使用图形神经网络评估核废物监测传感器完整性
Pierre Hembert1,2, Chady Ghnatios1, Julien Cotton2
1PIMM Laboratory, Arts et Métiers Institute of Technology, Centre National de la Recherche Scientifique (CNRS), 151 Boulevard de l'Hôpital, 75013 Paris, France.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
图形神经网络通过分析温度数据,有效地检测放射性废物存储库中的故障传感器. 这确保了对关键地下设施的可靠长期监测.
科学领域:
- 地质工程是地质工程.
- 数据科学数据科学数据科学
- 传感器网络 传感器网络
背景情况:
- 长期监测放射性废物深层地质仓库对安全至关重要.
- 用于监控的传感器网络因环境因素而随着时间的推移而退化.
- 评估传感器完整性和数据的一致性对于设施监督至关重要.
研究的目的:
- 开发和验证图形神经网络 (GNN) 模型,用于评估传感器网络中的数据完整性.
- 为GNN培训利用来自现实世界地下研究实验室的实验数据.
- 在现实条件下评估GNN在检测故障传感器方面的性能.
主要方法:
- 利用来自安德拉地下研究实验室 (URL) 的实验数据,模拟高水平废物示范单元的热负荷.
- 开发了一个修改后的 GraphSAGE GNN 模型,包含 Graph Net 元素来处理温度场数据 (当前和过去).
- 训练GNN将单个传感器分类为故障或无故障,即使传感器故障高达50%.
主要成果:
- 该GNN模型成功地使用来自深层地质环境的真实实验数据识别了故障传感器.
- 该模型在检测传感器故障方面表现出很高的有效性,即使很大一部分传感器受到损害.
- 与标准分类方法的比较证实了GNN在数据完整性评估方面的卓越表现.
结论:
- 在深层地质仓库中,GNN非常适合在复杂的监测网络中检测出故障的传感器.
- 该研究验证了使用真实实验数据和先进的GNN架构来进行强大的传感器网络监控.
- 这种方法提高了对放射性废物设施安全和管理至关重要的长期监测的可靠性.
