Основные понятия
本研究では、深層学習とルールベースのアプローチを組み合わせたハイブリッドフレームワークを提案し、原子力事業者報告書から因果関係を抽出する。
Аннотация
本研究は、原子力事業者報告書からの因果関係抽出に関する取り組みを紹介している。
まず、データ前処理として、報告書のテキストデータを整理し、因果関係のラベル付きデータセットを作成した。次に、深層学習モデルを用いて因果関係の有無を判別する手法を提案した。モデルは、単語の埋め込み、畳み込み層、双方向LSTMなどの要素から構成されており、高い精度で因果関係を検出できることが示された。
さらに、パターンマッチングを用いて、因果関係の具体的な原因と結果を抽出する手法を開発した。主要な因果関係パターンを定義し、それに基づいて原因と結果の部分を特定する。この2段階のアプローチにより、テキストデータから因果関係を効果的に抽出できることが確認された。
今後の課題として、より大規模なデータセットの構築、暗示的な因果関係の抽出、大規模言語モデルの活用などが挙げられる。本研究の成果は、原子力業界における運転経験の分析や意思決定支援に活用できると期待される。
Статистика
「inertial latch binding」が「DB-50 supply breaker to Auxiliary Feedwater Pump 21 did not close」の原因である。
「The foam ring had deteriorated」が「a piece of the foam to tear loose and be drawn into the suction piping of the "A" MDAFW pump」の原因である。
「insufficient tolerance in the motor shaft endplay, as set during refurbishment」が「the bearing degradation」の原因である。
「The intermittent poor electrical connection」が「The loose shorting screws」の原因であり、また「A similar 2B MDEFW pump trip on February 1, 2021」の原因でもある。
Цитаты
「原因と結果の関係は、明示的、暗示的、埋め込まれた形で表現されることがある」
「深層学習モデルは、テキストデータ中の微妙なパターンや文脈的な微妙さを見出す能力に優れている」
「本手法は、因果関係の存在を検出するだけでなく、その具体的な原因と結果の部分も抽出できる」