Bir Nükleer Reaktörde Yapay Sinir Ağları Yardımıyla Durum Değişkenlerinin Kestirilmesi

Abstract

Sinir ağı uygulamaları ya da alışıla gelen ismi ile Yapay Sinir Ağları birbirleri ile çok yoğun bir şekilde bağlantılandırılmış basit hesaplama birimlerinden oluşurlar. Yapay sinir mimarisi yapacağı göreve göre seçilir. Genelde nöronlar "LEGO" modülleri gibi eklenerek daha büyük yapılar oluştururlar. Paralel ve dağılmış işlemci yapısı sinir ağlarına "spread sheet" gibi bir özellik kazandırır.Sinir ağları statik örüntü tanımada, fonksiyon kestiriminde, sistem dinamiği benzeşiminde, içerik adresli bellek oluşturmada, istatistik gruplamada kullanılabilirler.Uygulama olarak, el yazısı okuma ve seslendirme, proses kontrolü, optik algılama, konuşma algılama, finans mühendisliğinde borsa trendi belirleme gibi, doğrudan nümerik yöntemlerle çözümlenmesi zor olan veya algoritması bilinmeyen popüler problemler gösterilebilir.Bellek kapasiteleri geniş olan ağlar verilen örnek problemleri öğrenip genellemek yerine ezberlemek yoluna gidebilirler. Bu durumun olup olmadığını anlamak için egğitim esnasında yeni test problemleri ile sistemin performansı sürekli olarak sınanır.

In a nuclear reactor the instantaneous estimate of hidden state variables, which might be exploited for control purposes, is a difficult task most of the time. For the estimation to be dependable, the past dynamical behavior of the system need to be laiown from the given initial state on. In practice, for a rough estimation, without compromising critical safety issues, one can just do with data for a short period of time prior to the demand. From another point of view, there may exist a number of unknown correlations or functional relationships between the observable and unobservable state variables under the imposed operating procedures. Such correlations are hard to establish analytically by conventional methods, yet artificial neural networks can be trained with the help of some analytical models so that they can learn to estimate the state in a real situation. For this purpose, we investigated the performance of multilayer feed forward networks trainable via back propogation algorithm. A successfully trained network is expected to estimate the state with a reasonable accuracy at a short glance of the pattern of variation of the observable state variables.