論文の概要: Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2407.04726v1
- Date: Thu, 27 Jun 2024 15:04:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 16:25:52.668568
- Title: Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks
- Title(参考訳): 畳み込みニューラルネットワークを用いたPWRクルド誘起パワーシフトのデータの駆動予測と不確かさの定量化
- Authors: Aidan Furlong, Farah Alsafadi, Scott Palmtag, Andrew Godfrey, Xu Wu,
- Abstract要約: Crud-induced Power Shift (CIPS) は加圧水炉の運用上の課題である。
本研究は、原子炉固有のキャリブレーションを組み込んだ組立レベルでCIPSインスタンスを予測するためのトップダウンアプローチを提案する。
- 参考スコア(独自算出の注目度): 2.147634833794939
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of Crud-Induced Power Shift (CIPS) is an operational challenge in Pressurized Water Reactors that is due to the development of crud on the fuel rod cladding. The available predictive tools developed previously, usually based on fundamental physics, are computationally expensive and have shown differing degrees of accuracy. This work proposes a completely top-down approach to predict CIPS instances on an assembly level with reactor-specific calibration built-in. Built using artificial neural networks, this work uses a three-dimensional convolutional approach to leverage the image-like layout of the input data. As a classifier, the convolutional neural network model predicts whether a given assembly will experience CIPS as well as the time of occurrence during a given cycle. This surrogate model is both trained and tested using a combination of calculated core model parameters and measured plant data from Unit 1 of the Catawba Nuclear Station. After the evaluation of its performance using various metrics, Monte Carlo dropout is employed for extensive uncertainty quantification of the model predictions. The results indicate that this methodology could be a viable approach in predicting CIPS with an assembly-level resolution across both clean and afflicted cycles, while using limited computational resources.
- Abstract(参考訳): クラッド誘導動力シフト(Crud-induced Power Shift, CIPS)の開発は、燃料棒クラッド上のクラッドの開発による加圧水炉の運用上の課題である。
従来開発された予測ツールは通常、基礎物理学に基づいており、計算に高価であり、精度の程度が異なることが示されている。
本研究は、原子炉固有のキャリブレーションを組み込んだ組立レベルでCIPSインスタンスを予測するための、完全にトップダウンのアプローチを提案する。
人工ニューラルネットワークを用いて構築されたこの研究は、入力データのイメージライクなレイアウトを活用するために、三次元畳み込みアプローチを用いている。
分類器として、畳み込みニューラルネットワークモデルは、与えられたアセンブリが、所定のサイクル中に発生する時間だけでなく、CIPSを経験するかどうかを予測する。
このサロゲートモデルは、計算されたコアモデルパラメータとカトーバ原子力発電所のユニット1からの植物データの組み合わせを用いて、訓練と試験の両方を行う。
様々な測定値を用いて評価を行った後、モンテカルロ・ドロップアウトはモデル予測の広範囲な不確実性定量化に使用される。
その結果, この手法は, 限られた計算資源を使用しながら, クリーンサイクルとアクシデントサイクルの両方にわたるアセンブリレベルの分解能でCIPSを予測する上で, 有効な手法である可能性が示唆された。
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) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
コンポーネントモデリングというタスクを導入します。
コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。
コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
論文 参考訳(メタデータ) (2024-04-17T16:28:08Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。
ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
論文 参考訳(メタデータ) (2023-11-27T21:37:50Z) - Short-term power load forecasting method based on CNN-SAEDN-Res [12.733504847643005]
本稿では、畳み込みニューラルネットワーク(CNN)、自己アテンションエンコーダデコーダネットワーク(SAEDN)、残差リファインメント(Res)に基づく短期負荷予測手法を提案する。
提案手法は予測精度と予測安定性の点で利点がある。
論文 参考訳(メタデータ) (2023-09-02T11:36:50Z) - 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) - Physics-Informed Multi-Stage Deep Learning Framework Development for
Digital Twin-Centred State-Based Reactor Power Prediction [0.34195949118264074]
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。
論文 参考訳(メタデータ) (2022-11-23T17:32:52Z) - Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
論文 参考訳(メタデータ) (2022-10-10T16:14:08Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z)
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。