proatom.ru - сайт агентства ПРоАтом
Авторские права
  Агентство  ПРоАтом. 27 лет с атомной отраслью!              
Навигация
· Главная
· Все темы сайта
· Каталог поставщиков
· Контакты
· Наш архив
· Обратная связь
· Опросы
· Поиск по сайту
· Продукты и расценки
· Самое популярное
· Ссылки
· Форум
Журнал
Журнал Атомная стратегия
Подписка на электронную версию
Журнал Атомная стратегия
Атомные Блоги





PRo IT
Подписка
Подписку остановить невозможно! Подробнее...
Задать вопрос
Наши партнеры
PRo-движение
АНОНС

Вышла в свет книга Б.И.Нигматулина и В.А.Пивоварова «Реакторы с тяжелым жидкометаллическим теплоносителем. История трагедии и фарса». Подробнее 
PRo Погоду

Сотрудничество
Редакция приглашает региональных представителей журнала «Атомная стратегия»
и сайта proatom.ru.
E-mail: pr@proatom.ru Савичев Владимир.
Время и Судьбы

[28/03/2023]     Нейросетевой факторный анализ

Программно-методический аппарат для Новой стратегии разработки программных средств анализа безопасности

Е.А. Катковский,  кандидат технических наук, E-mail: katkovsky@mail.ru

Предисловие. В Нормативном документе МАГАТЭ «Детерминистический Анализ безопасности  для Атомных электростанций» [8] особое внимание уделяется расчетным методикам и кодам для такого анализа. Так в разделе: 5. «ИСПОЛЬЗОВАНИЕ КОМПЬЮТЕРНЫХ КОДОВ ДЛЯ ДЕТЕРМИНИСТИЧЕСКОГО АНАЛИЗА БЕЗОПАСНОСТИ» определена целая система требований, касающаяся различных аспектов анализ неопределенности и чувствительности. 



В общем, в документе SSG-2 слово «неопределенность» появляется в тексте 89 раз и слово чувствительность появляется в тексте 24 раза, что указывает на важность такого анализа во многих задачах расчетного обоснования параметров работы, технико-экономических показателей, пределов безопасной эксплуатации, выбора оптимальных режимов работы АЭС. 

К сожалению, существующие расчетные методики и коды не имеют встроенной процедуры анализа неопределенности и чувствительности. Например, современные нейтронно-физические расчеты активных зон реакторов ВВЭР никак не учитывают влияние факторов неопределенности и чувствительности от теплогидравлической составляющей расчета, что может искажать получаемые результаты.

Всякое моделирование расчетными кодами теплогидравлических процессов в контурах АЭС, неважно с каким видом теплоносителя или рабочего тела, неважно одномерное, квази- 2-3-х мерное или полностью 3-х мерное, всегда будет содержать неопределенность в задании коэффициентов или зависимостей, полученных, экспериментально или расчетным путем, в других условиях или для других параметров или свойств. 

Для определения чувствительности получаемых результатов к изменению вышеупомянутых коэффициентов или зависимостей, при валидации и апробации расчетных кодов, необходимо проводить множество расчетов с варьированием проверяемого коэффициента или зависимости, иногда довольно в широком диапазоне, что приводит к значительной вычислительной работе. А если иметь в виду современные коды типа Relap-5, Cathare, Athlet , КОРСАР и др., то, учитывая время расчета одного варианта,  само обоснование может длиться очень долго. Если же требуется анализ нескольких коэффициентов или зависимостей одновременно, то вычислительная работа растет в геометрической прогрессии! Кроме того возрастает вероятность сбоев и человеческих ошибок, могущих искажать результаты анализа.

Исследование неопределённости чувствительности является не чем иным, как факторным анализом.

Факторный анализ — многомерный метод, применяемый для изучения взаимосвязей между значениями переменных. Предполагается, что известные переменные зависят от меньшего количества неизвестных переменных и случайной ошибки.

Факторный анализ позволяет решить две важные проблемы исследователя: описать объект исследования всесторонне и в то же время компактно. С помощью факторного анализа возможно выявление скрытых переменных факторов, отвечающих за наличие линейных статистических связей корреляций между наблюдаемыми переменными.

Таким образом можно выделить 2 цели Факторного анализа:

·         определение взаимосвязей между переменными, (классификация переменных), т. е. «объективная R-классификация» [1,2];

·         сокращение числа переменных необходимых для описания данных.

При анализе в один фактор объединяются сильно коррелирующие между собой переменные, как следствие происходит перераспределение дисперсии между компонентами и получается максимально простая и наглядная структура факторов. После объединения коррелированность компонент внутри каждого фактора между собой будет выше, чем их коррелированность с компонентами из других факторов. Эта процедура также позволяет выделить латентные переменные.

Например, анализируя оценки, полученные по нескольким шкалам, исследователь замечает, что они сходны между собой и имеют высокий коэффициент корреляции, он может предположить, что существует некоторая латентная переменная, с помощью которой можно объяснить наблюдаемое сходство полученных оценок. Такую латентную переменную называют фактором. Данный фактор влияет на многочисленные показатели других переменных, что приводит нас к возможности и необходимости выделить его как наиболее общий, более высокого порядка.

Для выявления наиболее значимых факторов и, как следствие, факторной структуры, наиболее оправданно применять метод главных компонентов (МГК). Суть данного метода состоит в замене коррелированных компонентов некоррелированными факторами. Другой важной характеристикой метода является возможность ограничиться наиболее информативными главными компонентами и исключить остальные из анализа, что упрощает интерпретацию результатов. Достоинство МГК также в том, что он — единственный математически обоснованный метод факторного анализа [1-3]. По утверждению ряда исследователей МГК не является методом факторного анализа, поскольку не расщепляет дисперсию индикаторов на общую и уникальную [4] .

Факторный анализ может быть:

·         разведочным — он осуществляется при исследовании скрытой факторной структуры без предположения о числе факторов и их нагрузках;

·         конфирматорным, предназначенным для проверки гипотез о числе факторов и их нагрузках 

 

Практическое выполнение факторного анализа начинается с проверки его условий.

В обязательные условия факторного анализа входят:

·         Все признаки должны быть количественными.

·         Число наблюдений должно быть не менее чем в два раза больше числа переменных.

·         Выборка должна быть однородна.

·         Исходные переменные должны быть распределены симметрично.

·         Факторный анализ осуществляется по коррелирующим переменным [3].

Основные понятия факторного анализа:

  • Фактор — скрытая переменная;
  • Нагрузка — корреляция между исходной переменной и фактором.

Методы факторного анализа:

·         метод главных компонент

·         корреляционный анализ

·         метод максимального правдоподобия (ММП).

Для выполнения обязательных условий факторного анализа необходим мобильный расчетный инструмент. Очевидно, расчетные коды, упомянутые выше, не годятся на такую роль.

Автор разработал уникальную методику, не имеющую аналогов (во всяком случае я не нашел в интернете ничего похожего), использующую методы искусственных нейронных сетей (ИНС). ИНС обладают рядом уникальных свойств  в выявлении скрытых связей в исследуемых объектах и максимального сжатия численного представления этих связей.

Постановка задачи

Сразу хочу оговориться, что приводимые ниже выкладки и примеры расчетов методически никак не связаны с кодом Athlet   и могут быть проведены с использованием любого другого кода (или связки кодов).

Для апробирования методики ИНС была сделана следующая постановка задачи:

1.      Были заданы диапазоны изменения коэффициентов гидравлического сопротивления (КГС) в первом контуре АЭС с ВВЭР-1000 (по параметрам и геометрии 3-его блока Калининской АЭС);

2.      По коду Athlet   проведен ряд вычислений распределения теплогидравлических параметров (расход-давление-температура) по высоте всех ТВС активной зоны при небольшом варьировании КГС.

3.      Расчетная схема и модель реактора подробно приведены в [7] можно более подробно ознакомиться с приведенными там результатами.

4.      В работе [6] также подробно описана методика анализа с применением ИНС, обученных на базе данных [7].

Рассматривалось варьирование следующих КГС (сами численные границы варьирования КГС приведены в [7], что никак не влияет на методику проведения расчетов для ИНС) (см. Таблицу 1).

Таблица 1. Номенклатура КГС.

 

·         01R    - местный коэффициент сопротивления (безразмерный) при проходе  через нижние отверстия  корзины активной зоны реактора; вход, по ходу

·         02R    - местный коэффициент сопротивления (безразмерный) при проходе  через нижние отверстия  корзины активной зоны реактора; вход, против хода

·         03R    - местный коэффициент сопротивления (безразмерный) при проходе  через нижние отверстия  корзины активной зоны реактора; выход, по ходу

·         04R    - местный коэффициент сопротивления (безразмерный) при проходе  через нижние отверстия  корзины активной зоны реактора; выход, против хода

·         05R    - коэффициент трения (безразмерный), определяющий местный коэффициент сопротивления для СС объектов, связывающих  граничные элементы под выгородкой и над выгородкой; по/против хода

·         06R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты вокруг поддерживающих «стаканов» для сборок; по/ против хода

·         07R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты вокруг поддерживающих «стаканов» для сборок с граничными элементами под выгородкой; по/ против хода

·         08R    - коэффициент трения (безразмерный), определяющий местный коэффициент сопротивления для СС объектов, связывающих  элементы опускной камеры; по/против хода, 90%

·         09R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока)  в связи между входным патрубком и опускной камерой, выходной камерой смешения и выходным патрубком; равномерное

·         10R    - коэффициент трения (безразмерный), определяющий местный коэффициент сопротивления для СС объектов, связывающих  элементы выходной  камеры; по/против хода, 90%

·         11R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока)  в связи между объектом вокруг и внутри поддерживающего «стакана»;

·         12R    - местный коэффициент сопротивления (безразмерный) для нижней дистанционирующей решетки в кассете; по/ против хода

·         13R    - местный коэффициент сопротивления (безразмерный) для верхней дистанционирующей решетки в кассете; по/ против хода

·         14R    - местный коэффициент сопротивления (безразмерный) для внутренних дистанционирующих решеток в кассете; по/ против хода

·         15R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока)  в связи между объектами, расположенными между верхними концевиками твэл  кассеты и нижними решетками головки кассеты;

·         16R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока) между  выгородкой и отбойной решеткой крайней кассеты; равномерное, 0.01 – 10.0

·         17R    - местный коэффициент сопротивления (безразмерный) для нижней решетки головки кассеты; по/ против хода

·         18R    - местный коэффициент сопротивления (безразмерный) для средней решетки головки кассеты; по/ против хода

·         19R    - местный коэффициент сопротивления (безразмерный) для верхней решетки головки кассеты; по/ против хода

·         20R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих внутреннюю и внешнюю части головки кассеты; по/ против хода

·         21R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих внешние части соседних головок кассеты; по/ против хода

·         22R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих внешнюю части головок граничных кассет с пространство над выгородкой(от уровня нижней решетки головки кассеты и до нижней решетки блока защитных труб); по/ против хода

·         23R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока) для прохода через отверстия  в нижней плите блока защитных труб (в центр и на периферии);

·         24R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты, образованные вокруг труб блока защитных труб (БЗТ) в области между нижней и средней решетками БЗТ; по/ против хода

·         25R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты, образованные вокруг труб блока защитных труб (БЗТ) в области между нижней и средней решетками БЗТ с граничными объектами этой области (внутренняя кольцевая решетка обечайки корзины реактора); по/ против хода

·         26R    - коэффициент трения (безразмерный), определяющий местный коэффициент сопротивления для СС объектов, связывающих  граничные элементы в области между нижней и средней решетками БЗТ; по/против хода

·         27R    - местный коэффициент сопротивления (безразмерный) для СС объектов, связывающих  граничные элементы в области между нижней и средней решетками БЗТ с объектами выходной камеры смешения перед выходными патрубками(внешняя кольцевая решетка обечайки корзины реактора); по/ против хода

·         28R    - местный коэффициент сопротивления (безразмерный) для выхода из головки кассеты (с СУЗ и датчиком температуры) внутрь трубы БЗТ; по/ против хода

·         29R    - местный коэффициент сопротивления (безразмерный) для выхода из трубы БЗТ (с СУЗ и датчиком температуры); по/ против хода

·         30R    - местный коэффициент сопротивления (безразмерный) для выхода из головки кассеты (с датчиком ДРЗ) внутрь трубы БЗТ; по/ против хода

·         31R    - местный коэффициент сопротивления (безразмерный) для выхода из трубы БЗТ (с датчиком ДПЗ); по/ против хода

·         32R    - местный коэффициент сопротивления (безразмерный) для выхода из головки кассеты (с датчиком ДРЗ и датчиком температуры) внутрь трубы БЗТ; по/ против хода

·         33R    - местный коэффициент сопротивления (безразмерный) для выхода из трубы БЗТ (с датчиком ДПЗ и датчиком температуры); по/ против хода

·         34R    - местный коэффициент сопротивления (безразмерный) для выхода из головки кассеты (с датчиком температуры) внутрь трубы БЗТ; по/ против хода

·         35R    - местный коэффициент сопротивления (безразмерный) для выхода из трубы БЗТ (с датчиком температуры); по/ против хода

·         36R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока) для прохода из головки периферийной кассеты через отверстия  в нижней плите блока защитных труб в область над нижней решеткой БЗТ;

·         37R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока) для прохода через отверстия  в средней плите блока защитных труб (в центре и на периферии);

·         38R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты, образованные вокруг труб блока защитных труб (БЗТ) в области между средней и верхней решетками БЗТ; по/ против хода

·         39R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты, образованные вокруг труб блока защитных труб (БЗТ) в области между средней и верхней решетками БЗТ с граничными объектами этой области; по/ против хода

·         40R    - коэффициент трения (безразмерный), определяющий местный коэффициент сопротивления для СС объектов, связывающих  граничные элементы в области между средней и верхней решетками БЗТ; по/против хода

·         41R    - местный коэффициент сопротивления (безразмерный) для выхода (все сопротивление приведено к выходу) из трубы БЗТ (с СУЗ) в область под крышку реактора; по/ против хода

·         42R    - множитель перед местным коэффициентом сопротивления (начало/конец, по/против потока) для прохода через отверстия  в верхней плите блока защитных труб (в центр и на периферии);

·         43R    - коэффициент трения (безразмерный), определяющий местный коэффициент сопротивления для СС объектов, связывающих  граничные элементы в области между верхней решеткой БЗТ и крышкой реактора; по/против хода

·         44R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты, образованные вокруг труб блока защитных труб (БЗТ) в области между верхней решеткой БЗТ и крышкой реактора; по/ против хода

·         45R    - местный коэффициент сопротивления (безразмерный) для СС объектов, соединяющих объекты, образованные вокруг труб блока защитных труб (БЗТ) в области между верхней решеткой БЗТ и крышкой реактора с граничными объектами этой области; по/ против хода

·         46R    - местный коэффициент сопротивления (безразмерный) для входа в направляющий канал в его начале (по четырем отверстиям D=2.0мм); по ходу

·         47R    - местный коэффициент сопротивления (безразмерный) в месте соединения  четырех входных отверстий направляющего канала и их объединении в один D=2.5мм; по ходу

·         48R    - местный коэффициент сопротивления (безразмерный) в месте перехода с D=2.5мм на D=11.0мм – основное отверстие направляющего канала; по ходу

·         49R    - местный коэффициент сопротивления (безразмерный) в месте перехода с  D=11.0мм на кольцевой канал с поглощающим стержнем СУЗ (только для направляющих каналов со стержнями СУЗ); по ходу

·         50R    - местный коэффициент сопротивления (безразмерный) в месте выхода теплоносителя из направляющего канала в верхнюю часть головки кассеты; по ходу

Расчетным путем была насчитана обучающая выборка (около 900000 данных [7}) содержащая 3 координаты каждой ТВС и параметры – давление, температура и расход теплоносителя в этих координатах. В силу специфики расчетной схемы кода Athlet  , использующей метод контрольных объемов, координаты расходов «сдвинуты» относительно координат давления и температуры. Нейросетевой метод, впоследствии, позволил привести все параметры к единым координатам (сечениям ТВС).

Таким образом, построение и обучение ИНС производилось по 53 входным параметрам (3 координаты + 50 КГС). Чтобы представить себе масштаб задачи, достаточно сказать что построение ИНС велось поиском глобального минимума ошибки нейросетевой аппроксимации в 53-х мерном пространстве не имея никакой априорной информации об области минимума! Для такой неординарной задачи нужен был соответствующий подход к выбору архитектуры ИНС. Интересно отметить, что в то время только появилось определение «Глубокое Обучение» ИНС (DEEP LERNING), а эта работа уже проводилась как Глубокое Обучение.

Методика проведения обучения ИНС.

Эксперименты с обычными и обобщенными (полносвязными) многослойными персептронами давали довольно высокую ошибку и их коэффициент корреляции не превышал 50%, что не позволяло использовать представляемые ИНС расчеты для факторного анализа.

ИНС Элмана-Джордана (Elman-Jordan Network), как и ИНС на основе Радиально-базисных функций (RBF/GRNN/PNN Network) вообще не достигали сходимости к правдоподобному результату. Метод Машин Опорных Векторов (Support Vector Machine) давал хорошие результаты, не смотря на медленную сходимость но, все равно, заданной точности не достигал.

Качественный скачек в точности и корреляции результатов был достигнут применением одной из разновидностей Модулярной ИНС (Modular Neural Network), когда ИНС представлялась двумя параллельными ветвями двух скрытых слоев нейронов и синапсов, сходящихся только в выходном слое. По одной ветви шло обучение по данным КГС, по второй – по данным координат в ТВС. Причем, для нахождения наиболее эффективного соотношения нейронов и синапсов в скрытых слоях применялись Генетические Алгоритмы (GA) [11], а в процессе обучения приходилось вручную переключаться с batch mode на on-line mode [5] для выхода из локальных минимумов.

Показателем для такого переключения являлось уменьшение абсолютной величины критерия  минимальной длины описания Риссенена (Rissanen's minimum description length criterion -  MDL []) и  информационно-теоретического критерия Акейка (Information theoretic criterion due to Akaike AIC [9]).

Смысл критериев MDL и AIC.

        Чем точнее на обучающей выборке алгоритм, тем он сложнее, а значит тем длиннее будет его описание. . но тем меньше будет список неправильно распознанных объектов (см. Рис. 1)

        Принцип минимальной длины описания (minimum decription length) MDL, «штрафует» излишнюю алгоритмическую сложность решающего алгоритма ИНС.

Рисунок 1. Особенности подсчета минимальной длины описания

Минимальное описание длины (MDL), в принципе, является формализацией «бритвы Оккама». Существует множество подходов к оценке длины описания алгоритма вплоть до длины кода реализующей его программы. Необходимо отметить, что кодирование должно быть эффективным, т.к. даже самый простой алгоритм можно закодировать в очень длинное сообщение. Согласно теореме Шеннона, при оптимальном кодировании длина описания структуры пропорциональна логарифму ее вероятности, взятому с противоположным знаком. Таким образом, MDL обосновывает идею максимизации регуляризованного правдоподобия

Отличительные особенности MDL

MDL позволяет обосновать корректность регуляризации правдоподобия;

• Область применения MDL шире, чем у статистических методов обучения, т.е. MDL можно применять и там, где вводить вероятности некорректно или бессмысленно;

• При использовании MDL предполагается, что чем сложнее алгоритм, тем хуже его обобщающая способность.

Информационный критерий Акейка

В 1973г. Акейк установил связь между правдоподобием (ключевое понятие статистики) и дивергенцией Кульбака-Лейблера (ключевое понятие в теории информации). Ему удалось получить приблизительное соотношение между правдоподобием генеральной совокупности и правдоподобием обучающей выборки (т.е. данных, по которым c помощью ММП производится настройка параметров решающего правила).

В обучении контролировались следующие параметры:

·         MSE – среднеквадратичная ошибка;

·         NMSE – нормализованная среднеквадратичная ошибка;

·         %Error – процентная ошибка;

·         r– коэффициент корреляции;

·         MDL & AIC – критерии длины описания.

Определение всех параметров давалось в [6], поэтому здесь нет необходимости повторяться.

Обучение считалось удачно законченным, если выполнялись следующие условия: NMSE ≤ 0.005; %Error ≤ 0.1%; r ≥ 0.99.

На рис. 2 представлена расчетная схема модульной ИНС, используемой в работе.

В Таблице 2. Приведена номенклатура всех компонент ИНС.

 Рис. 2 – Расчетная схема и структура ИНС для обучения.

Таблица 2. Номенклатура всех компонент ИНС с переводом описания и использования на русский.

 

Результаты обучения ИНС.

Проведенное обучения ИНС для давлений и температур по схеме Рис. 1 показало следующие конечные результаты:

Рис. 3. Проведенное обучения ИНС для расходов  по схеме Рис. 1 показало следующие результаты:

Рис. 4. Как рассчитываются параметры MSE, NMSE, r, %Error, AIC и MDL приведено в [13].

Следует отметить, что процесс обучения ИНС в системе Neurosolution проходит в интерактивном режиме с использованием Графического Пользовательского Интерфейса (ГПИ) (англ. Graphical User Interface, GUI)..

ГПИ позволяет вмешиваться в процесс обучения и менять, по ходу, множество параметров обучаемой ИНС – вид и параметры функций активации любого слоя ИНС, параметры и номенклатуру Генетических алгоритмов, переключаться с batch mode на on-line mode и обратно, контролировать промежуточные результаты обучения, добавлять или уменьшать базу обучающего множества и многое другое. Основные элементы управления обучением нейросети представлены в Таблице 1. Нажатие мышкой на соответствующий элемент вызывает нужное меню действий для управления. Это напоминает некие компьютерные тренажеры или игры, что не менее захватывающее занятие, но гораздо более полезное!

В конце обучения вышеуказанных ИНС были получены аналитические представления в виде из текстов на С++, которые были отлажены и оттранслированы в исполняемые ехе-модули, которые можно применять непосредственно для вычисления расходов, давлений и температур в любом сечении любой ТВС из активной зоны сразу задавая все 53 параметра по которым обучалась ИНС. При этом скорость вычислений на одноядерном ПК не превышала миллисекунды! Это говорит о многократном преимуществе производительности ИНС перед самим кодом, который использовался для обучающего множества.

Следующий раздел посвящен проведенному тестированию ИНС после его обучения. Проверяется его способность предсказывать результаты на выборке из 400 прогонов Athlet, которые не применялись в процедуре обучения. Эти 400 прогонов генерируются с использованием тех же распределений вероятностей, что и для 100 тренировочных прогонов [6].

Обучение и тестирование ИНС проводится по следующей схеме:

1. Рандомизация всего обучающего множества (ОМ) для исключения т.н. «привыкания к данным» ИНС.

2. ОМ разделяется на три части:

·         - 70% для собственно обучения;

·         - 25% для перекрестной проверки CV (Cross Validation);

·         - 5% для тестирования результатов обучения на данных, не участвовавших в ОМ.

 

Все результаты приведены в терминах относительной ошибки результата ИНС по отношению к расчету Athlet.

На рисунках 5, 6, 8, 9 и 11 показаны среднее значение и стандартное отклонение относительной ошибки по всей выборке для массового расхода, температуры теплоносителя и давления.

Значения представлены для всех узлов реактора и сопоставляют все локальные параметры активной зоны.

В случае расходов среднее значение относительной погрешности не превышает 1 %, а среднее значение находится в центре активной зоны в последнем осевом слое. Стандартное отклонение относительной погрешности при движении заднего потока имеет максимальное значение около 1,25 %. Эти значения максимальны и появляются на периферии последнего аксиального слоя (см. рис. 2). Значение стандартного отклонения дает подсказку, что относительные погрешности для всего набора образцов имеют некоторые выбросы, которые не могут быть представлены только двумя первыми моментами (средним и стандартным отклонениями) распределения. Таким образом, максимальное значение относительной ошибки достигает 9 % на периферии последнего осевого слоя (рис. 4).

Аналогичная картина наблюдается и для распределения узловых температур (Рисунок 5, Рисунок 6 и Рисунок 7). Статистически ИНС дает очень хорошие результаты: среднее значение составляет примерно 1,3 %, а максимальное стандартное отклонение - примерно 0,5 % Наибольшие нарушения наблюдаются в последнем осевом слое, где максимальная относительная ошибка достигает примерно 10 %.

Наконец, прогнозирование давления с помощью ИНС является идеальным: значения среднего и стандартного отклонения не превышают 0,05 %.

Рисунок 5. Средняя относительная погрешность массового расхода и стандартное отклонение относительной погрешности. Грани представляют собой осевые слои (в м) активной зоны реактора ВВЭР-1000

>

Рисунок 6. Среднее значение относительной погрешности массового расхода. Грани - аналогично

Рисунок 7. Максимальная относительная погрешность массового расхода. Грани - аналогично Рис. 5

Рисунок 8. Средняя относительная погрешность температуры теплоносителя и стандартное отклонение относительной погрешности. Грани - аналогично Рис. 5

Рисунок 9. Средняя относительная погрешность температуры теплоносителя. Грани - аналогично Рис. 5

>

Рисунок 10. Максимальная относительная погрешность температуры теплоносителя. Грани - аналогично Рис. 5

Рисунок 11 Средняя относительная погрешность давления и стандартное отклонение относительной погрешности. Грани - аналогично Рис. 5

Автор проанализировал результаты погрешностей обученной ИНС и пришел к следующему выводу:

Поскольку расчетная схема, применяемая в коде Athlet в местах сочленения разнородных элементов конструкции первого контура (например, верхней и нижней камер смешения) не основана на законах сохранения, а использует подгоночные зависимости для замыкания систем уравнений, то это ИНС сразу «чувствует», т.к. пытается экстраполировать результаты на границах, как итоговый «опыт» обучения по внутренним узлам.

Автор проанализировал эту особенность ИНС, которая и послужила причиной написания работы [12] в которой проводится подробный анализ недостатков и противоречий в теплогидравлических кодах, построенных на расчетных схемах с несовпадающими по пространству узлами (т.н. «шахматная» схема контрольных объемов).

В процессе обучения ИНС можно постоянно отслеживать как фактор, т.н. относительную чувствительность (Raw Sencity) - т.е. степень влияния каждого исследуемого переменного параметра на получаемый результат обучения.

В данном случае параметры - это влияние 50-ти местных сопротивлений и 3-х координат на результаты обучения ИНС.

На Рисунке 12 первые 50 строк гистограммы оценивают влияние местных сопротивлений (в порядке Таблицы 1), а последние 3 строки – координаты в которых велось обучение.

Рисунок 12. Гистограмма результатов нейросетевого анализа чувствительности теплогидравлических параметров к местным сопротивлениям и координатам.

Вполне ожидаемо, что наибольшее влияние на результат оказывают координаты, но и некоторые КГС тоже весьма значимы.

Выводы

1.      Разработана и апробирована методика и ПО для анализа неопределенности и чувствительности;

2.      Полученные результаты показывают хорошую точность и быстродействие нейросетевого подхода для факторного анализа;

3.      Предлагается применять разработанную методику и ПО для внедрения в практику анализа безопасности в соответствии с рекомендациями МАГАТЭ [11].

 

Литература

1.                     Ким Дж.О., Мьюллер Ч.У. «Факторный анализ: статистические методы и практические вопросы» / сборник работ «Факторный, дискриминантный и кластерный анализ»: пер. с англ.; Под. ред. И.С. Енюкова. — М.: «Финансы и статистика», 1989;

2.                     Электронный учебник по статистике. Москва, StatSoft. WEB: www.statsoft.ru/home/textbook/default.htm;

3.                     Шуметов В.Г. Шуметова Л. В. «Факторный анализ: подход с применением ЭВМ». ОрелГТУ, Орел, 1999;

4.                     Brown, Timothy A. “Confirmatory factor analysis for applied research”, Guilford Press, 2006.

5.                     Heskes T., Wiegerinck W. -  A theoretical comparison of batch-mode, on-line, cyclic, and almost cyclic learning. Submitted to IEEE Transactions on Neural Networks>

6.                     Katkovsky Е.А., Katkovsky S.E, Nikonov S.P., I. Pasichnyk, T. Voggenberger, K. Velkov – “Athlet Based Training Of Neural Networks For The Analysis Of Nuclear Power Plant (NPP) Safety», 22nd SYMPOSIUM of AER on VVER Reactor Physics and Reactor Safety October 1 – 5, 2012, Hotel Floret, Pruhonice, Czech Republic;

7.                     I. Pasichnyk, S. Nikonov, K. Velkov – “Sensitivity of hydrodynamic parameters distributions in VVER-1000 reactor pressure vessel (RPV) with respect to uncertainty of the local hydraulic resistance coefficients”, 22 nd SYMPOSIUM of AER;

8.                     International Atomic Energy Agency, 2019. | Series: IAEA safety standards series, ISSN 1020–525X ; no. SSG-2 (Rev. 1)

9.                     Rissanen, J. (1978). "Modeling by shortest data description", Automatica. 14 (5): 465–658

10.                 Akaike, H. (1973), "Information theory and an extension of the maximum likelihood principle", in Petrov, B.N.; Csáki, F., 2nd International Symposium on Information Theory, Tsahkadsor, Armenia, USSR, September 2-8, 1971, Budapest: Akadémiai Kiadó, pp. 267–281;

11.                 Shukla B.D., Tomar P.S. - "Machine Learning & Genetic Algorithm", ASIN:B09BD5W4P8, 2021;

12.                 Е.А. Катковский – «О соответствии требованиям МАГАТЭ кодов RELAP‑5 и Athletжурнал «Атомная стратегия» №172, стр.:10-13, 2021 г.;

13.                 Е.А. Катковский – «Новая стратегия разработки программных средств для анализа безопасности АЭС», журнал «Атомная стратегия» №192, стр.:12-14, 2022г.

 

 
Связанные ссылки
· Больше про Атомная энергетика
· Новость от Proatom


Самая читаемая статья: Атомная энергетика:
Атомная энергетика России. Время упущенных возможностей

Рейтинг статьи
Средняя оценка работы автора: 1
Ответов: 13


Проголосуйте, пожалуйста, за работу автора:

Отлично
Очень хорошо
Хорошо
Нормально
Плохо

опции

 Напечатать текущую страницу Напечатать текущую страницу

"Авторизация" | Создать Акаунт | 55 Комментарии | Поиск в дискуссии
Спасибо за проявленный интерес

Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 28/03/2023
Катковский, все накопленные за десятилетия крылатые ракеты /~5.000 по меньшей мере/ в не-ядерном варианте из-за Вас растратили. Осталась только возможность запуска свежепроизводимых 50 штук в месяц. Создалась ситуация: ядерные боезаряды есть но доставить их нечем. Из-за Ваших советов Россия лишилась авиационной компоненты ядерной триады. 
Если теперь китай захватит всю российскую землю восточнее Уральских гор - это будет по Вашей вине. Карта российских Сибири и Дальнего Востока с китайскими названиями десятков населённых пунктов - была открыто вывешена на сайтах китайских государственных ведомств перед визитом Си Цзиньпина. 




[ Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 28/03/2023
Да, на стратега Катковский совсем не тянет. Даже при наличии искусственного интеллекта...


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 28/03/2023
А что, правда, что у Катковского искусственный интеллект?


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
"А что, правда, что у Катковского искусственный интеллект?" да, как оказалось, "интеллект" у него своеобразный. Берет статью с несколькими соавторами, выбрасывает всех, кроме себя и через десят лет выдает как свое персональное "произведение", практически ничего не меняя, даже рисунки полностью повторяются. С таким "интеллектом" он далеко пойдет.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 28/03/2023
"Катковский, все накопленные за десятилетия крылатые ракеты /~5.000 по меньшей мере/ в не-ядерном варианте из-за Вас растратили. Осталась только возможность запуска свежепроизводимых 50 штук в месяц. Создалась ситуация: ядерные боезаряды есть но доставить их нечем. Из-за Ваших советов Россия лишилась авиационной компоненты ядерной триады. ".
Это еще что за чушь? Кто советовался с Катковским и кто прислушался к его советам?


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 28/03/2023
Цитата: "Кто советовался с Катковским и кто прислушался к его советам? "

Этого мы никогда не узнаем кто именно - однако подхватить его илею функционеры могли.

Нюанс в том, что современная не имеет профессиональной экспертизы междисциплинарного характера.

В странах Запада междисциплинарная экспертиза для кругов принимающих решения - делается через масонские клубы или протестантские церковные общины или через гольф-клубы наконец. В СССР она делалась через КПСС где были люди разных профессий. Партия "Единая Россия" или "Партия Жуликов и Воров" как её называют - не междисциплинарная а специфический контингент в ней, не знающий слабые места в которые нужно бомбить электростанции.

Конечно, есть у власти РФ горстка записных экспертов - но они в большинстве могут только сидеть с важным видом, числиться по спискам и щёки надувать - а к серьёзной кропотливой работе по анализу мало пригодны. "Тыкнуть" наугад, мол вот сюда бьём - а дальше как повезёт: это их профессиональный потолок.

Было в интернете Западное расследование, что конкретно наведением крылатых ракет занимается "Вычислительный Центр Минобороны РФ", там пол-сотни сотрудников молодого и среднего возраста. Вполне могли вычитать на форуме в интернете: вот умный человек Катковский предлагает бить по электростанциям, указывает уязвимые места. А дальше - преподнесли эту идею перед начальством как свою: наверняка получили звёздочку на погон если начальство доложив "наверх" получило одобрение.

Вот так примерно в России дела делаются: реальный уровень экспертизы ниже плинтуса. Эксперты сильны в подковёрном интриганстве, типа "дружим с тем-то против того-то", в подсиживании, подхалимстве, очковтирательстве "победными" бумажными отчетами. А реальное дело поставлено очень слабо зачастую даже ниже плинтуса.
В таких условиях идея Катковского вполне могла быть кем-то прочитана из "приближённых", сболтнута прочитавшим как своя чтоб показать свою значимость - и подхвачена в нужных кругах а затем утверждена к исполнению.

Собственно, перед революцией 1917 года тоже военно-морской министр по беспристрастным свидетельствам кораблестроителей, при выборе стратегических направлений развития кораблей ВМФ "верил городским слухам и сплетеям". Похоже что история повторяется, если бывший министр обороны Сердюков - мебельщик, его зять Валерий Пузиков - вор, а нынешний министр обороны Шойгу сам в армии не служил.

Для наглядности, в интернете есть список военных аэродромов России 
https://ru.m.wikipedia.org/wiki/%D0%A1%D0%BF%D0%B8%D1%81%D0%BE%D0%BA_%D0%B2%D0%BE%D0%B5%D0%BD%D0%BD%D1%8B%D1%85_%D0%B0%D1%8D%D1%80%D0%BE%D0%B4%D1%80%D0%BE%D0%BC%D0%BE%D0%B2_%D0%A0%D0%BE%D1%81%D1%81%D0%B8%D0%B8


К 2008 году из огромного числа советских аэродромов оставались 245, но после реформы 2008-2009 годов оставили только 70. 
Сейчас активно действующих ещё меньшее количество, тем более, что осталось меньше одной тысячи боевых самолётрв способных подняться в воздух. 




[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Опечатка: современная власть РФ не имеет профессиональной экспертизы междисциплинарного характера.



[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Опечатка: ""верил городским слухам и сплетням"


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
А что такое профессиональная экспертиза? Если я хочу растилить денег на водороде, то буду искать производителя оборудования, который больше мне откатит. И зачем мне эксперт, который объяснит всем, что водород это тема для распила поскольку экономического смысла не имеет ? =)


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Почему надо придалбываться к вопросу, не имеющему отношения к публикации? По делу есть, что сказать? По-моему, так эта тема в той постановке, которая заявлена в заголовке, - "Программно-методический аппарат для Новой стратегии разработки программных средств анализа безопасности", чем-то напоминает уже разросшийся до катастрофических размеров ВАБ. Эти ребята умудрились со своими условными вероятностями даже в ОПБ залезть. Если бы речь шла о некоем вспомогательном опционном инструменте для конструктора, то можно было бы отнестись к этому, так сказать, толерантно. Но когда это заявляется, как Новая стратегия, то чур меня чур.


[ Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Немножко добавлю для ясности. Посмотрел ролик про ИНС. Там рассказывали, в частности, что ИНС применена в автопилоте Теслы. Эта Тесла на автопилоте задавила негра. Оказалось, что ИНС обучали в населенном пункте, где подавляющее большинство населения белые.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Уважаемые участники обсуждения, в моем посте нет слов : Ракета, война, СВО, экспертиза, эксперт, искусственный интеллект (ИИ), ВАБ, ООБ и др.   Если вам нечего больше обсуждать кроме вышеупомянутого, не засоряйте пост.  Дело в том, что при публикации статьи в журнале к ней зачем-то прилагают все высказывания, которые здесь оказались.  Это еще и для сайта может доставить неприятности, если кто-то посчитает высказывания неприелемыми в текущей ситуации. Поэтому кажется, что размер статьи непомерно велик и тратится слишком много бумаги при печати. Поберегите хотя бы наши леса.  Если надо высказать что-то лично, в заголовке есть адрес почты, пишите.
С уважением к ПроАтому,  Катковский Е.А. 


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 01/04/2023
Эта Тесла на автопилоте задавила негра.

Разве это плохо для пиндосии?  
Молодец Маск!   
Действуй в том же духе!


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Наибольшая площадь пожаров в современной истории России наблюдалась в 2021 году. Согласно статистике МЧС, она составила более 18 млн га. Почти 8,5 млн из них пришлись на Якутию, крупные очаги также находились в Иркутской и Тюменской областях. 


[ Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 30/03/2023
А 18 млн. га это 180 тысяч квадратных километров. Или полоса леса шириной 180 км и длиной 1000 км. Наверное, так понятнее Катковскому


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Цитата: "Уважаемые участники обсуждения, в моем посте нет слов : Ракета, война, СВО, экспертиза, эксперт, искусственный интеллект (ИИ), ВАБ, ООБ и др.   Если вам нечего больше обсуждать кроме вышеупомянутого
С уважением к ПроАтому,  Катковский Е.А."


Послушайте, уважаемый Катковский, призывами бомбить электроэнергетику Украины крылатыми ракетами Вы уже наговорили на поездку в Гаагский трибунал. Теперь судьба ракетных атак - Ваше главное дело в жизни.

 В случае победы власти РФ дадут Вам орден, в случае поражения - новые власти РФ выдадут Вас в Гаагу /В.В.Путину ордер на арест уже выписан, чтоб ему в Гааге скучно не было - возьмёт с собой Вас и Стрелкова-Гиркина.
Есть и третий сценарий: нападёт китай, отнимет у Рос сии Сибирь и Дальний Восток, лёгкие ядерные боезаряды  на 200 кТ - 0,5 Мт на складах есть но средств доставки нет,  крылатые ракеты растранжирили в не-ядерном варианте и Россия проиграет китаю ракетно-ядерную войну из-за Вас.. 

Вобщем, в первом случае получите орден "За заслуги перед Отечеством", во втором случае - выдадут Вас Международному суду в Гаагу, в третьем - проклянёт Вас русский народ за опрометчивую растрату многолетнего запаса 5000 крылатых ракет, предназначенных для доставки ядерных боезарядов. 





[ Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 29/03/2023
Мойша, ты уже давно наболтал здесь на бесплатную поездку в один конец в район Биробиджана.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 30/03/2023
Когда-то это называлось - фитирование данных ))


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 30/03/2023
В древности еще Пифагор написал трактат по системе обработке данных, оппонируя Архимеду, но в результате Троянской войны эти бесценные материалы были полностью утрачены! 


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 31/03/2023
Катковский, ты бы лучше про ракеты писал, а эту математику никто понять не может.Видно специалисты по расчетам здесь не "квартируют", а укропам это "до фени".


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 31/03/2023
В нашей организации есть работы со всех Симпозиумов AER, да и в интернете их можно найти, но литературы под № 7 я в работах 22 Симпозиума не нашел.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 31/03/2023
Ачипятка! Правильно: 23 nd SYMPOSIUM of AER;


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 01/04/2023
"Ачипятка! Правильно: 23 nd SYMPOSIUM of AER;" - Между прочим на 23 nd SYMPOSIUM of AER (2013 год) была обнаружена статья (10-ти летней давности!!) "Application of neural networks for the analysis of VVER-1000 reactor pressure vessel hydrodynamics Katkovsky Е.А., Katkovsky S.E., S. Nikonov, I. Pasichnyk, K. Velkov" 
Самое интересное заключается в том, что весь анализ по сравнению работы НС и результатов расчетов, на части которых она строилась, на 99% совпадает с данной работой автора, рисунки один-в-один с точностью до микрона. Однако, выводы отличаются. В работе 10-летней давности говорится о необходимости улучшени построения сети:
"The training procedure is based at this stage only on 100 ATHLET runs sample sets generated by variation of the RPV hydraulic resistances at nominal power. The ANN shows very promising results on a large testing sample set, which contains 400 ATHLET runs. The lower performance at the boundary nodes of the last axial layer can be caused by a lack of interpolation points in this region. The next step will be to improve the performance of the ANN for the last core axial layers boundary nodes and to include in the ANN construction additional training parameters like the total reactor power, the assembly wise powers and their axial distribution. Additional studies are on-going to determine the optimal selection of the available randomized data sets which should be applied by the learning procedure."
А в данной работе автора говорится о том, что расхождения связаны с плохой программой. Как видно, то, чо хотелось сделать для улучшения сети - не удалось и осталось только ругать данные, полученные по программе ATHLET, хотя, как мне кажется, можно было попытаться построить сеть используя не 100 наборов из 500 и проверять остальные 400, а использовать 400 наборов из 500 и проверить работу сети на остальных 100. Еслибы нейронная сеть была получена на каком-то другом наборе, отвлеченном от представленного набора, вот тогда еще можно было бы рассуждать о правильности или неправильности данных по программе ATHLET, а так получилось, что сеть недостаточно "обучилась", не хватило ей даннных. И вообще это стандартный способ обучения сети  - постепенное увеличение исходных даннных из предложеннных и проверка работы на оставшихся результатах. 


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 02/04/2023
S.E., S. Nikonov, I. Pasichnyk, K. Velkov"
Точнее, авторы расположены так: I. Pasichnyk,  S. Nikonov, K. Velkov
Кому интересно так переставлять авторство?
Один с соавторов той статьи  давно пытается повторить мои расчеты по нейросетям на представленной мне I. Pasichnyk и K. Velkov (мой старый друг, с которым я знаком с 1977 г.) ( GRS, Германия) базе данных от GRS.Бесплодные попытки этого соавтора получить какой-то результат  с применением модного языка PYTHON ни к чему не привели, кроме бахвальства.  Как говорится, "А воз и ныне там!"
Осмысление результатов нейросетевого моделирования привели меня к важным выводам, которые я изложил в работе [12], которая обсуждалась на ПроАтоме.
Приведу здесь мнение весьма авторитетного специалиста по безопасности, автора многих публикаций на эту тему,  профессора Francesco D'Auria , которое он выразил мне лично, в одном из своих писем мне по поводу статьи [12] :
Dear Eugeny


Let me first state that I am NOT the author of SSG-2 rev 1: Nevertheless  I was among the authors of SSG-2 original, from which most of the content is taken for SSG-2 rev.1. So I try to answer your remarks (given in the file you attached) below and very shortly.

Whatever you state in your comments is basically true. The points are:

1) we do not know enough turbulence

2) we use averaging techniques (at cross-section scale, at a volume scale and at time scale) to get solutions.

3) we use Partial Derivative Equation (PDE), which are consistent with mechanics of continuum, to model two phase flows that are basically discontinuous

4) we use empirical terms to surrogate the information that we lost due
to averaging and to all of the above (here we have identified all origin
of uncertainty as far as possible).

5) the use of empirical terms (so called constitutive equations) cause elliptic (imaginary) solutions that need to be adjusted with other added terms having no physical meaning (closure equations).


All of the above brings to errors in the results of codes like RELAP and ATHLET: we try to quantify those error in   validation processes; this brought us, since 1990 (Russia was still USSR) to Uncertainty  quantification ... Uncertainty methods are also imperfect and need qualification ... here we are.


In all cases we do the best we can ... and now an international
Conference is convened by CSNI in Madrid on December 2021 - I am acting as Techncial Program Chair to address (some of) the items you have listed in your attached doceument.


 From my side I wrote several papers in relation to the topics above ...


Several hours are needed to enter in more detail - impossible via e-amil. In case you come in Pisa I will be glad to discuss with you.

Francesco D'Auria

ЗЫКогда некие личности пытаются поучать других в вопросах, которыми самим известны только по-наслышке, ничего, кроме недоумения и  смеха это не вызывает.
С уважением

Прочитать остальные комментарии...


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 05/04/2023
"Точнее, авторы расположены так: I. Pasichnyk,  S. Nikonov, K. Velkov" , в оригинале авторы расположены так - из презентации, не надо выдумывать ничего лишнего учи матчасть, не изворачивайся и отвечай на вопросы, что ты не любишь делать.:Application of neural networks for the analysis of VVER-1000 reactor pressure vessel hydrodynamics Katkovsky Е.А.1, Katkovsky S.E.1, S. Nikonov2, I. Pasichnyk3, K. Velkov31“Energoautomatika” Ltd, Moscow, Russiakatkovsky@mail.ru 2NRC „Kurchatov Institute“, Moscow, Russianiks@vver.kiae.ru3Gesellschaft für Anlagen- und Reaktorsicherheit (GRS) mbH, Garching, Germany {Ihor.Pasichnyk, Kiril.Velkov}@grs.de23rd AER in Strebske Pleso, 2013
"Как говорится, "А воз и ныне там!" - посмотри вот эту старую работу из МИФИPrediction of the coolant temperatures using the neural networks V.I.Romanenko. S.P.Nikonov, G.V. Tikhomirov romanenkovli@vandex.ru 11 September 2020, ICNRP Volga 2020 National Research Nuclear University MEPhl
Так что воз и ныне там у тебя , тебе правильно указали, что за 10 лет смог только переписать одну и ту же статью, но только под своим имененм.Нет данных  - и НС просто пустая сеть. Все, что обещалось - пустые слова. А здесь уже подготовлены данные обработки более 200 переходных  пусконаладочных экспериментов с учетом изменения всех параметров в зоне (профиля энерговыделений, температур на выходе кассет) и строится нейронная сеть на основании расчетов по этим экспериментам для определения параметров во всем реакторном объеме (около 80 000 контрольных объёмов). При этом программа построения НС своя.Не надо вариться в собственном соку.И при чем здесь письмо Даурии, оно никак не относится к поставленным вопросам. Я его лично знаю, был у него в университете, и что, на каждом шагу надо об этом кричать, как ты. Это смешно. Сидишь на месте и сиди, нового ничего у тебя не будет. Все твои поделки с НС на уровне выпускных работ студентов МИФИ.  


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 05/04/2023
"Приведу здесь мнение весьма авторитетного специалиста по безопасности" - ну и зачем ты его привел. Какое отношение это мнение имеет к обсуждаемому вопросу. Тебя прижучили в том, что ты свои "новые" разработки копируешь один в один с работы 10 -летней давности. Отвечай на вопросы, а не уводи всех в сторону. Сказать нечего, тогда молчи, плагиатор.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 06/04/2023
К сожалению, я пошел навстречу просьбам моего друга К. Велкова (тогда был начальником отдела в GRS, где подвизался "на прикорме" Никонов С.П.) и включал его в свои (именно мои, как главного исполнителя и автора идей) статьи. Все данные, которые я использовал для проверки моих разработок по нейросетям, я получал от их владельца - GRS, где они и насчитывались по методике GRS SUSE с использованием кода GRS Athlet.  
Все результаты я обсуждал напрямую с К. Велковым и мнение Никонова в GRS по вопросам нейросетей никого не интересовало в силу его некомпетентности.  
Я и проблемы Athlet честно обсуждал с авторами, у меня есть переписка на этот предмет.  Мнение Franchesco D'Aura было для меня тоже важно и я был рад, что наши воззрения на коды, которые я критиковал в своей статье, совпали.   Вызывает недоумение (если не сказать больше) то рвение, с кроторым  Никонов проталкивает код, имеющий столько пороков в расчеты такого важного вопроса - безопасности АЭС.  
Настала насущная потребность в разработке отечественного кода (кодов), построенных на новых принципах, лишенных недостатков Athlet и Relap-5.
 В США это тоже осознали и развивают новый код  Relap-7, о котором я упоминал.  Я считаю, что и в России нужно отказаться от применения иностранных кодов для обоснования безопасности и ускорить разработку отечественных.  Это будет реальным вкладом в импортозамещение, тем более, что теперь доступ к обновлению, консультациям и обучению "забугорных" кодов перекрыт санкциями.
С уважением к ПроАтому,   Катковский Е.А.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
"К сожалению, я пошел навстречу просьбам моего друга К. Велкова" - ты можешь писать здесь все, что хочешь, но результат налицо. Вора видно по делам, как ты был им, так и остался. 
"GRS, гд е 
подвизался "на прикорме" Никонов С.П." - я там бывал в командировках, на основании официального соглашения о совместных работах между КИ и GRS, а вот ты там "подвизался", выискивал, где бы что-то свистнуть, как обычно. 
"где они и насчитывались по методике GRS SUSE с использованием кода GRS Athlet. " - ты сам-то понял, что написал, не знаешь ни методики SUSA (а не SUSE), ни программы ATHLET. Все расчеты проводились по разработанным мною пространственным схемам для ATHLET (кроме меня эти схемы никто не может создать, т.к. программа-предпроцессор, которая их создает и разработана мною, никому никогда не передавалась). Все расчеты проводились в GRS совместно мною и Игорем Пасичником, в то время сотрудником GRS.
Ты можешь врать как хочешь и что хочешь - это твое "кредо". Но где же обещанный учет распределения, хотя бы, энерговыделений в зоне. Попроси у Велкова или Пасичника дополнительные данные для этого. У них их нет(да если бы и были, то не дали), все данные у меня. Попроси у них данные на весь переходный режим, что же ты ограничился только стационарным режимом и за 10 лет и с места не сдвинулся? Все, на что ты способен, украсть данные, убрать соавторов, не сделать никаких ссылок и присвоить себе все, ничего даже не исправив, да врать, врать и вратьи изворачиваться. 
Да, между прочим, ты говорил, что я не буду участвовать в расчетах для Египта, - могу тебя "обрадывать", я это делаю, кроме того, сюда добавилась и Турция и Бангладеш и Китай и Индия.
Ври и изворачивайся дальше. На Проатоме есть оригиналы статей, в том числе и той, на которую ты "забыл сослаться" и повторил здесь на 90%, но только от себя.

Живи не кашляй,
Никонов



[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
"Я считаю, что и в России нужно отказаться от применения иностранных кодов для обоснования безопасности и ускорить разработку отечественных." ну и кто тебе мешает их разрабатывать?


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 08/04/2023
" включал его в свои (именно мои, как главного исполнителя и автора идей) статьи. " и откуда это взято  "как главного исполнителя и автора идей". Ни в одной работе, которые здесь были указаны, не выделена роль отдельного соавтора, ни в одной работе нет ссылки на какую-либо персональную работу Катковского, ни в одной работе даже не упоминается о том, кто главный исполнитель работ и чьи именно "идеи" там реализовывались. Все авторы абсолютно равноправны. В связи с этим правильно указано, что Катковский Е.А. занимается плагиатом, по простому говоря, убирает всех соавторов из статей и присваивает все себе. Вообще, говоря простым языком - ворует, как ему здесь и указали.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 08/04/2023
Катковский, ты так и неответил ни на один вопрос, особенно по статье : "Application of neural networks for the analysis of VVER-1000 reactor pressure vessel hydrodynamics Katkovsky Е.А., Katkovsky S.E., S. Nikonov, I. Pasichnyk, K. Velkov" на 23 симпозиуме AER (2013 год). Почему же на неё нет ссылки в твой "писульке" здесь на сайте. Не потому ли, что она не 99% повторяет эту статью 2013 года, где 5 абсолютно равноправных соавторов - нигде ничья роль не выделена-, а здесь ты всех выкинул, иначе сказать нельзя, и оставил себя одного. На каком основании это сделано?



[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 01/04/2023
"а эту математику никто понять не может" - просто изложение материала не качественное, чувствуется отсутствие практики в написании статей. На самом деле ничего сложного нет. Для начинающих посоветовал бы книгу "Рашид, Тарик.  Создаем нейронную сеть. : Пер. с англ. — СПб. : ООО “Альфа-книга”, 2017. — 272 с. : ил. ". Написана доступным языком, объяснена вся "сложность" используемой математики при построении НС и просто показано, пошагово, как строится НС на PYTHON. Заодно и даются первые шаги по изучению PYTHON. 


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 02/04/2023
просто изложение материала не качественное....

Есть т.н. "НАУЧПОП" для ликвидации неграмотности населения в популярных проблемах науки и техники.  
Есть серьезные монографии типа С.Хайкин "Нейронные сети. Полный курс" (более 1000 страниц со сложными математическими выкладками и терминологией, не приводимых в "НАУЧПОПЕ") - признанная и цитируемая в мировой литературе, как одна из наиболее  авторитетных книг на эту тему (ссылки на неё я ранее давал).  
Каждый свободен в выборе доступной ему для понимания литературе.  
Как писали древние:  "Suum cuique"!   
С уважением к Проатому,  
Катковский Е.А.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 02/04/2023
просто изложение материала не качественное....

Есть т.н. "НАУЧПОП" для ликвидации неграмотности населения в популярных проблемах науки и техники.  
Есть серьезные монографии типа С.Хайкин "Нейронные сети. Полный курс" (более 1000 страниц со сложными математическими выкладками и терминологией, не приводимых в "НАУЧПОПЕ") - признанная и цитируемая в мировой литературе, как одна из наиболее  авторитетных книг на эту тему (ссылки на неё я ранее давал).  
Каждый свободен в выборе доступной ему для понимания литературе.  
Как писали древние:  "Suum cuique"!   
С уважением к Проатому,  
Катковский Е.А.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 05/04/2023
"более 1000 страниц со сложными математическими выкладками " - количество страниц не самый главный критерий в информации, которую несет книга. Сложные математические выкладки - субъективное понятие. Для первокласника первые четыре действия арифметики, встреченные им впервые - сложные математические выкладки. Всё зависит от степени подготовленности человека. То, что некоторые считают сложным, для других - обыденная вещь.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 05/04/2023
Я Пастернака не читал, но сурово осуждаю...
 и я С. Хайкина не читал (поскольку ничего в нейросетях не понимаю), но заранее и его осуждаю за 1000 страниц.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 08/04/2023
С. Хайкина не читал - никто эту книгу здесь не осуждает, просто сказали, что есть другая литература по этому вопросу. Каждый выбирает то, что ему нравится. По вопрсу НС за последние 10 лет вышло более 1000 публикаций. Не надо говорить ерунды.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
То, что некоторые считают сложным, для других - обыденная вещь.
Ну ты то широко известный (в узких кругах) знаток и специалист по нейронным сетям!
А не подписываешся, потому что стесняешся своей известности?


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 08/04/2023
"А не подписываешся, потому что стесняешся своей известности?" , а где твоя подпись? Ты стесняешься своей неизвестности?


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 05/04/2023
В редакцию Проатома и Щлегу Двойникову направлены статьи и презентации с AER-23(2013год), которые касаются рассматриваемого вопроса. Я попросил и редакцию и Олега выслать их любому, кто запросит. Там реше вопрос и с порядком авторов и с самой сутью вопроса. Так что любой сможет оценить что сделано и как сделано, и в каком соавторстве и в каком орядке.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
"С.Хайкин "Нейронные сети. Полный курс" " - неужели совсем полный, и ничем нельзя дополнить? По всей видимости это и есть НАУЧПОП, который ничем не дополняется, кроме глупостей


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 01/04/2023
Цитата: " Кто советовался с Катковским и кто прислушался к его советам? "

В дополнение к сказанному своими словами, ту же самую  одинаковую мысль об иррациональности механизма принятия решений по неэффективному использованию крылатых ракет, очень хорошо рассказывает Арестович


 https://www.youtube.com/watch?app=desktop&v=Qqdo7WirE2E







[ Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 01/04/2023
Опять гнилое укропное семя проросло на Проатоме!


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 01/04/2023
Админ, сделайте страницу сайта нормально читаемой!!!!


[ Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 05/04/2023
Интересно отметить, что контингент участников Проатома делится на три части:
1. Те, кто предлагает что-то позитивное, пусть даже спорное, но это показывает, что автор настроен развивать науку и технику В России и на благо России;
2. Явные вроаги России и всего русского, в основном из вражеских стран, в первую очередь из Украины (укропы).   На любой пост они пишут явную и скрытую антироссийскую пропаганду пользуясь анонимностью.
3. Внутрироссийское подполье, либо ждуны, либо активные противники нашего государства и государственной политики в различных областях.  Эти анонимы сами ничего позитивного не предлагают здесь,  но с готовностью начинают кампанию по дискредитации любого автора (см. п. 1 выше).    


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 06/04/2023
...(см. п.1 выше)... – ты что в политическом сыске работаешь, или просто стукач? По призванию, так сказать. Забыл четвертую группу отметить – стукачишки, доносчики, отброс общества.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 06/04/2023
Вот типичный ждун, притаился и думает отсидеться.  
Не прокатит, и не таких "доброжелателей" сейчас сажают, а тенденция к очищению России от таких неизбежно усиливается!   
И не важно, настучал ли кто-то, или сам ждунчик где проколося, всё-равно ему конец!


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 06/04/2023
Уже почти всех зачистили. На территории от Урала до дальнего Востока плотность населения 1 чел. на кв. км. В России убыль населения – гос. тайна. Останутся стоящие у трона, их охрана и не успевшие сбежать за рубеж зэки в зонах. Непонятно только, кто жрачку им всем будет готовить. Одно слово – страна самоедов и дураков. Как крысы в бочке.


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 06/04/2023
Жрачку готовить будешь ты в свободное от основной работы (лесоповал в тайге) время весте с со всей твоей сворой ждунов и укропов!


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 06/04/2023
Жрачку готовить будешь ты в свободное от основной работы (лесоповал в тайге) время весте с со всей твоей сворой ждунов и укропов!


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
=...сворой ждунов и укропов...= – дурак ты, тайга уже принадлежит китайцам. Смотри на их карты. А ты все еще троллишь по старым методичкам. 


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
Умник, кончай свое гонилово. Сколько тебе писать, - у китайцев своя тайга за стеной пустая стоит. На кой хер им наша сдалась?


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 07/04/2023
Умник, кончай свое гонилово.
Как сказал Пригожин, таких к стенке и дырку в башке!  Что с ними обсуждать, басню Крылова? "А я бы повару иному Велел на стенке зарубить: Чтоб там речей не тратить по-пустомуГде нужно власть употребить."


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 08/04/2023
ты что в политическом сыске работаешь, или просто стукач? ======= да это Катковский, по стилю работы видно. 


[
Ответить на это ]


Re: Нейросетевой факторный анализ (Всего: 0)
от Гость на 27/04/2023
" да это Катковский, по стилю работы видно" - да , зто такая падаль, какую еще вряд лигде найдешь.


[
Ответить на это ]






Информационное агентство «ПРоАтом», Санкт-Петербург. Тел.:+7(921)9589004
E-mail: info@proatom.ru, Разрешение на перепечатку.
За содержание публикуемых в журнале информационных и рекламных материалов ответственность несут авторы. Редакция предоставляет возможность высказаться по существу, однако имеет свое представление о проблемах, которое не всегда совпадает с мнением авторов Открытие страницы: 0.21 секунды
Рейтинг@Mail.ru