論文の概要: Prediction and Uncertainty Quantification of SAFARI-1 Axial Neutron Flux
Profiles with Neural Networks
- arxiv url: http://arxiv.org/abs/2211.08654v1
- Date: Wed, 16 Nov 2022 04:14:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 14:39:01.407825
- Title: Prediction and Uncertainty Quantification of SAFARI-1 Axial Neutron Flux
Profiles with Neural Networks
- Title（参考訳）: ニューラルネットワークを用いたSAFARI-1軸中性子フラックスプロファイルの予測と不確かさの定量化
- Authors: Lesego E. Moloko, Pavel M. Bokov, Xu Wu, Kostadin N. Ivanov
- Abstract要約: ディープニューラルネットワーク (Deep Neural Networks, DNN) は、SAFARI-1研究炉の集合軸軸中性子フラックスプロファイルを予測するために用いられる。
変分推論(BNN VI)により解いたモンテカルロ・ドロップアウト(MCD)とベイズニューラルネットワークを用いて、正規DNNモデルの予測の不確かさの定量化を行う。
- 参考スコア（独自算出の注目度）: 1.4528756508275622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Neural Networks (ANNs) have been successfully used in various
nuclear engineering applications, such as predicting reactor physics parameters
within reasonable time and with a high level of accuracy. Despite this success,
they cannot provide information about the model prediction uncertainties,
making it difficult to assess ANN prediction credibility, especially in
extrapolated domains. In this study, Deep Neural Networks (DNNs) are used to
predict the assembly axial neutron flux profiles in the SAFARI-1 research
reactor, with quantified uncertainties in the ANN predictions and extrapolation
to cycles not used in the training process. The training dataset consists of
copper-wire activation measurements, the axial measurement locations and the
measured control bank positions obtained from the reactor's historical cycles.
Uncertainty Quantification of the regular DNN models' predictions is performed
using Monte Carlo Dropout (MCD) and Bayesian Neural Networks solved by
Variational Inference (BNN VI). The regular DNNs, DNNs solved with MCD and BNN
VI results agree very well among each other as well as with the new measured
dataset not used in the training process, thus indicating good prediction and
generalization capability. The uncertainty bands produced by MCD and BNN VI
agree very well, and in general, they can fully envelop the noisy measurement
data points. The developed ANNs are useful in supporting the experimental
measurements campaign and neutronics code Verification and Validation (V&V).
- Abstract（参考訳）: 人工ニューラルネットワーク(anns)は、原子炉の物理パラメータを妥当な時間内および高い精度で予測するなど、様々な核工学の応用に成功している。
この成功にもかかわらず、モデル予測の不確実性に関する情報を提供できないため、特に外挿領域において、ANN予測の信頼性を評価することは困難である。
本研究では, 深部ニューラルネットワークを用いてSAFARI-1実験炉の集合軸流束分布の予測を行い, ANN予測の不確かさの定量化と, トレーニングプロセスで使用されていないサイクルへの外挿を行った。
トレーニングデータセットは、銅線活性化測定、軸方向測定位置、原子炉の履歴サイクルから得られた制御バンク位置から構成される。
変分推論 (BNN VI) で解いたモンテカルロ・ドロップアウト (MCD) とベイズニューラルネットワークを用いて, 正規DNNモデルの予測の不確かさの定量化を行う。
MCDとBNN VIで解決された通常のDNNとDNNは、トレーニングプロセスで使用されていない新しい測定データセットと非常によく一致しており、優れた予測と一般化能力を示している。
MCDとBNN VIが生成する不確実性帯域はよく一致しており、一般的にはノイズ測定データポイントを完全に包含することができる。
開発されたANNは、実験的な測定と中性子コード検証と検証(V&V)を支援するのに有用である。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳（メタデータ） (2024-03-11T21:54:52Z) - Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。
本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。
クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
論文 参考訳（メタデータ） (2023-11-04T19:40:16Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - Learning from Predictions: Fusing Training and Autoregressive Inference
for Long-Term Spatiotemporal Forecasts [4.068387278512612]
本稿では,複雑なシステムを予測するためのスケジューリング自動回帰BPTT (Schduled Autoregressive BPTT) アルゴリズムを提案する。
その結果,BPTT-SAは畳み込みRNNと畳み込みオートエンコーダRNNの反復的誤り伝播を効果的に抑制できることがわかった。
論文 参考訳（メタデータ） (2023-02-22T02:46:54Z) - Satellite Anomaly Detection Using Variance Based Genetic Ensemble of
Neural Networks [7.848121055546167]
複数のリカレントニューラルネットワーク(RNN)からの予測の効率的なアンサンブルを用いる。
予測のために、各RNNモデルに対して最適な構造を構築する遺伝的アルゴリズム(GA)によって、各RNNを導出する。
本稿では,BNNの近似版としてモンテカルロ(MC)ドロップアウトを用いる。
論文 参考訳（メタデータ） (2023-02-10T22:09:00Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Statistical model-based evaluation of neural networks [74.10854783437351]
ニューラルネットワーク(NN)の評価のための実験装置を開発する。
このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。
これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
論文 参考訳（メタデータ） (2020-11-18T00:33:24Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Frequentist Uncertainty in Recurrent Neural Networks via Blockwise
Influence Functions [121.10450359856242]
リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。
RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。
a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
論文 参考訳（メタデータ） (2020-06-20T22:45:32Z)
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。