A survey on artificial intelligence in nuclear emergency preparedness and response
Notice bibliographique
Résumé
Nuclear energy is considered one of the safest sources of energy in the world, however there is a low probability of occurrence of a nuclearaccident that might trigger a nuclear emergency. As of December 2023, there are 413 operating nuclear power plants in 31 different countries,and although the design of these nuclear power plants is based upon the concepts of Defence in Depth with very conservative assumptions,the hazard from natural disaster, human error and non-vigilant actions might results in nuclear emergency. Since the last majornuclearaccident Fukushima Daichi in 2011, many researchers have highlighted the need for more advanced and automated system tosupport the emergency preparedness and response in optimizing the protective action strategies. In this study we introduce the concept ofapplying artificial intelligence to enhance the readiness and the response capability during nuclear emergency. Through the predictability and computational features of AI models and machine learning techniques, the EPR systems can be enhanced by improving the hazardassessment, optimizing the dose projections models, enhancing the protective actions strategies and improving the decision-making process. However, this application also presents challenges such as data reliability, cybersecurity and regulatory compliance. The results of this studyhighlight the significance of applying AI in EPR and the need for further research on this application with a particular focus on addressingthese challenges to ensure safe implementation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».