بررسی مدل های پیش بینی حادثه احتمالی برای پخش و پراکندگی مواد رادیواکتیو از نیروگاه هسته ای در حال ساخت دارخوین

در این مقاله، به کاربرد شبکه عصبی پیشخور برای پیش بینی داده های خروجی مدل (HYSPLIT) در زمینه پراکندگی مواد رادیواکتیو از نیروگاه هسته ای دارخوین با ظرفیت ۳۶۰ مگاوات پرداخته شده است. تمرکز اصلی بر روی توانایی شبکه عصبی پیشخور (FNN) در یادگیری و تخمین دقیق داده های پیچیده و متغیر مدل (HYSPLIT) است. شبکه عصبی پیشخور، با استفاده از الگوهای یادگیری عمیق، قادر به پردازش و تحلیل داده های هواشناسی و توپولوژیکی است که توسط مدل (HYSPLIT) تولید می شوند. این شبکه قادر است پیش بینی هایی با دقت بالا از مسیر و میزان پراکندگی آلاینده های رادیواکتیو ارائه دهد، که می تواند در مدیریت بحران های هسته ای کاربرد داشته باشد. نتایج به دست آمده از این تحقیق نشان می دهد که شبکه عصبی پیشخور می تواند به عنوان یک ابزار مکمل برای تقویت دقت پیش بینی های مدل (HYSPLIT) عمل کند. این امر به مقامات امکان می دهد تا با استفاده از پیش بینی های به روز و دقیق، تدابیر ایمنی و اقدامات پیشگیرانه را به شکل موثرتری اجرا نمایند. در این مقاله، به بررسی دقیق تری از قابلیت ها و کاربردهای شبکه عصبی پیشخور در این زمینه پرداخته شده است.

کلیدواژه ها:

پیش بینی ، HYSPLIT ، شبکه عصبی پیشخور ، نیروگاه هسته ای ، دارخوین