Открытый доступ Открытый доступ  Ограниченный доступ Платный доступ или доступ для подписчиков

Использование нейронных сетей для развития базы данных отказов и аварийных ситуаций на ГЭС

А. В. Шипилов, Т. С. Тихонова, О. А. Печатникова

Аннотация


В статье приведён пример использования нейронной сети и модели естественного языка для развития имеющейся в АО “ВНИИГ им. Б. Е. Веденеева” базы данных отказов и аварийных ситуаций на ГЭС мира. На отдельных примерах, с использованием алгоритма машинного обучения для визуализации t-SNE и алгоритма кластеризации DBSCAN, показан подход к совершенствованию базы данных, позволяющий принципиально улучшить подбор объектов аналогов при обосновании сценариев аварий.


Ключевые слова


база данных, аварийная ситуация, нейронная сеть t-SNE, DBSCAN, сужение диапазона поиска, расчёт вероятного вреда, сценарии аварий

Полный текст:

PDF

Литература


Приказ Ростехнадзора от 10 декабря 2020 г. № 516 “Об утверждении Методики определения размера вреда, который может быть причинен жизни, здоровью физических лиц, имуществу физических и юридических лиц в результате аварии гидротехнического сооружения (за исключением судоходных и портовых гидротехнических сооружений)”.

Информационно-аналитические технологии в гидроэнергетике. Часть II. Учебное пособие / Ю. С. Васильев, С. Н. Добрынин, Т. С. Тихонова. — СПб.: Издательство СПбГПУ, 2002.

Описание модели Multilingual Universal Sentence Encoder (MUSE-3): https: // tfhub.dev / google / universal-sentence-encoder-multilingual-large / 3

Yinfei Yang, Daniel Cer, Amin Ahmad, Mandy Guo, Jax Law, Noah Constant, Gustavo Hernandez Abrego, Steve Yuan, Chris Tar, Yun-hsuan Sung, Ray Kurzweil. Multilingual Universal Sentence Encoder for Semantic Retrieval. July 2019.

Muthuraman Chidambaram, Yinfei Yang, Daniel Cer, Steve Yuan, Yun-Hsuan Sung, Brian Strope, Ray Kurzweil. Learning Cross-Lingual Sentence Representations via a Multi-task Dual-Encoder Model. July 2019.

Van der Maaten L. J. P., Hinton G. E. Visualizing Data Using t-SNE // Journal of Machine Learning Research. 2008.




DOI: http://dx.doi.org/10.34831/EP.2024.82.89.006

Ссылки

  • На текущий момент ссылки отсутствуют.


© 1998 — 2024 НТФ «Энергопрогресс»


Контакты:

Адрес: (почтовый): 129090, г. Москва, ул. Щепкина, д. 8, этаж 1, пом. III, ком.1-6, АО НТФ «Энергопрогресс»

Тел.: + 7 495 911-26-96
E-mail: gts1930@yandex.ru


Наши партнеры: