 |
| Навигация |
|
|
|
|
|
|
| Журнал |
|
|
|
|
|
|
| Атомные Блоги |
|
|
|
|
|
|
| Подписка |
|
|
|
|
|
|
| Задать вопрос |
|
|
|
|
|
|
| Наши партнеры |
|
|
|
|
|
|
| PRo-движение |
|
|
|
|
|
|
| PRo Погоду |
|
|
|
|
|
|
| Сотрудничество |
|
|
|
|
|
|
| Время и Судьбы |
|
|
|
|
| |
Re: Нейросетевой факторный анализ (Всего: 0)
от 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.
|
|
|
