ADEMAR JOSE POTIENS JUNIOR
2 resultados
Resultados de Busca
Agora exibindo 1 - 2 de 2
Artigo IPEN-doc 27853 Comparing deep learning architectures on gamma-spectroscopy analysis for nuclear waste characterization2021 - OTERO, A.G.L.; POTIENS JUNIOR, A.J.; MARUMO, J.T.Neural networks, particularly deep neural networks, are used nowadays with great success in several tasks, such as image classification, image segmentation, translation, text to speech, speech to text, achieving super-human performance. In this study, the capabilities of deep learning are explored on a new field: gamma-spectroscopy analysis, comparing the classification performance of different deep neural network architectures. The following architectures where tested: VGG-16, VGG-19, Xception, ResNet, InceptionV3, and MobileNet, which are available through the Keras Deep Learning framework to identify several different radionuclides (Am-241, Ba133, Cd-109, Co-60, Cs-137, Eu-152, Mn-54, Na-24, and Pb-210). Using an HPGe detector to acquire several gamma spectra from different sealed sources to create a dataset used for the training and validation of the neural network's comparison. This study demonstrates the strengths and weaknesses of applying deep learning on gamma-spectroscopy analysis for nuclear waste characterization.Artigo IPEN-doc 27217 Um comparativo entre a utilização de redes neurais perceptron e redes neurais profundas na identificação de radionuclídeos em espectrometria gama2020 - OTERO, A.G.L.; POTIENS JUNIOR, A.J.; MARUMO, J.T.Apresentamos os resultados da comparação entre uma Rede Neural Profunda e uma Rede Neural Perceptron na classificação de espectros gama obtidos utilizando um detector de germânio hiper-puro. Utilizando dados de diversas fontes seladas (Am-241, Ba-133, Cd-109, Co-57, Co-60, Cs-137, Eu-152, Mn-54, Na-24, and Pb-210) foram gerados uma lista extensa de espectros para treino e validação contendo, respectivamente, 500 e 160 espectros, onde foram mesclados até três radionuclídeos em um único espectro. Depois de 250 épocas de treino foram validadas a exatidão de cada um dos modelos utilizando o conjunto de validação. O modelo de rede neural profunda obteve uma exatidão de classificação de 96,25% enquanto a rede neural perceptron obteve uma exatidão de 80,62%. Os resultados mostram um desempenho robusto e consistentemente melhor das redes neurais profundas, frente as redes neurais perceptron.