نظارت بر ایمنی در حین ساخت گود عمیق با استفاده از هوش مصنوعی

پژوهش حاضر با هدف طراحی و پیاده سازی مدلی مبتنی بر شبکه عصبی LSTM برای پیش بینی سطح ریسک ایمنی در گودبرداری های عمیق انجام شد. مدل با استفاده از داده های سری زمانی ۷ روزه قادر به پیش بینی ریسک روز هشتم بود. داده ها پس از پیش پردازش شامل نرمال سازی و کدگذاری ویژگی ها، در سه مجموعه آموزش (۷۰٪)، اعتبارسنجی (۱۵٪) و آزمون (۱۵٪) تقسیم شدند. مدل شامل دو لایه LSTM، لایه خروجی Dense و تکنیک Dropout بود و با بهینه ساز Adam آموزش داده شد. نتایج نشان داد مدل دقت بیش از ۸۵٪ در پیش بینی ریسک پایین و متوسط و حساسیت حدود ۸۲٪ در شناسایی ریسک بالا دارد. نمودارهای ROC نیز توانایی تفکیک بالای مدل با AUC بالای ۰.۸۸ را نشان دادند. این پژوهش نشان می دهد که مدل LSTM می تواند به عنوان سامانه پشتیبان تصمیم، هشدارهای پیشگیرانه ارائه داده و ایمنی گودبرداری های عمیق را بهبود بخشد.

کلیدواژه ها:

گودبرداری عمیق ، ایمنی ، شبکه عصبی LSTM