Deep learning in nuclear industry: A survey

核能 信息化 核技术 数字化 核武器 核电工业 核工业 计算机科学 风险分析(工程) 业务 工程类 核工程 电信 政治学 法学 生物 生态学
作者
Chenwei Tang,Caiyang Yu,Yi Gao,Chen Jian-ming,Jiaming Yang,Jiuling Lang,Chuan Liu,Ling Zhong,Zhenan He,Jiancheng Lv
出处
期刊:Big data mining and analytics [Tsinghua University Press]
卷期号:5 (2): 140-160 被引量:17
标识
DOI:10.26599/bdma.2021.9020027
摘要

As a high-tech strategic emerging comprehensive industry, the nuclear industry is committed to the research, production, and processing of nuclear fuel, as well as the development and utilization of nuclear energy Nowadays, the nuclear industry has made remarkable progress in the application fields of nuclear weapons, nuclear power, nuclear medical treatment, radiation processing, and so on. With the development of artificial intelligence and the proposal of "Industry 4.0", more and more artificial intelligence technologies are introduced into the nuclear industry chain to improve production efficiency, reduce operation cost, improve operation safety, and realize risk avoidance. Meanwhile, deep learning, as an important technology of artificial intelligence, has made amazing progress in theoretical and applied research in the nuclear industry, which vigorously promotes the development of informatization, digitization, and intelligence of the nuclear industry. In this paper, we first simply comb and analyze the intelligent demand scenarios in the whole industrial chain of the nuclear industry. Then, we discuss the data types involved in the nuclear industry chain. After that, we investigate the research status of deep learning in the application fields corresponding to different data types in the nuclear industry. Finally, we discuss the limitation and unique challenges of deep learning in the nuclear industry and the future direction of the intelligent nuclear industry.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
sheryang完成签到,获得积分10
1秒前
梦月完成签到,获得积分10
1秒前
3秒前
5秒前
i_jueloa完成签到,获得积分10
5秒前
陈海伦完成签到 ,获得积分10
7秒前
沐mu发布了新的文献求助10
9秒前
9秒前
你好啊发布了新的文献求助10
10秒前
白芷发布了新的文献求助10
10秒前
孟严青完成签到,获得积分10
10秒前
科研張完成签到,获得积分10
12秒前
lily88发布了新的文献求助10
12秒前
13秒前
嗨嗨发布了新的文献求助10
14秒前
14秒前
昌海发布了新的文献求助10
14秒前
Lucas应助你好啊采纳,获得10
15秒前
16秒前
17秒前
wilson完成签到,获得积分0
18秒前
18秒前
18秒前
落后冬云完成签到 ,获得积分10
19秒前
20秒前
lulull发布了新的文献求助10
22秒前
aaaaa完成签到,获得积分10
22秒前
小魔芋完成签到 ,获得积分10
24秒前
帅哥吴克完成签到,获得积分10
24秒前
爆米花应助atdawn1998采纳,获得10
24秒前
25秒前
周周发布了新的文献求助10
26秒前
哒哒发布了新的文献求助10
27秒前
carly完成签到 ,获得积分10
27秒前
阿南完成签到,获得积分10
27秒前
wild_cube完成签到 ,获得积分10
27秒前
直率小霜发布了新的文献求助200
28秒前
白芷完成签到,获得积分20
28秒前
29秒前
Annnn完成签到,获得积分10
29秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3139963
求助须知:如何正确求助?哪些是违规求助? 2790850
关于积分的说明 7796798
捐赠科研通 2447191
什么是DOI,文献DOI怎么找? 1301745
科研通“疑难数据库(出版商)”最低求助积分说明 626313
版权声明 601194