論文の概要: Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction

• arxiv url: http://arxiv.org/abs/2211.13157v4
• Date: Wed, 27 Nov 2024 05:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 15:24:16.649540
• Title: Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction
• Title（参考訳）: 原子力発電予測のためのデジタルツインセンターハイブリッドデータ駆動多段階深層学習フレームワーク
• Authors: James Daniell, Kazuma Kobayashi, Ayodeji Alajo, Syed Bahauddin Alam,
• Abstract要約: 本稿では,ハイブリッドデジタルツインに焦点を当てた多段階深層学習フレームワークを提案する。 96%の分類、2.3%のMAPEを達成し、反応器の最終的な定常電力を予測する。 データ駆動の洞察をデジタルツインの原理と整合させることで、この研究は核システム管理における適応的でスケーラブルなソリューションの基礎となる。
• 参考スコア（独自算出の注目度）: 0.4166512373146748
• License:
• Abstract: The accurate and efficient modeling of nuclear reactor transients is crucial for ensuring safe and optimal reactor operation. Traditional physics-based models, while valuable, can be computationally intensive and may not fully capture the complexities of real-world reactor behavior. This paper introduces a novel hybrid digital twin-focused multi-stage deep learning framework that addresses these limitations, offering a faster and more robust solution for predicting the final steady-state power of reactor transients. By leveraging a combination of feed-forward neural networks with both classification and regression stages, and training on a unique dataset that integrates real-world measurements of reactor power and controls state from the Missouri University of Science and Technology Reactor (MSTR) with noise-enhanced simulated data, our approach achieves remarkable accuracy (96% classification, 2.3% MAPE). The incorporation of simulated data with noise significantly improves the model's generalization capabilities, mitigating the risk of overfitting. Designed as a digital twin supporting system, this framework integrates real-time, synchronized predictions of reactor state transitions, enabling dynamic operational monitoring and optimization. This innovative solution not only enables rapid and precise prediction of reactor behavior but also has the potential to revolutionize nuclear reactor operations, facilitating enhanced safety protocols, optimized performance, and streamlined decision-making processes. By aligning data-driven insights with the principles of digital twins, this work lays the groundwork for adaptable and scalable solutions in nuclear system management.
• Abstract（参考訳）: 原子炉過渡現象の高精度かつ効率的なモデリングは、安全かつ最適な原子炉運転の確保に不可欠である。 伝統的な物理学に基づくモデルは、価値はあるものの、計算に重きを置くことができ、現実の原子炉の挙動の複雑さを完全に捉えることはできない。 本稿では,これらの制約に対処し,反応器の最終的な定常電力を予測するための,より高速で堅牢なソリューションを提供する,ハイブリッドディジタルツイン焦点多段階ディープラーニングフレームワークを提案する。 フィードフォワードニューラルネットワークと分類と回帰段階の両方の組み合わせを活用し、ミズーリ大学科学技術原子炉(MSTR)のリアクトルパワーの実測値と制御状態とを統合したユニークなデータセットをトレーニングすることにより、本手法は顕著な精度(96%の分類、2.3%のMAPE)を実現する。 ノイズを伴うシミュレーションデータの取り込みにより、モデルの一般化能力が大幅に向上し、オーバーフィッティングのリスクが軽減される。 デジタルツインサポートシステムとして設計されたこのフレームワークは、リアクトル状態遷移のリアルタイムな同期予測を統合し、動的な運用監視と最適化を可能にする。 この革新的な解決策は、原子炉の挙動の迅速かつ正確な予測を可能にするだけでなく、原子炉の運転に革命をもたらす可能性があり、安全プロトコルの強化、性能の最適化、意思決定プロセスの合理化を促進できる。 データ駆動の洞察をデジタルツインの原理と整合させることで、この研究は核システム管理における適応性とスケーラブルなソリューションの基礎となる。

関連論文リスト

• Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
  現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。 本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。 本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-13T05:49:29Z)
• Reactor Optimization Benchmark by Reinforcement Learning [0.24374097382908472]
  本稿では,強化学習に特化して設計されたOpenNeoMCフレームワークのベンチマーク問題を紹介する。 テストケースは、異なる物理状態を表す、異なる局所的な最適性を備えており、アルゴリズムの学習に挑戦している。 厳密な制約で複雑な最適化景観をナビゲートする際の強化学習の有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-21T10:26:47Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Deep Neural Operator Driven Real Time Inference for Nuclear Systems to Enable Digital Twin Solutions [0.5115559623386964]
  本研究では,難解な粒子輸送問題の解法におけるDeepONetの一般化性と計算効率について述べる。 DeepONetはまた、従来のMLメソッドよりも優れた予測精度とスピードを示している。 全体として、DeepONetは有望で変革的な核工学の研究と応用ツールである。
  論文  参考訳（メタデータ） (2023-08-15T01:25:35Z)
• Transfer learning for atomistic simulations using GNNs and kernel mean embeddings [24.560340485988128]
  本稿では, グラフニューラルネットワーク(GNN)を用いて, カーネル平均埋め込みとともに, 化学環境を表現するトランスファー学習アルゴリズムを提案する。 我々は,複雑性を増大させる一連の現実的なデータセットに対して,我々のアプローチを検証し,優れた一般化と伝達可能性性能を示す。
  論文  参考訳（メタデータ） (2023-06-02T14:58:16Z)
• 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)
• A Long-term Dependent and Trustworthy Approach to Reactor Accident Prognosis based on Temporal Fusion Transformer [0.779964823075849]
  本稿では,多面的自己意図とゲーティング機構を備えたTFTモデルに基づく事故診断手法を提案する。 HPR1000反応器における冷却剤事故(LOCA)の消失後の予後に本法を適用した。
  論文  参考訳（メタデータ） (2022-10-28T13:08:48Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Deep Surrogate Models for Multi-dimensional Regression of Reactor Power [0.0]
  我々は,原子炉の電力分布の高精度かつ高精度な多次元回帰を提供するニューラルネットワークの能力を確立する。 その結果、ニューラルネットワークは、自律型原子炉制御フレームワークで実装するサロゲートモデルに適した選択であることが示された。
  論文  参考訳（メタデータ） (2020-07-10T15:16:36Z)

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。