論文の概要: Virtual Sensing for Real-Time Degradation Monitoring of Nuclear Systems: Leveraging DeepONet for Enhanced Sensing Coverage for Digital Twin-Enabling Technology
- arxiv url: http://arxiv.org/abs/2410.13762v1
- Date: Thu, 17 Oct 2024 16:56:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:21:03.838561
- Title: Virtual Sensing for Real-Time Degradation Monitoring of Nuclear Systems: Leveraging DeepONet for Enhanced Sensing Coverage for Digital Twin-Enabling Technology
- Title(参考訳): 原子力システムのリアルタイム劣化モニタリングのための仮想センシング:デジタル双極子生成技術のための拡張センシングカバーにDeepONetを活用する
- Authors: Raisa Bentay Hossain, Farid Ahmed, Kazuma Kobayashi, Seid Koric, Diab Abueidda, Syed Bahauddin Alam,
- Abstract要約: 本稿では,AP-1000加圧水炉(PWR)の高温脚の熱水理パラメータを予測するために,デジタルツイン(DT)フレームワークにおけるDeepONet(DeepONet)の利用について検討する。
以上の結果から,DeepONetは平均二乗誤差と相対L2誤差で精度の高い予測を行い,従来の有限要素シミュレーション(FE)の160,000倍の精度で予測を行うことができた。
- 参考スコア(独自算出の注目度): 0.36651088217486427
- License:
- Abstract: Effective real-time monitoring technique is crucial for detecting material degradation and maintaining the structural integrity of nuclear systems to ensure both safety and operational efficiency. Traditional physical sensor systems face limitations such as installation challenges, high costs, and difficulties in measuring critical parameters in hard-to-reach or harsh environments, often resulting in incomplete data coverage. Machine learning-driven virtual sensors offer a promising solution by enhancing physical sensor capabilities to monitor critical degradation indicators like pressure, velocity, and turbulence. However, conventional machine learning models struggle with real-time monitoring due to the high-dimensional nature of reactor data and the need for frequent retraining. This paper explores the use of Deep Operator Networks (DeepONet) within a digital twin (DT) framework to predict key thermal-hydraulic parameters in the hot leg of an AP-1000 Pressurized Water Reactor (PWR). In this study, DeepONet is trained with different operational conditions, which relaxes the requirement of continuous retraining, making it suitable for online and real-time prediction components for DT. Our results show that DeepONet achieves accurate predictions with low mean squared error and relative L2 error and can make predictions on unknown data 160,000 times faster than traditional finite element (FE) simulations. This speed and accuracy make DeepONet a powerful tool for tracking conditions that contribute to material degradation in real-time, enhancing reactor safety and longevity.
- Abstract(参考訳): 有効リアルタイムモニタリング技術は、安全性と運用効率の両方を確保するために、材料劣化を検出し、核システムの構造的整合性を維持するために重要である。
従来の物理的センサーシステムは、インストールの困難、高いコスト、難易度や厳しい環境で重要なパラメータを測定することの難しさといった制限に直面し、しばしば不完全なデータカバレッジをもたらす。
機械学習駆動の仮想センサは、圧力、速度、乱流などの重要な劣化指標を監視する物理的センサー機能を強化することで、有望なソリューションを提供する。
しかし、従来の機械学習モデルは、原子炉データの高次元的性質と頻繁な再訓練の必要性により、リアルタイムモニタリングに苦慮している。
本稿では,AP-1000加圧水炉 (PWR) のホット脚における熱水和パラメータを予測するために,デジタルツイン (DT) フレームワークにおけるDeep Operator Networks (DeepONet) の利用について検討する。
本研究では、DeepONetは、継続的リトレーニングの要件を緩和し、DTのオンラインおよびリアルタイム予測コンポーネントに適した、さまざまな運用条件でトレーニングされている。
以上の結果から,DeepONetは平均二乗誤差と相対L2誤差で精度の高い予測を行い,従来の有限要素シミュレーション(FE)の160,000倍の精度で予測を行うことができた。
このスピードと精度により、DeepONetはリアルタイムの材料劣化に寄与し、原子炉の安全性と寿命を向上させるための強力なツールとなる。
関連論文リスト
- Data Sensor Fusion In Digital Twin Technology For Enhanced Capabilities In A Home Environment [0.0]
本稿では,デジタルツイン技術におけるデータセンサの融合によるホーム環境機能の強化について検討する。
この研究は、サイバー物理システム、IoT、AI、ロボティクスを統合して、デジタル双生児の能力を強化している。
論文 参考訳(メタデータ) (2025-02-13T01:14:30Z) - Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
本稿では,SINDy-SHRED(SINDy-SHRED)とSINDY-SHRED(SINDy-SHRED)を併用したダイナミクスの同定について述べる。
SINDy-SHRED は Gated Recurrent Units (GRU) を用いて、センサー計測の時間的シーケンスを浅層デコーダネットワークと共にモデル化し、潜在状態空間から全フィールドを再構築する。
我々は, 合成PDEデータ, 海面温度の実環境センサ計測, 直接ビデオデータを含む系統的研究を行った。
論文 参考訳(メタデータ) (2025-01-23T02:18:13Z) - Virtual Sensing to Enable Real-Time Monitoring of Inaccessible Locations \& Unmeasurable Parameters [0.4551615447454769]
エネルギーシステムの安全かつ効率的な運用には、重要なパラメータのリアルタイムモニタリングが不可欠である。
従来のセンサーはしばしば物理的センサーを配置できない厳しい環境で故障し、劣化する。
本研究では,物理センサの展開が不可能な場所でのモニタリングを可能にすることで,リアルタイムモニタリング手法の限界に対処する。
論文 参考訳(メタデータ) (2024-11-28T00:58:29Z) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。
HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文 参考訳(メタデータ) (2024-07-26T12:16:53Z) - Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。
高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。
物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
論文 参考訳(メタデータ) (2024-04-11T18:03:59Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳(メタデータ) (2023-12-14T09:46:16Z) - Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User
Experiences [118.91584633024907]
テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-29T00:39:50Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - 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) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳(メタデータ) (2022-02-23T13:38:31Z)
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。