B1 KR 102377489B1 KR 1020190165576 A KR1020190165576 A KR 1020190165576A KR 20190165576 A KR20190165576 A KR 20190165576A KR 102377489 B1 KR102377489 B1 KR 102377489B1
Authority
KR
South Korea
Prior art keywords
deep learning
classification
axial
axial output
output distribution
Prior art date
Application number
KR1020190165576A
Other languages
English (en)
Other versions
KR20210075257A (ko
Inventor
이용신
장찬수
김성두
Original Assignee
한전원자력연료 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한전원자력연료 주식회사 filed Critical 한전원자력연료 주식회사
Priority to KR1020190165576A priority Critical patent/KR102377489B1/ko
Publication of KR20210075257A publication Critical patent/KR20210075257A/ko
Application granted granted Critical
Publication of KR102377489B1 publication Critical patent/KR102377489B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G21C17/02—Devices or arrangements for monitoring coolant or moderator
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에 관한 것으로, 원자력 분야의 안전해석에서 불필요한 민감도 분석을 줄이는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에 관한 것이다. 본 발명에 따르면, 안전해석 시 소프트맥스 회귀(softmax regression)와 형상 분류 모델(shape classification model)을 적용하여 축방향 출력분포의 민감도 분석 횟수를 줄임으로써 해석 소요시간을 단축할 수 있는 효과가 있다.

Description

딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법{Methodology to Classify Axial Power Shape Using Softmax Regression in Deep Learning}
본 발명은 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에 관한 것으로, 보다 상세하게는 원자력 분야의 안전해석에서 불필요한 민감도 분석을 줄이는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에 관한 것이다.
종래, 공개특허 제2001-0039442호에는 노심감시계통에서 가상 핵계측기를 이용한 축방향 출력분포 계산방법에 관한 것으로, 가상의 노내 핵계측기를 설정, 기존의 5개 실제 핵계측기 출력과 가상의 9개 핵계측기 출력간의 최적상관관계를 도출, 이를 이용하여 9개 가상 핵계측기 출력을 추정하는 과정, 추정된 가상 핵계측기 출력을 이용하여 9개 모드로 구성된 퓨리어 함수의 계수를 계산하여 40개 혹은 20개 축방향 구간의 출력을 계산하는 과정을 갖는 노심감시계통의 축방향 출력분포 계산 방법이 개시되어 있다.
경수로 안전해석 업무의 설계기준사고 분석 시 가장 제한적인 평가를 위하여 노심입구온도, 원자로 냉각재 계통 압력, 원자로 냉각재 유량, 축방향 출력분포 등의 초기 조건을 이용한 민감도 분석을 수행한다. 이때, 노심입구온도, 원자로 냉각재 계통 압력, 원자로 냉각재 유량 초기 조건의 경우, 운전제한조건(LCO, Limiting Conditions for Operation)의 범위에서 최대값과 최소값을 이용하여 제한적인 조건을 선정한다.
반면에 축방향 출력분포의 초기 조건은 제한적인 방향의 경향성이 뚜렷하게 존재하지 않으므로, 기존에는 수천 가지의 축방향 출력분포에 대하여 민감도 분석을 하였으나 이는 많은 시간이 소요되는 문제가 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 안전해석 시 축방향 출력분포의 민감도 분석에 소요되는 시간을 단축하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법을 제공함에 목적이 있다.
본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법은 형상 분류 모델을 이용하여 축방향 출력분포 훈련데이터를 라벨 분류하고, 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련시키며 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 딥러닝 모델단계; 및 상기 딥러닝 모델단계를 통해 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 분류 테스트 단계;를 포함한다.
바람직하게 딥러닝 모델단계는 소프트맥스 회귀를 이용한 딥러닝 모델로서, 형상 분류 모델을 이용하여 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하고 축방향 출력분포 훈련데이터를 라벨 분류하는 분류단계; 소프트맥스 회귀에 상기 분류모듈을 통한 라벨 분류를 표기한 훈련데이터를 입력하여 훈련시키는 훈련단계; 및 상기 훈련모듈의 훈련과정에서 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 선택단계; 를 포함한다.
바람직하게 형상 분류 모델은 축방향 출력분포 패키지에서 대표 축방향 출력분포와 다른 축방향 출력분포를 선택하고, 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하며, 모든 축방향 출력분포 훈련데이터의 라벨 분류가 끝날 때까지 위 과정을 반복하여 수행한다.
또한 바람직하게 딥러닝 모델단계의 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련하는 과정은 소프트맥스 회귀에 의한 딥러닝 모델에 축방향 출력분포 형상을 입력하고 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고, 소프트맥스 회귀의 딥러닝 모델을 훈련과정을 수행하고, 딥러닝 모델단계는 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 것으로서, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합한다.
바람직하게 분류 테스트 단계는 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류 테스트하는 단계; 및 형상 분류 모델을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 검증단계; 를 포함한다. 또한 분류 테스트 단계는 검증단계의 결과, 유사할 경우에는 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하거나, 유사하지 않을 경우에는 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정하는 과정을 수행한다.
바람직하게 분류 테스트 단계는 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류 테스트하는 과정을 수행하는 구성으로, 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하고, 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고, 소프트맥스 회귀의 딥러닝 모델을 테스트한다.
바람직하게 딥러닝 모델단계는 상기 형상 분류 모델을 이용하여 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하는 과정에서, 각 위치에 대한 축방향 출력의 차를 제곱하여 모두 더한 값이 축방향 출력분포의 유사성을 나타내는 오차 기준값 내에 있는지를 계산하는 과정을 포함한다.
또한 바람직하게 분류 테스트 단계는 상기 형상 분류 모델을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 과정에서, 각 위치에 대한 축방향 출력의 차를 제곱하여 모두 더한 값이 축방향 출력분포의 유사성을 나타내는 오차 기준값 내에 있는지를 계산하는 과정을 포함한다.
바람직하게 분류 테스트 단계는 상기 검증단계의 결과, 유사할 경우에는 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하거나, 유사하지 않을 경우에는 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정하는 과정을 수행하되, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합한다.
또한 본 발명은 형상 분류 모델을 이용하여 산술적으로 축방향 출력분포의 형상을 라벨(label)로 붙여서 분류하고, 이 분류된 훈련데이터를 이용하여 소프트맥스 회귀로 딥러닝 모델을 훈련시킨 후, 이 훈련된 딥러닝 모델을 이용하여 분류되지 않은 시험데이터를 라벨 분류하고 마지막으로 딥러닝 모델의 정확도를 확인하기 위하여 형상 분류 모델로 다시 검증한다.
안전해석을 수행하는 데 있어 축방향 출력분포 패키지 안에서 불필요한 축방향 출력분포 데이터를 분석하기 위하여 그룹 내의 축방향 출력분포 개수의 분포를 조사한다.
또한 그룹 내의 축방향 출력분포를 임의로 하나의 대표 선정 가능성을 확인하기 위해서 유량 상실 사고(LOF, Loss Of Flow) 해석을 통하여 축방향 출력분포 그룹 안에 있는 핵비등 이탈률(DNBR, Departure from Nucleate Boiling Ratio)의 최대값과 최소값의 차이(핵비등 이탈률 불확실도로 정의)를 분석한다.
본 발명에 따르면, 비-손실 냉각재 사고 해석시 소프트맥스 회귀(softmax regression)와 형상 분류 모델(shape classification model)을 적용하여 축방향 출력분포의 민감도 분석 횟수를 줄임으로써 해석 소요시간을 단축할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류시스템의 구성을 나타낸 예시도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류시스템을 이용한 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 형상 분류 모델을 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에서 소프트맥스 함수(softmax function)와 크로스-엔트로피 함수(cross-entropy function)를 사용하여 원-핫 인코딩(one-hot encoding)으로 계산하는 예이다.
도 5는 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에서 형상 분류 모델을 이용하여 분류한 축방향 출력분포의 그룹번호 분포를 나타낸 예시도이다.
도 6은 형상 분류 모델을 이용하여 축방향 출력분포 그룹에 대한 유량 상실 사고의 핵비등 이탈률 불확실도 결과를 나타낸 예시도이다.
도 7은 그룹번호 86의 축방향 출력분포 형상을 나타낸 예시도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다. 또한 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류시스템의 구성을 나타낸 예시도이다. 도 1에 도시된 바와 같이, 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류시스템(10)은 소프트맥스 회귀를 이용한 딥러닝 모델부(110)와 훈련된 딥러닝 모델을 이용한 분류 테스트부(120)를 포함한다.
딥러닝 모델부(110)는 소프트맥스 회귀를 이용한 딥러닝 모델로서, 형상 분류 모델을 이용하여 축방향 출력분포 훈련데이터를 라벨 분류하는 분류모듈(111), 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련시키는 훈련모듈(112), 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 선택모듈(113)을 포함한다.
본 실시예에 따른 분류모듈(111)에서, 형상 분류 모델은 축방향 출력분포 패키지에서 대표 축방향 출력분포와 다른 축방향 출력분포를 선택하고, 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하고, 모든 축방향 출력분포 훈련데이터의 라벨 분류가 끝날 때까지 위 과정을 반복하여 수행한다.
본 실시예에 따른 훈련모듈(112)에서, 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련하는 과정은 소프트맥스 회귀에 의한 딥러닝 모델에 축방향 출력분포 형상을 입력하고 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고, 소프트맥스 회귀의 딥러닝 모델을 훈련시키는 과정이다.
본 실시예에 따른 선택모듈(113)은 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 것으로서, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합함으로 안전해석에서의 민감도 분석을 최적화한다.
훈련된 딥러닝 모델을 이용한 분류 테스트부(120)는 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류 테스트하는 분류 테스트모듈(121), 형상 분류 모델을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 검증모듈(122)을 포함한다.
이때, 검증모듈(122)의 결과, 유사할 경우에는 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하거나, 유사하지 않을 경우에는 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정하는 과정을 수행한다.
분류 테스트모듈(121)은 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류 테스트하는 과정을 수행하는 구성으로, 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하고, 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고, 소프트맥스 회귀의 딥러닝 모델을 테스트하는 과정을 수행한다.
본 실시예에 따른 딥러닝 모델부(110)에서, 분류모듈(111)의 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하는 제1 과정과, 훈련된 딥러닝 모델을 이용한 분류 테스트부(120)에서, 검증모듈(122)의 형상 분류 모델을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 제2 과정은 각 위치에 대한 축방향 출력의 차를 제곱하여 모두 더한 값이 축방향 출력분포의 유사성을 나타내는 오차 기준값 내에 있는지를 계산하는 과정을 갖는다.
검증모듈(122)에서, 유사할 경우에는 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하거나, 유사하지 않을 경우에는 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정하는 과정은, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합함으로 안전해석에서의 민감도 분석을 최적화한다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류시스템을 이용한 방법을 나타낸 흐름도이다. 도 2에 도시된 바와 같이, 소프트맥스 회귀를 이용한 딥러닝(a)과 훈련된 딥러닝 모델을 이용한 분류 테스트 과정(b)을 포함한다.
소프트맥스 회귀를 이용한 딥러닝(a)은 형상 분류모델을 사용하여 축방향 출력분포 훈련데이터를 라벨 분류한다(a-1). 다음으로 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련시킨다.(a-2). 다음으로 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택한다(a-3).
훈련된 딥러닝 모델을 이용한 분류 테스트 과정(b)은 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류를 시험한다(b-1). 다음으로 수학식1을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증한다(b-2). (b-2)의 검증결과 유사한 경우, 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하고, 비유사한 경우, 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정한다.
이하, 본 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류 방법 각 과정을 상세하게 설명하기로 한다.
형상 분류 모델은 형상의 유사성에 따라 축방향 출력분포의 훈련데이터를 라벨을 붙여서 분류한다.
형상 분류 모델의 첫 번째 단계에서는 축방향 출력분포 패키지에서 대표 축방향 출력분포와 다른 축방향 출력분포를 선택한다. 형상 분류 모델의 두 번째 단계에서는 대표 축방향 출력분포와 다른 축방향 출력분포의 유사성 여부를 아래 수학식 1로 계산한다.
[수학식 1]
Figure 112019128521171-pat00001
Figure 112019128521171-pat00002
은 대표 축방향 출력분포를 나타내고,
Figure 112019128521171-pat00003
은 다른 축방향 출력분포를 나타내며,
Figure 112019128521171-pat00004
은 축방향 출력분포의 유사성을 나타내는 오차이다.
모든 축방향 출력분포 훈련데이터의 라벨 분류가 끝날 때까지 위의 첫 번째 단계와 두 번째 단계를 반복적으로 수행한다.
도 3은 본 발명의 일 실시예에 따른 형상 분류 모델을 나타낸 예시도이다. 소프트맥스 회귀는 데이터 세트를 다중 그룹으로 분류하는 로지스틱 회귀(logistic regression)의 일반화 방식으로서, 딥러닝 모델부(110)는 축방향 출력분포 패키지를 읽는다(3-1). 다음으로 축방향 출력분포가 있는지 여부를 판단한다(3-2). 다음으로 축방향 출력분포가 있는 경우, 새로운 대표 축방향 출력분포를 선택한다(3-3). 다른 축방향 출력분포가 있는지를 판단한다(3-4). (3-4)에서, 다른 축방향 출력분포가 없는 경우에는 (3-2)를 거처 종료한다. 다음으로 (3-4)에서 다른 축방향 출력분포를 선택한다(3-5). 위의 수학식1을 이용하여 대표 축방향 출력분포와 다른 축방향 출력분포의 형상이 유사한지 비교판단한다(3-6). 비유사한 경우, (3-4) 단계로 절차를 이행한다. (3-6)에서 형상이 유사한 경우, 다른 축방향 출력분포를 대표 축방향 출력분포가 있는 그룹으로 분류한다(3-7). 이후, 다른 축방향 출력분포가 있는지 판단하는 (3-4) 단계로 절차를 이행하고 없으면 종료한다.
소프트맥스 회귀는 소프트맥스 함수, 크로스-엔트로피 함수, 비용함수(cost function) 그리고 경사하강법(gradient descent)의 순으로 계산한다.
수학식 2에 제시된 소프트맥스 함수의 적용은 선형 회귀(linear regression)의 결과에 대해 확률로 정규화(normalization)하는 것이다.
[수학식 2]
Figure 112019128521171-pat00005
여기서,
Figure 112019128521171-pat00006
는 i 번째 원소의 점수(score)에 대한 확률값이고,
Figure 112019128521171-pat00007
는 선형 회귀(linear regression)을 이용한 i 번째 원소의 점수이다.
수학식 3의 크로스-엔트로피 함수로 훈련데이터의 예측된 확률값 S와 훈련데이터의 실제값 L에 대한 오차를 계산한다.
[수학식 3]
Figure 112019128521171-pat00008
여기서,
Figure 112019128521171-pat00009
는 i 번째 원소의 점수에 대한 확률값이고,
Figure 112019128521171-pat00010
는 훈련데이터에 있는 i 번째의 실제값이다.
수학식 4에 제시된 비용함수으로 모든 훈련데이터에 대한 크로스-엔트로피 함수의 평균값을 계산한다.
[수학식 4]
Figure 112019128521171-pat00011
여기서,
Figure 112019128521171-pat00012
는
Figure 112019128521171-pat00013
과
Figure 112019128521171-pat00014
사이의 오차이고,
Figure 112019128521171-pat00015
은 n번째 훈련데이터의 확률 벡터이며,
Figure 112019128521171-pat00016
은 n번째 훈련데이터의 실제값 벡터이고,
Figure 112019128521171-pat00017
는 훈련데이터의 개수이며,
Figure 112019128521171-pat00018
는 가중치 행렬이고,
Figure 112019128521171-pat00019
는 바이어스 벡터이며,
Figure 112019128521171-pat00020
은 n번째 훈련데이터 벡터이다.
바이어스(bias)를 포함한 가중치(weighting factor)에 대한 비용함수를 최소화하기 위해서 수학식 5의 경사하강법에 제시된 바와 같이 바이어스가 포함된 가중치 행렬이 수렴될 때까지 비용함수는 바이어스를 포함한 가중치 행렬를 반복적으로 미분한다.
[수학식 5]
Figure 112019128521171-pat00021
여기서,
Figure 112019128521171-pat00022
는 비용함수,
Figure 112019128521171-pat00023
는 t 번째 반복한 바이어스를 포함한 가중치 행렬,
Figure 112019128521171-pat00024
는 학습률이다.
위의 훈련된 딥러닝 모델로 시험데이터를 분류하기 위해서 위에서 수렴된 바이어스가 포함된 가중치 행렬을 소프트맥스 함수와 크로스-엔트로피 함수를 포함한 소프트맥스 회귀의 훈련된 딥러닝 모델에 적용한다.
소프트맥스 함수와 크로스-엔트로피 함수에 대해 수렴된 바이어스가 포함된 가중치 행렬을 적용함으로써 도 4의 예와 같이 확률값을 원-핫 인코딩으로 변환할 수 있다.
마지막으로 축방향 출력분포 시험데이터의 결과는 형상 분포 모델의 수학식 1로 계산된 형상 유사성으로 해당 그룹의 대표 축방향 출력분포 데이터와 시험데이터를 비교하여 그룹 분류가 정확한지를 확인한다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에서 소프트맥스 함수(softmax function)와 크로스-엔트로피 함수(cross-entropy function)를 사용하여 원-핫 인코딩(one-hot encoding)으로 계산하는 예이다.
본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법의 형상 분류 모델에서 0.5의 축방향 출력분포 오차를 이용한 축방향 출력분포 분류 결과에 따르면 도 5와 같이 2609개의 축방향 출력분포 훈련데이터는 134개의 그룹으로 분류된다.
대부분의 유사한 형상은 축방향 출력분포 패키지의 일부 그룹에 편중되어 있다. 특히, 그룹번호 51은 1027개의 축방향 출력분포 훈련데이터를 가지고 있고, 그룹번호 18은 484개의 축방향 출력분포 훈련데이터를 가지고 있다. 그룹 안에서 있는 데이터는 민감도 분석을 모두 필요하지 않기 때문에 그룹 안에 있는 대표 축방향 출력분포를 임의로 선택하여 많은 민감도 케이스를 줄일 수 있다.
축방향 출력분포 그룹 안에 있는 핵비등이탈률 불확실도를 분석하기 위해서 2609개의 축방향 출력분포 훈련데이터를 이용하여 유량상실사고를 시뮬레이션한다.
도 5는 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에서 형상 분류 모델을 이용하여 분류한 축방향 출력분포의 그룹번호 분포의 예이다.
도 6은 형상 분류 모델을 이용하여 축방향 출력분포 그룹에 대한 유량상실사고의 핵비등 이탈률 불확실도를 계산한 결과이고, 도 7은 그룹번호 86의 축방향 출력분포 형상을 나타낸 예시도이다.
도 6은 형상 분류 모델을 이용하여 축방향 출력분포 그룹에 대한 유량상실사고의 핵비등이탈률 불확실도 결과를 나타낸 것으로, 특히, 도 6에 제시된 바와 같이 핵비등이탈률 불확실도 최대값은 도 7에서 나타낸 축방향 출력분포의 그룹번호 86에서의 0.021이다.
축방향 출력분포 유사성 오차를 줄임으로써 핵비등이탈률 불확실도 최대값을 줄일 수 있고, 반면에 그룹 안의 핵비등이탈률 불확실도를 줄여서 축방향 출력방향 그룹의 개수가 증가하기 때문에 민감도 분석의 횟수가 증가하게 된다.
형상 분류 모델을 사용한 축방향 출력분포를 분류한 후, 0.1의 학습률(learing rate)과 1.5 천만번의 반복 훈련으로 딥러닝 소프트맥스 회귀를 통해 훈련시킨다. 위 훈련은 가중치 반복 계산에 대한 수렴이 성공하였으며, 형상 분류 모델의 라벨 분류와 비교한 훈련 정확도는 96.86%이다.
위에서 훈련된 소프트맥스 회귀의 딥러닝을 이용하여 3668개의 시험데이터를 분류 시험하였다. 축방향 출력분포 시험데이터의 결과는 형상 분포 모델의 수학식 1로 계산된 형상 유사성으로 증명한다. 3668개의 축방향 출력분포 중 3312개 축방향 출력분포가 각 그룹으로 분류하는 데에 성공하였고, 그 정확도는 90.2%이다.
안전해석을 위한 민감도 분석 횟수는 3668개의 축방향 출력분포에서 428개의 축방향 출력분포로 줄일 수 있다.
이 때 357개의 축방향 출력분포는 소프트맥스 회귀를 사용하여 분류하는 데 실패하여 새 그룹의 대표 축방향 출력분포를 생성하였고, 나머지 3311개의 축방향 출력분포는 기존 71개의 대표 축방향 출력분포에 소프트맥스 회귀를 통하여 성공적으로 분류하였다. 더 많은 축방향 출력분포의 훈련데이터를 입력으로 딥러닝을 훈련함으로써 소프트맥스 회귀를 사용한 대표 축방향 출력분포 분류의 실패가 줄어들고 대표 축방향 출력분포의 총 개수가 추가로 줄어들 수 있다.
본 발명의 일 실시예에 따른 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법은 원자력 분야의 안전해석에서 초기 조건 축방향 출력분포의 민감도 분석 방법에 관한 것으로, 수천가지의 초기조건 축방향 출력분포를 유사한 축방향 출력분포 형상으로 분류하여 불필요한 민감도 분석을 줄일 수 있다. 본 실시예에 따르면, 형상 분류 모델을 이용하여 산술적으로 축방향 출력분포의 형상을 라벨(label)로 붙여서 분류하고, 이 분류된 훈련데이터를 이용하여 소프트맥스 회귀로 딥러닝 모델을 훈련시킨 후, 이 훈련된 딥러닝 모델을 이용하여 분류되지 않은 시험데이터를 라벨 분류하고 마지막으로 딥러닝 모델의 정확도를 확인하기 위하여 형상 분류모델로 다시 검증한다. 안전해석을 수행하는데 있어 축방향 출력분포 패키지 안에서 불필요한 축방향 출력분포 데이터를 분석하기 위하여 그룹 내의 축방향 출력분포 개수의 분포를 조사한다. 또한 그룹 내의 축방향 출력분포를 임의로 하나의 대표 선정 가능성을 확인하기 위해 유량 상실 사고(LOF, Loss Of Flow)해석을 통하여 축방향 출력분포 그룹 안에 있는 핵비등 이탈률(DNBR, Departure from Nucleate Boiling Ratio)의 최대값과 최소값의 차이(핵비등 이탈률 불확실도로 정의)를 분석한다.
본 발명은 수천 가지의 초기조건 축방향 출력분포를 유사한 축방향 출력분포 형상으로 분류하여 불필요한 초기조건 축방향 출력분포의 민감도 분석 횟수를 줄임으로써 해석 소요시간을 효과적으로 단축할 수 있는 장점이 있다.
본 발명은 상술한 내용에서 본 발명의 실시예 및 첨부된 도면에 의해 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능함은 통상의 기술자에게 명백할 것이다.
110 : 딥러닝 모델부
111 : 분류모듈
112 : 훈련모듈
113 : 선택모듈
120 : 분류 테스트부
121 : 분류 테스트모듈
122 : 검증모듈

Claims (11)

  1. 딥러닝 모델부와 분류 테스트부를 포함하는 시스템의 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법에 있어서,
    상기 딥러닝 모델부가 형상 분류 모델을 이용하여 축방향 출력분포 훈련데이터를 라벨 분류하고, 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련시키며 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 딥러닝 모델 훈련단계; 및
    상기 분류 테스트부가 상기 딥러닝 모델부를 통해 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 분류 테스트 단계;를 포함하며,
    상기 딥러닝 모델 훈련단계는 상기 딥러닝 모델부가 축방향 출력분포 패키지에서 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 계산하여 모든 축방향 출력분포 훈련데이터의 라벨 분류가 끝날때까지 모든 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하며, 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고 소프트맥스 회귀의 딥러닝 모델을 훈련시키며, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합하여 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 것으로 축방향 출력분포의 민감도 분석을 최적화하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  2. 제1항에 있어서,
    상기 딥러닝 모델 훈련단계는,
    상기 딥러닝 모델부가 소프트맥스 회귀를 이용한 딥러닝 모델로서, 형상 분류 모델을 이용하여 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하고 축방향 출력분포 훈련데이터를 라벨 분류하는 분류단계;
    상기 딥러닝 모델부가 소프트맥스 회귀에 상기 분류단계를 통한 라벨 분류를 표기한 훈련데이터를 입력하여 훈련시키는 훈련단계; 및
    상기 딥러닝 모델부가 상기 훈련단계의 훈련과정에서 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 선택단계; 를 포함하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  3. 제1항에 있어서,
    상기 형상 분류 모델은 상기 딥러닝 모델부가 분류모듈을 통해 축방향 출력분포 패키지에서 대표 축방향 출력분포와 다른 축방향 출력분포를 선택하고, 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하며, 모든 축방향 출력분포 훈련데이터의 라벨 분류가 끝날 때까지 위 과정을 반복하여 수행하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  4. 제1항에 있어서,
    상기 딥러닝 모델 훈련단계의 소프트맥스 회귀에 라벨 분류를 표기한 훈련데이터를 입력하여 훈련하는 과정은 상기 딥러닝 모델부가 훈련모듈을 통해 소프트맥스 회귀에 의한 딥러닝 모델에 축방향 출력분포 형상을 입력하고 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고, 소프트맥스 회귀의 딥러닝 모델을 훈련시키는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  5. 제1항에 있어서,
    상기 딥러닝 모델 훈련단계는 상기 딥러닝 모델부가 선택모듈을 통해 축방향 출력분포의 각 그룹으로부터 대표 축방향 출력분포를 선택하는 것으로서, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  6. 제1항에 있어서,
    상기 분류 테스트 단계는,
    상기 분류 테스트부가 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류 테스트하는 단계; 및
    상기 분류 테스트부가 형상 분류 모델을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 검증단계; 를 포함하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  7. 제6항에 있어서,
    상기 분류 테스트 단계는,
    상기 분류 테스트부가 상기 검증단계의 결과, 유사할 경우에는 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하거나, 유사하지 않을 경우에는 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정하는 과정을 수행하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  8. 제1항에 있어서,
    상기 분류 테스트 단계는 상기 분류 테스트부가 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하여 분류 테스트하는 과정을 수행하는 구성으로, 훈련된 딥러닝 모델에 축방향 출력분포 시험데이터를 입력하고, 유사한 축방향 출력분포끼리 라벨 분류로 결과를 내고, 소프트맥스 회귀의 딥러닝 모델을 테스트하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  9. 제1항에 있어서,
    상기 딥러닝 모델 훈련단계는 상기 딥러닝 모델부가 상기 형상 분류 모델을 이용하여 대표 축방향 출력분포와 다른 축방향 출력분포의 형상 유사성 여부를 산술적으로 계산하는 과정에서, 상기 분류 테스트부가 각 위치에 대한 축방향 출력의 차를 제곱하여 모두 더한 값이 축방향 출력분포의 유사성을 나타내는 오차 기준값 내에 있는지를 계산하는 과정을 포함하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  10. 제1항에 있어서,
    상기 분류 테스트 단계에서, 상기 분류 테스트부는 상기 형상 분류 모델을 이용하여 분류된 축방향 출력분포 시험데이터가 시험데이터 그룹의 대표 축방향 출력분포와 유사한지 검증하는 과정에서, 각 위치에 대한 축방향 출력의 차를 제곱하여 모두 더한 값이 축방향 출력분포의 유사성을 나타내는 오차 기준값 내에 있는지를 계산하는 과정을 포함하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
  11. 제6항에 있어서,
    상기 분류 테스트 단계는,
    상기 분류 테스트부가 상기 검증단계의 결과, 유사할 경우에는 대표 축방향 출력분포를 분류된 시험데이터 그룹의 대표 축방향 출력분포로 지정하거나, 유사하지 않을 경우에는 축방향 출력분포 시험데이터를 새 그룹의 대표 축방향 출력분포로 지정하는 과정을 수행하되, 축방향 출력분포 패키지 내의 유사한 축방향 출력분포를 하나로 통합하는 것을 특징으로 하는 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법.
KR1020190165576A 2019-12-12 2019-12-12 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법 KR102377489B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190165576A KR102377489B1 (ko) 2019-12-12 2019-12-12 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190165576A KR102377489B1 (ko) 2019-12-12 2019-12-12 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법

Publications (2)

Publication Number Publication Date
KR20210075257A KR20210075257A (ko) 2021-06-23
KR102377489B1 true KR102377489B1 (ko) 2022-03-24

Family

ID=76599197

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190165576A KR102377489B1 (ko) 2019-12-12 2019-12-12 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법

Country Status (1)

Country Link
KR (1) KR102377489B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023113235A1 (ko) * 2021-12-14 2023-06-22 울산과학기술원 Gmdh기반 노심출력 예측 방법 및 시스템
KR102503912B1 (ko) * 2021-12-28 2023-02-24 한전원자력연료 주식회사 정규 크리깅 방법을 이용한 노내 계측기 신호기반의 원자로 노심보호계통 출력분포 합성시스템 및 그 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102095653B1 (ko) 2018-10-12 2020-03-31 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100368325B1 (ko) * 1999-10-30 2003-01-24 한국수력원자력 주식회사 노심감시계통에서 가상 핵계측기를 이용한 축방향 출력분포 계산 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102095653B1 (ko) 2018-10-12 2020-03-31 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Ahmet Iscen et al., "Label Propagation for Deep Semi-supervised Learning," arXiv:1904.04717v1 [cs.CV] (2019.04.09.)*

Also Published As

Publication number Publication date
KR20210075257A (ko) 2021-06-23

Similar Documents

Publication Publication Date Title
CN109034368B (zh) 一种基于dnn的复杂设备多重故障诊断方法
CN111582718B (zh) 基于网络层次分析法的电缆通道火灾风险评估方法及装置
Gegick et al. Identifying security bug reports via text mining: An industrial case study
US11709979B1 (en) Bridge damage identification method considering uncertainty
KR102377489B1 (ko) 딥러닝 소프트맥스 회귀를 이용한 축방향 출력분포 분류방법
CN105653450A (zh) 基于改进遗传算法与Adaboost结合的软件缺陷数据特征选择方法
RU2720586C2 (ru) Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения
CN110502277A (zh) 一种基于bp神经网络的代码坏味检测方法
CN111446002A (zh) 一种基于人工智能的新型冠状病毒患者病况分类系统
US8005674B2 (en) Data modeling of class independent recognition models
Colombo et al. On statistical Multi-Objective optimization of sensor networks and optimal detector derivation for structural health monitoring
Morfidis et al. Use of artificial neural networks in the r/c buildings’ seismic vulnerabilty assessment: The practical point of view
CN116756041A (zh) 代码缺陷预测与定位方法、装置、存储介质及计算机设备
CN116383727A (zh) 一种电厂系统测量粗大误差识别方法、系统、设备及介质
Amorim et al. A new word embedding approach to evaluate potential fixes for automated program repair
EP4260191A1 (en) Methods and apparatuses for troubleshooting a computer system
Pascual Accelerated life test plans robust to misspecification of the stress—life relationship
US9245067B2 (en) Probabilistic method and system for testing a material
US10885387B1 (en) Methods for training auto-labeling device and performing auto-labeling by using hybrid classification and devices using the same
CN115712574A (zh) 一种面向人工智能组件的测试用例生成方法
CN114637620A (zh) 一种基于svm算法的数据库系统异常分类预测方法
KR20210158740A (ko) 기계학습 성능 기반 클러스터링 평가 장치 및 그 방법
CN111026661A (zh) 一种软件易用性全面测试方法及系统
CN111160419A (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
KR102600508B1 (ko) 벽 결함 예측 모델 학습 방법 및 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right