有限样本深度学习在核电全生命周期智能中的分析与运用
机器学习
2023-11-09 v1 人工智能
摘要
工业 4.0 的到来促使人工智能（AI）方法融入工业场景，旨在实现智能制造、运维（即工业智能）。然而，复杂的工业环境，尤其是能源勘探与生产相关者，常包含具有长尾类分布、样本不均衡与域偏移特征的数据。这些特性对以数据为中心的深度学习（DL）技术构成显著挑战，而后者对实现工业智能至关重要。本研究聚焦核电发电（NPG）这一复杂且独特的工业场景，细致审视有限数据样本约束下 DL 技术的应用。首先，文章阐述了 AI 在 NPG 全生命周期中的潜在应用场景。随后，我们从有限样本视角深入评估 DL 的进展，涵盖小样本学习、少样本学习、零样本学习与开放集识别，并参考 NPG 的独特数据特征。文章继而给出两个具体案例：其一是锆合金金相自动识别，其二是机械传感器信号的开放集识别。这些贯穿 NPG 全生命周期的案例附有建设性成果与洞见讨论。通过在有限样本条件下探索并应用 DL 方法，本文不仅提供了坚实的技术基础，也为该先进能源的安全高效发展与利用带来新视角。
引用
@article{arxiv.2311.04247,
title = {Analysis and Applications of Deep Learning with Finite Samples in Full Life-Cycle Intelligence of Nuclear Power Generation},
author = {Chenwei Tang and Wenqiang Zhou and Dong Wang and Caiyang Yu and Zhenan He and Jizhe Zhou and Shudong Huang and Yi Gao and Jianming Chen and Wentao Feng and Jiancheng Lv},
journal= {arXiv preprint arXiv:2311.04247},
year = {2023}
}