数据挖掘在核工程中的应用探究

　　摘    要：　在大数据时代下，数据信息在各领域各行业中的应用价值大幅度提升。如何将有价值的数据信息及时、有效提取并应用，成为人们关注与思考的重点问题。本文以核工程为例，就数据挖掘及其在核工程中的运用进行了简要分析，以加深对核工程中数据挖掘的认识，从而使先进科学技术更好地服务核工程创新发展。

　　关键词：　核工程; 数据挖掘; 大数据;

　　基于核工程研发进程的不断推进，所产生数据呈现出多样化、海量化发展态势。而将数据挖掘有效应用到核工程中，能够从海量数据中进行有价值数据快速、准确提取，从而为核工程研究、设计、运行、管理等提供数据支撑，让核工程得到优化发展。

　　一、对“数据挖掘”的基本认识

　　数据挖掘是基于计算机技术、互联网技术、人工智能技术、云计算技术等创新发展与结合应用下形成的一种能够从海量数据中按照一定要求进行数据归纳、整理与分析，从而获取有价值数据的技术。数据挖掘的过程是知识发现与决策支持的过程，通常由“数据准备阶段”“数据挖掘阶段”和“数据表达阶段”三部分构成[1]。当前社会已经进入到大数据时代，数据海量化、低价值密度等特征决定了数据挖掘科学应用的重要性与必要性。为了更好地了解与应用数据挖掘，有必要加强其在自身发展领域中的研究。
 

　　二、核工程中数据挖掘的应用意义分析

　　核工程是工程领域中的重要组成部分，涵盖核子材料学、核电学、核医学等众多知识，侧重于将核能转变为人们生活、生产所需能源，从而解决资源短缺、环境污染等问题，以更好地为经济增长、社会进步、人类发展等服务。随着近些年核工程及其相关研究的不断深入，核工程所产生的数据具备了海量化特征，数据科学利用的重要性愈发明显。在此背景下，将数据挖掘应用到核工程中具有如下意义：

　　(1）数据挖掘技术科学应用到核工程中，能够提高核工程数据挖掘的质量与效率，便于相关工作人员对核工程研究、设计、运行、管理等数据所蕴含的基本规律进行认识，从而更好地利用其发展核工程。

　　(2）数据挖掘技术应用到核工程管理中，能够及时发现核工程管理过程中存在的问题，探寻行之有效的解决办法，使核工程管理更具针对性、时效性、科学性。

　　(3）在核工程运行过程中，安全风险、污染风险、资金风险等是人们所需关注的重点问题[2]。这就需要相关工作人员能够在进行工程建设、管理、利用时加强风险防控。而数据挖掘技术的科学应用，能够从核工程数据中挖掘对风险防控相关的有价值信息，从而为核工程风险识别、规避、消除等工作组织开展提供数据支持，为核工程安全、稳定的运行提供保障。

　　(4）数据挖掘在信息收集、处理、分析等方面的优势决定其在核工程中的有效运用，可提升核工程各项工作开展质量，减轻工作人员在信息处理上的负担，让工作更具规范性、高效性。

　　三、核工程中数据挖掘的表现形式分析

　　（一）数据挖掘的一般流程

　　在核工程中数据挖掘技术的应用与其在其他领域中的应用存在相似性。基于共性分析，可确定数据挖掘技术在核工程中的应用需要经历以下几个阶段：

　　(1）数据翻译阶段：将核工程数据库中的数据转变为能够被计算机识别的数据，提升数据标准性、规范性，实现数据在系统中的有效输入。通常情况下，数据翻译过程中已经对海量化核工程数据进行了初步筛选，剔除掉了一部分无用数据。

　　(2）数据预处理阶段：即为进一步提升输入数据准确性，降低无价值数据对问题分析与处理的不利影响，需要利用数据筛选、缺陷数据识别与处理、数据分类、数据标准化等方式方法实现数据的细致筛选与全面处理。

　　(3）分析数据建模阶段：即根据数据挖掘实际要求，利用预处理数据进行建模，通过数据模型分析完成数据挖掘任务。

　　(4）数据挖掘结果显示阶段：将数据挖掘结果进行可视化显示，对挖掘结果进行解释，以满足数据处理需求，提升挖掘数据的利用率。

　　在数据挖掘技术应用过程中，为保证数据处理的准确、科学、快速，较常用的是决策树算法、分类算法、SVM（支持向量机）等算法的结合应用，以大幅度提高数据挖掘的通用性、实用性、准确性。

　　（二）数据挖掘的一般形式

　　基于数据挖掘理论与实践研究的不断深入，数据挖掘形式趋向多样化发展。就核工程中的数据挖掘而言，较为常见的形式有以下几种：（1）轴线型数据挖掘。即数据挖掘流程如轴线分布，挖掘过程的规范性较强，且数据挖掘所用时间相对较长，但整个操作过程较为简单；（2）圆环型数据挖掘。即数据挖掘流程呈圆形环状，数据挖掘各流程之间的关联性相对较强。相对于轴线型数据挖掘而言，数据挖掘效率更高、质量更好，但操作较为复杂。

　　四、核工程中数据挖掘的应用实例分析

　　为更加清晰认识到核工程中数据挖掘的重要性，以核工程故障分析与处理为例，就基于支持向量机算法下的数据挖掘（以熔融液滴运动特性实验分析数据为主）进行了如下分析。

　　（一）数据挖掘原理

　　支持向量机（SVM）算法是数据挖掘较为常用的一种算法，在分类问题分析与处理中得到广泛应用。而核工程事故试验数据分析属于回归问题。对此，设计利用支持向量回归算法（简称“SVR”，是SVM中的重要组成部分，是支持向量机在处理回归问题时应用的算法）进行数据挖掘。在实践应用过程中，一要保证损失函数选择的科学与有效。通常情况下，在非线性问题处理过程中，以超平面作为决策边界时，会产生一定损失。这就需要利用损失函数将损失量化处理。经已有研究梳理发现ε-不敏感损失函数的应用性较强，在数据处理过程中，能够形成无损失区域，只有当样本点出现在无损失区域以外时，才能够产生损失；二要选择适宜核函数将原本位于低维空间中的非线性问题映射到高维空间（希尔伯特空间）中，使非线性问题转换为线性问题，实现最优化问题求解。目前，多项式核、径向基函数核、拉普拉斯核等是较为常用的核函数。在本次研究过程中，设计利用径向基函数核进行最优化问题构造。在得到最优化问题的解之后，进行决策函数构造。

　　（二）数据挖掘过程

　　在本次数据挖掘过程中，数据来源于冷却剂中熔融液滴运动特性实验数据。已知实验过程中熔融液滴与液面之间存在的距离为79cm，熔融滴液温度在143℃～428℃之间，冷却温度为79℃。在问题分析过程中为明确数据挖掘的应用意义，设计利用SPSS与SVR进行数据关系拟合分析。在利用统计学软件SPSS 21处理数据时，主要将所需处理的数据输入到软件系统中，根据系统指令，通过操作键盘，完成数据关系拟合分析任务，实现熔融滴液下降时间与速度之间数据关系图的有效制作。在利用SVR处理数据时，根据ε-SVR算法，利用计算机进行编程，对实验数据之间存在的关系进行拟合，得到熔融滴液下降时间与速度关系曲线。

　　（三）数据挖掘结果

　　SVR方法应用下的数据挖掘结果与SPSS 21学软件应用下的数据分析结果基本一致。这在一定程度上说明基于支持向量回归算法的数据挖掘技术在核工程中的应用，能够取得如SPSS软件一样的效果。但是相对于SPSS软件而言，SVR方法无需进行模型假设，能够根据数据与数据之间存在的内在关系进行问题分析，数据分析结果的准确性更高。

　　（四）核工程中数据挖掘发展趋势

　　在科学技术创新发展驱动下，数据挖掘在社会生产与生活中的重要性日渐增加，其在各领域各行业中得到更深更快发展。就核工程而言，利用支持向量机能够对核动力系统中传感器运行特性进行模拟，根据传感器运行过程中所产生的数据，对传感器运行能力进行评估，对传感器故障进行诊断，从而为核动力系统维修养护与运行管理提供决策依据。总而言之，随着数据挖掘技术应用价值的不断提高，应树立数据挖掘意识，提高对核工程中数据挖掘技术的重视程度，从而能够在学习与发展过程中，不断提升自身数据挖掘技术应用能力。与此同时，善于对传统核工程数据挖掘技术进行创新，以改善核工程传统数据挖掘存在的不足，让核工程数据分析更具安全性、可靠性、准确性、时效性。

　　五、结语

　　总而言之，数据挖掘是科学技术创新发展下的产物，在数据资源开发、管理与利用上发挥着至关重要的作用。目前，数据挖掘技术及其在核工程中的应用仍处于发展阶段。对此，我们应在明确认知核工程中数据挖掘技术应用价值的基础上，加大核工程数据挖掘研究力度，提高数据挖掘技术应用质量与效率，让科学技术更好地为核工程服务，推动我国核事业的优化发展。

　　参考文献

　　[1]季鹏.大数据背景下工程项目管理的创新要点[J].建材与装饰,2020(03):212-213.
　　[2]金巨波,葛雷,徐秀丽.计算机数据挖掘技术的开发及其应用[J].浙江水利水电学院学报,2019,31(06):68-72.