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
- 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) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - 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) - Graph Neural Networks for Pressure Estimation in Water Distribution
Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。
物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。
我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文 参考訳（メタデータ） (2023-11-17T15:30:12Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳（メタデータ） (2023-06-23T07:53:09Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
論文 参考訳（メタデータ） (2022-10-25T07:55:20Z) - 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。