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

• 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)
• One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation [1.0359008237358598]
  マスク付きモデルと自己教師型学習を用いたセンサ故障検出のための新しいフレームワークを提案する。 提案手法を,オフショアGE風力タービンのパブリックデータセットと実世界のデータセットの両方で検証する。 提案手法は,センサ計測の精度と信頼性をリアルタイムに向上する可能性がある。
  論文  参考訳（メタデータ） (2024-03-24T13:44:57Z)
• A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
  本稿では,教師なし深層学習異常検出システムを提案する。 生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。 リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
  論文  参考訳（メタデータ） (2024-03-21T14:26:29Z)
• 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)
• 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)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• In-flight Novelty Detection with Convolutional Neural Networks [0.0]
  本稿では,予防的保守意思決定者の注意を喚起するために,システム出力の測定をリアルタイムに優先することを提案する。 本稿では,異常データのオンライン検出と優先順位付けのためのデータ駆動システムを提案する。 このシステムは低消費電力の組み込みハードウェアでリアルタイムに動作可能で、現在ロールス・ロイス・パール15のエンジン飛行試験に配備中である。
  論文  参考訳（メタデータ） (2021-12-07T15:19:41Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
  未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。 機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。 従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。