文献

J-GLOBAL ID：202002222394259975   整理番号：20A0953424

失われた放射性源の検出のための機械学習応用【JST・京大機械翻訳】

Machine Learning Applications for the Detection of Missing Radioactive Sources

著者 (3件)： Durbin Matthew (Pennsylvania State University,Nuclear Engineering Department,PA,USA,16802) ,  Kuntz Austin (Pennsylvania State University,Nuclear Engineering Department,PA,USA,16802) ,  Lintereur Azaree (Pennsylvania State University,Nuclear Engineering Department,PA,USA,16802)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： NSS/MIC  ページ： 1-2  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 特定の試料内の欠落放射性物質の検出は,材料活動と非破壊検査の様々な応用にとって有利である。これらの応用例には,使用済み燃料プールとキャスクの監視,ならびに新鮮な燃料集合体の検査が含まれている。これらのプロセスに対する現在使用されている方法は,検出器応答の変化が欠落した材料があるかどうかを推定するために使用され,その予想される位置を決定するために,受動的または能動的なγ線検出の使用を含む。本研究は,全体の感度を改善するために,これらのシナリオにおける処理検出データのための機械学習アルゴリズムを用いることの実現可能性を調査した。9つの137Cs点源と2つのNaI検出器のグリッドによる予備的シミュレーション試験は,k-最近傍アルゴリズムが100%の精度で欠落源の位置をうまく予測できることを示した。2つの欠落したソースまでの類似の予備試験は99%の精度をもたらし,機械学習がこの応用に有望であることを示唆した。これらの初期の研究と同様に,より大きなグリッドの供給源による結果と実験室設定において取り入れた測定による試験を含んだ。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  *線源 ,  セシウム137 ,  ヨウ化ナトリウム ,  燃料集合体 ,  γ線検出 ,  検出器 ,  非破壊検査 ,  キャスク ,  放射性物質 ,  *機械学習 ,  学習アルゴリズム
準シソーラス用語： 核燃料プール , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  医用画像処理  (JE04020T) ,  NMR一般  (BM07041R)

タイトルに関連する用語 (3件)： 放射性源 ,  機械学習 ,  応用