論文の概要: Physics-Informed Multi-Stage Deep Learning Framework Development for
Digital Twin-Centred State-Based Reactor Power Prediction
- arxiv url: http://arxiv.org/abs/2211.13157v1
- Date: Wed, 23 Nov 2022 17:32:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 14:58:19.320876
- Title: Physics-Informed Multi-Stage Deep Learning Framework Development for
Digital Twin-Centred State-Based Reactor Power Prediction
- Title(参考訳): ディジタル双中心状態型リアクタ電力予測のための物理式多段階ディープラーニングフレームワークの開発
- Authors: James Daniell, Kazuma Kobayashi, Dinesh Kumar, Souvik Chakraborty,
Ayodeji Alajo, Ethan Taber, Joseph Graham, Syed Alam
- Abstract要約: 本研究は, 原子炉・プラントにおける過渡的反応器の最終定常電力を決定するための多段階予測モデルを開発する。
4つの回帰モデルを開発し、第1段階モデルからの入力を用いて、原子炉出力を表す単一の値を予測する。
組み合わせモデルでは、第1段階の分類精度が96%、第2段階の絶対予測精度が92%となる。
- 参考スコア(独自算出の注目度): 0.3566877569643008
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computationally efficient and trustworthy machine learning algorithms are
necessary for Digital Twin (DT) framework development. Generally speaking,
DT-enabling technologies consist of five major components: (i) Machine learning
(ML)-driven prediction algorithm, (ii) Temporal synchronization between physics
and digital assets utilizing advanced sensors/instrumentation, (iii)
uncertainty propagation, and (iv) DT operational framework. Unfortunately,
there is still a significant gap in developing those components for nuclear
plant operation. In order to address this gap, this study specifically focuses
on the "ML-driven prediction algorithms" as a viable component for the nuclear
reactor operation while assessing the reliability and efficacy of the proposed
model. Therefore, as a DT prediction component, this study develops a
multi-stage predictive model consisting of two feedforward Deep Learning using
Neural Networks (DNNs) to determine the final steady-state power of a reactor
transient for a nuclear reactor/plant. The goal of the multi-stage model
architecture is to convert probabilistic classification to continuous output
variables to improve reliability and ease of analysis. Four regression models
are developed and tested with input from the first stage model to predict a
single value representing the reactor power output. The combined model yields
96% classification accuracy for the first stage and 92% absolute prediction
accuracy for the second stage. The development procedure is discussed so that
the method can be applied generally to similar systems. An analysis of the role
similar models would fill in DTs is performed.
- Abstract(参考訳): 計算効率が高く信頼性の高い機械学習アルゴリズムは、Digital Twin(DT)フレームワークの開発に必要である。
一般的に、DTエナリング技術は5つの主要コンポーネントから構成される。
(i)機械学習(ml)駆動予測アルゴリズム、
(ii)高度なセンサ・インスツルメンテーションを利用した物理とデジタル資産の時間同期
(iii)不確実性伝播、及び
(iv)DTの運用フレームワーク。
残念ながら、これらの部品の開発には依然として大きなギャップがある。
このギャップに対処するため, 本研究は, 提案モデルの信頼性と有効性を評価しつつ, 「ML駆動予測アルゴリズム」を原子炉運転の有効成分として重視する。
そこで,本研究では, ニューラルネットワークを用いた2つのフィードフォワード深層学習(DNN)からなる多段階予測モデルを構築し, 原子炉・プラント用原子炉過渡電源の最終定常電力を決定する。
多段階モデルアーキテクチャの目標は、確率的分類を連続出力変数に変換し、信頼性と分析の容易性を向上させることである。
4つの回帰モデルを開発し、第1段階モデルから入力して原子炉出力を表す1つの値を予測する。
組み合わせモデルでは、第1段階の分類精度が96%、第2段階の絶対予測精度が92%となる。
開発手順は、一般的に類似システムに適用できるように議論されている。
同様のモデルがdtsで果たす役割の分析を行う。
関連論文リスト
- Exploiting Diffusion Prior for Generalizable Pixel-Level Semantic
Prediction [93.35493328885372]
我々は、画素レベルのセマンティック予測タスクの先行として、事前訓練されたT2Iモデルを導入する。
我々は一連の実験を通して拡散過程を再構成し、入力されたRGB画像と出力予測分布との決定論的マッピングを確立する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳(メタデータ) (2023-11-30T18:59:44Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Transformer-based approaches to Sentiment Detection [55.41644538483948]
テキスト分類のための4種類の最先端変圧器モデルの性能について検討した。
RoBERTa変換モデルは82.6%のスコアでテストデータセット上で最高のパフォーマンスを示し、品質予測に非常に推奨されている。
論文 参考訳(メタデータ) (2023-03-13T17:12:03Z) - Forecasting through deep learning and modal decomposition in two-phase
concentric jets [2.362412515574206]
本研究はターボファンエンジンにおける燃料室噴射器の性能向上を目的としている。
燃料/空気混合物のリアルタイム予測と改善を可能にするモデルの開発が必要である。
論文 参考訳(メタデータ) (2022-12-24T12:59:41Z) - LEARNEST: LEARNing Enhanced Model-based State ESTimation for Robots
using Knowledge-based Neural Ordinary Differential Equations [4.3403382998035624]
本研究では、状態推定アルゴリズムで用いられる力学モデルを強化することにより、ロボットシステムの正確な状態推定を行うタスクについて考察する。
動的モデルの強化と推定精度の向上のために,知識ベースニューラル常微分方程式(KNODE)と呼ばれるディープラーニングフレームワークを利用する。
提案する LEARNEST フレームワークでは,データ駆動モデルと KNODE-MHE と KNODE-UKF の2つの新しいモデルベース状態推定アルゴリズムを統合する。
論文 参考訳(メタデータ) (2022-09-16T22:16:40Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - An Intelligent End-to-End Neural Architecture Search Framework for
Electricity Forecasting Model Development [4.046469579070493]
本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。
提案フレームワークは,ネットワーク関数保存変換操作と強化学習(RL)に基づくネットワーク変換制御という,2つの主要コンポーネントを含む。
提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
論文 参考訳(メタデータ) (2022-03-25T10:36:27Z) - 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) - The Bias-Variance Tradeoff of Doubly Robust Estimator with Targeted
$L_1$ regularized Neural Networks Predictions [0.0]
ATEの二重ロバスト(DR)推定は、第1ステップでは治療と結果がモデル化され、第2ステップでは予測がDR推定器に挿入される2ステップで行うことができる。
最初の段階でのモデルの仕様ミスにより、研究者はパラメトリックアルゴリズムの代わりに機械学習アルゴリズムを利用するようになった。
論文 参考訳(メタデータ) (2021-08-02T15:41:27Z) - Two-stage short-term wind power forecasting algorithm using different
feature-learning models [8.41684803105392]
風力予測分野において,2段階のアンサンブルに基づく予測手法が広く研究されている。
深層学習に基づく風力予測研究は2つの側面を研究していない。
最初の段階では、複数の入力と複数の出力を考慮した異なる学習構造が議論されていない。
第2段階では,モデル外挿問題については検討されていない。
論文 参考訳(メタデータ) (2020-05-31T02:13:00Z)
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。