論文の概要: Fast Uncertainty Quantification of Spent Nuclear Fuel with Neural
Networks
- arxiv url: http://arxiv.org/abs/2308.08391v1
- Date: Wed, 16 Aug 2023 14:23:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 13:17:17.937442
- Title: Fast Uncertainty Quantification of Spent Nuclear Fuel with Neural
Networks
- Title(参考訳): ニューラルネットワークによるスペント核燃料の高速不確かさ定量
- Authors: Arnau Alb\`a, Andreas Adelmann, Lucas M\"unster, Dimitri Rochman,
Romana Boiger
- Abstract要約: 最先端の物理ベースのモデルは信頼性はあるものの、計算集約的で時間を要する。
本稿では,ニューラルネットワーク(NN)を用いてSNF特性の予測を行うサロゲートモデリング手法を提案する。
NNは、CASMO5格子計算から生成されたデータを用いて訓練される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The accurate calculation and uncertainty quantification of the
characteristics of spent nuclear fuel (SNF) play a crucial role in ensuring the
safety, efficiency, and sustainability of nuclear energy production, waste
management, and nuclear safeguards. State of the art physics-based models,
while reliable, are computationally intensive and time-consuming. This paper
presents a surrogate modeling approach using neural networks (NN) to predict a
number of SNF characteristics with reduced computational costs compared to
physics-based models. An NN is trained using data generated from CASMO5 lattice
calculations. The trained NN accurately predicts decay heat and nuclide
concentrations of SNF, as a function of key input parameters, such as
enrichment, burnup, cooling time between cycles, mean boron concentration and
fuel temperature. The model is validated against physics-based decay heat
simulations and measurements of different uranium oxide fuel assemblies from
two different pressurized water reactors. In addition, the NN is used to
perform sensitivity analysis and uncertainty quantification. The results are in
very good alignment to CASMO5, while the computational costs (taking into
account the costs of generating training samples) are reduced by a factor of 10
or more. Our findings demonstrate the feasibility of using NNs as surrogate
models for fast characterization of SNF, providing a promising avenue for
improving computational efficiency in assessing nuclear fuel behavior and
associated risks.
- Abstract(参考訳): 使用済み核燃料(SNF)の特性の正確な計算と不確実性の定量化は、核エネルギー生産の安全性、効率、持続可能性、廃棄物管理、原子力安全の確保に重要な役割を果たす。
最先端の物理ベースのモデルは信頼性はあるものの、計算集約的で時間を要する。
本稿では,ニューラルネットワーク(nn)を用いたサーロゲートモデルを用いて,計算コストを低減したsnf特性の予測手法を提案する。
NNは、CASMO5格子計算から生成されたデータを用いて訓練される。
トレーニングNNは、濃縮、バーンアップ、サイクル間の冷却時間、平均ホウ素濃度、燃料温度などの重要な入力パラメータの関数として、SNFの崩壊熱と核種濃度を正確に予測する。
このモデルは、物理ベースの崩壊熱シミュレーションと、2つの異なる加圧水型原子炉の異なる酸化ウラン燃料集合体の測定に対して検証される。
さらに、nnは感度分析と不確実性定量化を行うために用いられる。
結果はCASMO5と非常によく一致しているが、(トレーニングサンプルの生成コストを考慮した)計算コストは10以上削減される。
本研究は, SNFの高速キャラクタリゼーションのためのサロゲートモデルとしてNNを用いる可能性を示し, 核燃料の挙動と関連するリスクを評価する際の計算効率を向上させるための有望な道を提供する。
関連論文リスト
- Comparison of CNN-based deep learning architectures for unsteady CFD acceleration on small datasets [0.0]
本研究では、非定常計算流体力学(CFD)シミュレーションを高速化するための高度な畳み込みニューラルネットワーク(CNN)アーキテクチャの比較を行った。
CNNは, 自己回帰時系列予測において, 予測精度とロバスト性を決定するために, 同一条件下で評価された。
ConvLSTM-UNetは、特に差値計算において、より低い最大誤差と安定した残差を達成する他のモデルよりも一貫して優れていた。
論文 参考訳(メタデータ) (2025-02-06T03:30:49Z) - Bayesian optimized deep ensemble for uncertainty quantification of deep neural networks: a system safety case study on sodium fast reactor thermal stratification modeling [10.055838489452817]
ディープ・アンサンブルはディープ・ニューラルネットワーク(DNN)における不確実性定量化(UQ)のための効率的でスケーラブルな方法である
本稿では,ベイズ最適化(BO)とBODEと呼ばれるDDEを組み合わせることによって,予測精度とUQを両立させる手法を提案する。
計算流体力学(CFD)データに基づいて学習したDensely Connected Convolutional Neural Network (DCNN) のケーススタディにBODEを適用し, 高速炉熱成層モデルにおける渦粘度を予測する。
論文 参考訳(メタデータ) (2024-12-11T21:06:50Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳(メタデータ) (2024-12-05T09:41:33Z) - The Bigger the Better? Accurate Molecular Potential Energy Surfaces from Minimalist Neural Networks [0.0]
KerNNは、分子PSSを表現するためのカーネル/神経ネットワークベースのアプローチである。
最先端のニューラルネットワークPSSと比較して、KerNNの学習可能なパラメータの数は大幅に減少する。
KerNNは、古典的および量子シミュレーションから計算された振動帯を含む、テストセット統計と観測可能な領域で優れた性能を示す。
論文 参考訳(メタデータ) (2024-11-27T08:01:21Z) - Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。
しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。
ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
論文 参考訳(メタデータ) (2024-11-15T08:55:31Z) - Quantum Algorithms for Simulating Nuclear Effective Field Theories [40.83664249192338]
我々は、最先端のハミルトンシミュレーション法を用いて、核物理学の低エネルギー有効場理論(EFT)をシミュレートするために、量子ビットとゲートコストを推定する。
シミュレーションアルゴリズムにより, 低エネルギーのハミルトニアンの対称性を用いて, より厳密な誤差境界が得られることを示す。
論文 参考訳(メタデータ) (2023-12-08T20:09:28Z) - 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) - 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) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳(メタデータ) (2021-06-21T23:42:58Z) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳(メタデータ) (2020-07-15T22:38:41Z) - GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。
GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
論文 参考訳(メタデータ) (2020-06-26T05:47:45Z)
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。