論文の概要: Reliability Estimation of an Advanced Nuclear Fuel using Coupled Active
Learning, Multifidelity Modeling, and Subset Simulation
- arxiv url: http://arxiv.org/abs/2201.02172v1
- Date: Thu, 6 Jan 2022 18:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 15:47:10.671497
- Title: Reliability Estimation of an Advanced Nuclear Fuel using Coupled Active
Learning, Multifidelity Modeling, and Subset Simulation
- Title(参考訳): 複合能動学習, 多元性モデリング, 部分集合シミュレーションを用いた先進核燃料の信頼性評価
- Authors: Somayajulu L. N. Dhulipala and Michael D. Shields and Promit
Chakroborty and Wen Jiang and Benjamin W. Spencer and Jason D. Hales and
Vincent M. Laboure and Zachary M. Prince and Chandrakanth Bolisetti and
Yifeng Che
- Abstract要約: 三相等方性(TRISO)被覆粒子燃料は堅牢な核燃料であり、その信頼性は先進的な核技術の成功に不可欠である。
複数の1次元および2次元モデルを用いて, TRISO燃料の故障確率を推定するために, アクティブラーニング, 多要素モデル, サブセットシミュレーションを併用した。
- 参考スコア(独自算出の注目度): 2.0120272257480116
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Tristructural isotropic (TRISO)-coated particle fuel is a robust nuclear fuel
and determining its reliability is critical for the success of advanced nuclear
technologies. However, TRISO failure probabilities are small and the associated
computational models are expensive. We used coupled active learning,
multifidelity modeling, and subset simulation to estimate the failure
probabilities of TRISO fuels using several 1D and 2D models. With multifidelity
modeling, we replaced expensive high-fidelity (HF) model evaluations with
information fusion from two low-fidelity (LF) models. For the 1D TRISO models,
we considered three multifidelity modeling strategies: only Kriging, Kriging LF
prediction plus Kriging correction, and deep neural network (DNN) LF prediction
plus Kriging correction. While the results across these multifidelity modeling
strategies compared satisfactorily, strategies employing information fusion
from two LF models consistently called the HF model least often. Next, for the
2D TRISO model, we considered two multifidelity modeling strategies: DNN LF
prediction plus Kriging correction (data-driven) and 1D TRISO LF prediction
plus Kriging correction (physics-based). The physics-based strategy, as
expected, consistently required the fewest calls to the HF model. However, the
data-driven strategy had a lower overall simulation time since the DNN
predictions are instantaneous, and the 1D TRISO model requires a non-negligible
simulation time.
- Abstract(参考訳): tristructureural isotropic (triso)-coated particle fuelはロバストな核燃料であり、その信頼性の決定は高度な核技術の成功に不可欠である。
しかし、トライソ故障確率は小さく、関連する計算モデルは高価である。
複数の1次元および2次元モデルを用いて, TRISO燃料の故障確率を推定するために, アクティブラーニング, 多要素モデル, サブセットシミュレーションを用いた。
高忠実度(hf)モデルの評価を2つの低忠実度(lf)モデルから情報融合に置き換えた。
1d trisoモデルでは、kriging, kriging lf prediction, kriging correction, deep neural network (dnn) lf prediction と kriging correction の3つの多元性モデリング戦略を検討した。
これらの多忠実度モデリング戦略に対する結果は良好に比較されるが、2つのLFモデルからの情報融合を利用した戦略は、最も頻繁にHFモデルと呼ばれる。
次に、DNN LF予測とクリグ補正(データ駆動)と1D TRISO LF予測とクリグ補正(物理ベース)の2つの多要素モデル戦略を検討した。
物理ベースの戦略は、予想通り、常に最も少ないHFモデルへの呼び出しを必要とした。
しかし、DNN予測が瞬時に行われるため、データ駆動方式は全体的なシミュレーション時間を低くし、1D TRISOモデルは無視できないシミュレーション時間を必要とする。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳(メタデータ) (2024-03-11T05:35:38Z) - Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via
Selective Entropy Distillation [60.17626806243389]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。
CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文 参考訳(メタデータ) (2024-02-27T08:47:19Z) - General multi-fidelity surrogate models: Framework and active learning
strategies for efficient rare event simulation [1.708673732699217]
複雑な現実世界のシステムの失敗の確率を推定することは、しばしば違法に高価である。
本稿では,頑健な多要素代理モデリング戦略を提案する。
高忠実度モデル呼び出しの数を劇的に削減しながら、非常に正確であることが示されている。
論文 参考訳(メタデータ) (2022-12-07T00:03:21Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Active Learning with Multifidelity Modeling for Efficient Rare Event
Simulation [0.0]
希少事象の効率的に推定することを強調する多忠実度モデリングを用いた能動的学習フレームワークを提案する。
我々のフレームワークは、低忠実度(LF)予測をHF推論補正と融合させ、修正されたLF予測をフィルタリングして、高忠実度モデルを呼び出すかどうかを決定する。
障害確率を小さくする際のロバスト性を改善するため,HFモデルをいつ呼び出すかを決定する動的能動学習関数を提案する。
論文 参考訳(メタデータ) (2021-06-25T17:44:28Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳(メタデータ) (2021-05-07T11:39:05Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - On Minimum Word Error Rate Training of the Hybrid Autoregressive
Transducer [40.63693071222628]
ハイブリッド自己回帰変換器(HAT)の最小単語誤り率(MWER)訓練について検討する。
約3万時間のトレーニングデータを用いた実験から,MWERトレーニングがHATモデルの精度を向上させることを示す。
論文 参考訳(メタデータ) (2020-10-23T21:16:30Z) - Robust pricing and hedging via neural SDEs [0.0]
我々は,ニューラルSDEの効率的な利用に必要な新しいアルゴリズムを開発し,分析する。
我々は、関連する市場データを取り入れつつ、デリバティブの価格とそれに対応するヘッジ戦略の堅牢な境界を見出した。
ニューラルSDEはリスクニュートラルと現実世界の両方で一貫したキャリブレーションを可能にする。
論文 参考訳(メタデータ) (2020-07-08T14:33:17Z) - Model-Free Voltage Regulation of Unbalanced Distribution Network Based
on Surrogate Model and Deep Reinforcement Learning [9.984416150031217]
本稿では,サロゲートモデルと深部強化学習(DRL)に基づくモデルフリーアプローチを開発する。
また、バランスの取れない3段階シナリオに対応するように拡張しました。
論文 参考訳(メタデータ) (2020-06-24T18:49:41Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳(メタデータ) (2020-03-04T00:44:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。