Utilization of artificial intelligence in the analysis of nuclear power plant requirements

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Sipola, Satu
dc.contributor.advisor Nuutinen, Pekka
dc.contributor.author Myllynen, Santeri
dc.date.accessioned 2019-05-12T15:08:30Z
dc.date.available 2019-05-12T15:08:30Z
dc.date.issued 2019-05-06
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/37913
dc.description.abstract Nuclear power plant projects are often characterized by two factors: they are time-consuming and capital-intensive. These current challenges include descriptive and non-harmonized requirements demanded in the nuclear power industry resulting in the adaptation to a new licensing domain being very data-intensive, laborious, and tardy. Furthermore, the sheer volume of these requirements also poses a challenge. Nevertheless, by utilizing artificial intelligence in the analysis of nuclear power plant requirements, licensing and engineering could be facilitated and errors reduced in the allocation of requirements. This Master’s thesis develops an algorithm capable of recognizing natural language to classify nuclear power plant requirements into predefined categories by utilizing supervised machine learning. The study was performed in close cooperation with an AI company, Selko Technologies Oy, being responsible for the development of the algorithm based on the classified set of requirements and the needs of Fortum. The algorithm consists of a nuclear power industry-specific language model involving a long short-term memory network, and a classifier based on a feedforward neural network. The language model and classifier were trained by using the YVL Guides issued by the Finnish Radiation and Nuclear Safety Authority (STUK). For training the classifier, a small selection of the requirements were classified according to the two-level predefined hierarchy. The algorithm was tested on the selected YVL Guides and a set of requirements issued by the Office for Nuclear Regulation in United Kingdom. The results include a predetermined requirements hierarchy, the content of the categories, natural language processing algorithm, requirements classified by both the experts and algorithm, and model accuracies in each test case. The accuracies of the classification tasks are promising indicating that the current methods are suitable for categorizing natural language as long as there is a qualified and sufficient amount of training data in place. The conclusions also suggest proceeding to research the capability of the models in other requirements analysis related tasks, such as atomizing long requirements and combining similar requirements into one. en
dc.description.abstract Ydinvoimalaitosprojektit ovat usein pitkäkestoisia ja pääomaintensiivisiä. Yhtenä projektien ominaisena haasteena voidaan pitää suurta määrää kuvailevia ja epäyhtenäisiä vaatimuksia. Lisäksi ydinvoimalaitosdesignin vieminen ja suunnittelun sopeuttaminen uuteen lisensiointiympäristöön vaatii paljon tiedonhallintaa. Lisäksi se on työlästä ja hidasta. Tekoälyn hyödyntäminen ydinvoimalaitosvaatimusten analysoimisessa voisi nopeuttaa lisensiointi- ja suunnitteluprosesseja, sekä vähentää virheitä vaatimusten allokoinnissa. Tässä diplomityössä on kehitetty luonnollisen kielen prosessointiin kykenevä algoritmi ydinvoimalaitosvaatimusten luokitteluun. Työssä vaatimukset on luokiteltu ennalta määrättyihin kategorioihin ohjattua koneoppimista hyödyntämällä. Tutkimus on tehty yhteistyössä tekoäly-yrityksen Selko Technologies Oy:n kanssa, joka on vastannut algoritmin kehittämisestä Fortumin toimittaman luokitellun vaatimusjoukon ja tarpeiden perusteella. Algoritmi koostuu ydinvoima-alan kielimallista ja luokittelijasta. Kielimalli pohjautuu pitkään lyhytaikaisen muistin verkkoon ja luokittelija myötäkytkettyyn neuroverkkoon. Kielimallin ja luokittelijan kouluttamiseen on käytetty Suomen säteily- ja ydinturvallisuusviranomaisen Säteilyturvakeskuksen (STUK) Ydinturvallisuusohjeita. Luokittelijan kouluttamista varten tietty osa vaatimuksista on kategorisoitu kaksitasoisen ennalta määritellyn hierarkian mukaisesti. Algoritmin testaukseen on käytetty sekä valittua Ydinturvallisuusohjeiden vaatimusjoukkoa että Yhdistyneiden kuningaskuntien ydinturvallisuusviranomaisen (ONR) yhtä vaatimusjoukkoa. Työn tuloksena syntyi ennalta määritetty vaatimushierarkia sekä luonnollista kieltä prosessoiva algoritmi. Lisäksi työssä määriteltiin, mitä asioita kuuluu eri vaatimusluokkiin. Määrittelyn jälkeen sekä asiantuntijat että algoritmi luokittelivat työssä käytetyn datan. Mallin tarkkuus ja käytettävyys pystyttiin testaamaan lopuksi testidatalla. Saadut tarkkuudet vaatimusten luokittelussa ovat lupaavia ja osoittavat, että nykyiset menetelmät soveltuvat hyvin luonnollisen kielen luokitteluun, mikäli vain koulutusdata on laadukasta ja sitä on riittävästi. Tutkimusta voitaisiin jatkaa kokeilemalla mallien soveltumista myös muissa vaatimusten analysointiin liittyvissä tehtävissä. Näitä ovat esimerkiksi pitkien vaatimusten pilkkominen lyhempiin ja selkeämmin määriteltyihin lauseisiin sekä samanlaisten vaatimusten yhdistäminen yhdeksi vaatimukseksi. fi
dc.format.extent 101 + 1
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Utilization of artificial intelligence in the analysis of nuclear power plant requirements en
dc.title Tekoälyn hyödyntäminen ydinvoimalaitosvaatimusten analysoinnissa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Insinööritieteiden korkeakoulu fi
dc.subject.keyword artificial Intelligence en
dc.subject.keyword machine learning en
dc.subject.keyword systems engineering en
dc.subject.keyword requirements analysis en
dc.subject.keyword nuclear power en
dc.identifier.urn URN:NBN:fi:aalto-201905123015
dc.programme.major Sustainable Energy Conversion Processes fi
dc.programme.mcode ENG3069 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Syri, Sanna
dc.programme Master's Programme in Advanced Energy Solutions (AAE) fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account