論文の概要: Towards Efficient Parametric State Estimation in Circulating Fuel Reactors with Shallow Recurrent Decoder Networks
- arxiv url: http://arxiv.org/abs/2503.08904v1
- Date: Tue, 11 Mar 2025 21:32:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-13 15:38:11.176179
- Title: Towards Efficient Parametric State Estimation in Circulating Fuel Reactors with Shallow Recurrent Decoder Networks
- Title（参考訳）: 極低繰り返しデコーダを用いた循環式燃料炉の効率パラメトリック状態推定に向けて
- Authors: Stefano Riva, Carolina Introini, J. Nathan Kutz, Antonio Cammi,
- Abstract要約: 本稿では, 中性子と熱水圧との強い結合を特徴とする第4世代原子炉である溶融塩高速炉(MSFR)の試験事例として考察する。
リアルタイムの全ての特性場の正確な再構成により、この手法は原子炉デジタルツインの枠組みにおける監視と制御の目的に適している。
- 参考スコア（独自算出の注目度）: 3.422016133670755
- License:
- Abstract: The recent developments in data-driven methods have paved the way to new methodologies to provide accurate state reconstruction of engineering systems; nuclear reactors represent particularly challenging applications for this task due to the complexity of the strongly coupled physics involved and the extremely harsh and hostile environments, especially for new technologies such as Generation-IV reactors. Data-driven techniques can combine different sources of information, including computational proxy models and local noisy measurements on the system, to robustly estimate the state. This work leverages the novel Shallow Recurrent Decoder architecture to infer the entire state vector (including neutron fluxes, precursors concentrations, temperature, pressure and velocity) of a reactor from three out-of-core time-series neutron flux measurements alone. In particular, this work extends the standard architecture to treat parametric time-series data, ensuring the possibility of investigating different accidental scenarios and showing the capabilities of this approach to provide an accurate state estimation in various operating conditions. This paper considers as a test case the Molten Salt Fast Reactor (MSFR), a Generation-IV reactor concept, characterised by strong coupling between the neutronics and the thermal hydraulics due to the liquid nature of the fuel. The promising results of this work are further strengthened by the possibility of quantifying the uncertainty associated with the state estimation, due to the considerably low training cost. The accurate reconstruction of every characteristic field in real-time makes this approach suitable for monitoring and control purposes in the framework of a reactor digital twin.
- Abstract（参考訳）: データ駆動方式の最近の発展は、エンジニアリングシステムの正確な状態再構築を提供するための新しい手法への道を開いた;原子炉は、特に第IV世代原子炉のような新しい技術において、強く結合された物理学と非常に厳しい敵対的な環境の複雑さのために、この課題に特に挑戦的な応用を表現している。
データ駆動技術は、計算プロキシモデルやシステム上の局所ノイズ測定など、さまざまな情報ソースを組み合わせることで、状態を堅牢に見積もることができる。
この研究は、新しいシャロー・リカレント・デコーダ・アーキテクチャを利用して、中性子束、前駆体濃度、温度、圧力、速度を含む全ての状態ベクトルを、コア外の3つの中性子束だけから推定する。
特に、この研究はパラメトリック時系列データを扱うための標準アーキテクチャを拡張し、異なる事故シナリオを調査する可能性を確保し、様々な操作条件で正確な状態推定を行うためのこのアプローチの能力を示す。
本論文は, 溶融塩高速炉 (MSFR) の試験事例として, 燃料の液体の性質から, 中性子と熱水圧との強い結合が特徴である。
この研究の有望な結果は、トレーニングコストがかなり低いために、状態推定に関連する不確実性を定量化する可能性によってさらに強化される。
リアルタイムの全ての特性場の正確な再構成により、この手法は原子炉デジタルツインの枠組みにおける監視と制御の目的に適している。
関連論文リスト
- Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳（メタデータ） (2023-12-14T13:40:39Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction [0.4166512373146748]
本稿では,ハイブリッドデジタルツインに焦点を当てた多段階深層学習フレームワークを提案する。
96%の分類、2.3%のMAPEを達成し、反応器の最終的な定常電力を予測する。
データ駆動の洞察をデジタルツインの原理と整合させることで、この研究は核システム管理における適応的でスケーラブルなソリューションの基礎となる。
論文 参考訳（メタデータ） (2022-11-23T17:32:52Z) - A Long-term Dependent and Trustworthy Approach to Reactor Accident
Prognosis based on Temporal Fusion Transformer [0.779964823075849]
本稿では,多面的自己意図とゲーティング機構を備えたTFTモデルに基づく事故診断手法を提案する。
HPR1000反応器における冷却剤事故(LOCA)の消失後の予後に本法を適用した。
論文 参考訳（メタデータ） (2022-10-28T13:08:48Z) - 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) - Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
論文 参考訳（メタデータ） (2022-03-17T09:54:22Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks [0.0]
フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
論文 参考訳（メタデータ） (2021-04-30T21:41:24Z) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳（メタデータ） (2021-04-09T14:26:25Z)
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。