핵심 개념
본 연구는 지식 기반 기계 학습 모델과 대규모 언어 모델을 결합하여 원자력 발전소 저출력 정지 개시 사건을 효과적으로 식별하고 분류하는 방법을 제안한다.
초록
이 연구는 원자력 발전소 저출력 정지 개시 사건(SDIE) 식별 및 분류를 위한 새로운 프레임워크를 제안한다. 이 프레임워크는 두 단계로 구성된다:
-
비SDIE 사전 스크리닝 단계:
- 44개의 SDIE 패턴을 정의하여 SDIE와 비SDIE 사건을 구분하는 텍스트 특징 벡터를 생성한다.
- 로지스틱 회귀 모델을 사용하여 비SDIE 사건을 효과적으로 제거한다.
-
SDIE 분류 단계:
- 사전 학습된 BERT 기반 대규모 언어 모델을 SDIE 데이터셋으로 fine-tuning하여 SDIE 유형을 분류한다.
- 4가지 SDIE 유형(ISOL&FLOW, LOOP, LOAC, 비SDIE)을 93.4%의 정확도로 분류한다.
이 프레임워크는 매우 불균형한 SDIE 데이터셋에서도 우수한 성능을 보여주며, 향후 원전 운전 경험 데이터 분석에 활용될 수 있다.
통계
ISOL&FLOW 유형 SDIE의 90%가 정확하게 분류되었다.
LOAC 유형 SDIE의 85.4%가 정확하게 분류되었다.
LOOP 유형 SDIE의 79.6%가 정확하게 분류되었다.
비SDIE 사건의 100%가 정확하게 분류되었다.
인용구
"본 연구는 지식 기반 기계 학습 모델과 대규모 언어 모델을 결합하여 원자력 발전소 저출력 정지 개시 사건을 효과적으로 식별하고 분류하는 방법을 제안한다."
"이 프레임워크는 매우 불균형한 SDIE 데이터셋에서도 우수한 성능을 보여주며, 향후 원전 운전 경험 데이터 분석에 활용될 수 있다."