論文の概要: Deployment of Traditional and Hybrid Machine Learning for Critical Heat Flux Prediction in the CTF Thermal Hydraulics Code

• arxiv url: http://arxiv.org/abs/2505.14701v1
• Date: Mon, 12 May 2025 13:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.630697
• Title: Deployment of Traditional and Hybrid Machine Learning for Critical Heat Flux Prediction in the CTF Thermal Hydraulics Code
• Title（参考訳）: CTF熱水理符号における臨界熱フラックス予測のための従来型ハイブリッド機械学習の展開
• Authors: Aidan Furlong, Xingang Zhao, Robert Salko, Xu Wu,
• Abstract要約: 臨界熱流束(CHF)予測は、効率、安全性、機器の損傷防止に不可欠である。 従来の機械学習アプローチは、解釈可能性の制限、データの不足、物理原理の知識不足に悩まされてきた。 本研究では、CTFサブチャネルコード内に、純粋にデータ駆動型MLモデルと2つのハイブリッドモデル(バイアスとボウリングCHF相関を用いた)を統合する。
• 参考スコア（独自算出の注目度）: 4.538224798436768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Critical heat flux (CHF) marks the transition from nucleate to film boiling, where heat transfer to the working fluid can rapidly deteriorate. Accurate CHF prediction is essential for efficiency, safety, and preventing equipment damage, particularly in nuclear reactors. Although widely used, empirical correlations frequently exhibit discrepancies in comparison with experimental data, limiting their reliability in diverse operational conditions. Traditional machine learning (ML) approaches have demonstrated the potential for CHF prediction but have often suffered from limited interpretability, data scarcity, and insufficient knowledge of physical principles. Hybrid model approaches, which combine data-driven ML with physics-based models, mitigate these concerns by incorporating prior knowledge of the domain. This study integrated a purely data-driven ML model and two hybrid models (using the Biasi and Bowring CHF correlations) within the CTF subchannel code via a custom Fortran framework. Performance was evaluated using two validation cases: a subset of the Nuclear Regulatory Commission CHF database and the Bennett dryout experiments. In both cases, the hybrid models exhibited significantly lower error metrics in comparison with conventional empirical correlations. The pure ML model remained competitive with the hybrid models. Trend analysis of error parity indicates that ML-based models reduce the tendency for CHF overprediction, improving overall accuracy. These results demonstrate that ML-based CHF models can be effectively integrated into subchannel codes and can potentially increase performance in comparison with conventional methods.
• Abstract（参考訳）: 臨界熱流束 (CHF) は、核酸から膜沸騰への移行を示すものであり、そこでは、作動流体への熱伝達が急速に悪化する。 正確なCHF予測は、特に原子炉の効率、安全性、機器の損傷防止に不可欠である。 広く使われているが、経験的相関は実験データと比較してしばしば相違を示し、様々な運用条件下での信頼性を制限している。 従来の機械学習(ML)アプローチは、CHF予測の可能性を示しているが、多くの場合、限定的な解釈可能性、データの不足、物理原理の知識不足に悩まされている。 データ駆動型MLと物理モデルを組み合わせたハイブリッドモデルアプローチは、ドメインの事前の知識を取り入れることで、これらの懸念を軽減する。 本研究では、データ駆動型MLモデルと2つのハイブリッドモデル(BiasiとBoring CHFの相関を用いた)を、カスタムのFortranフレームワークを介してCTFサブチャネルコードに統合した。 評価は原子力規制委員会CHFデータベースのサブセットとベネットドライアウト実験の2つの検証ケースを用いて行った。 いずれの場合も、従来の経験的相関と比較して、ハイブリッドモデルは誤差指標が有意に低い。 純粋なMLモデルはハイブリッドモデルと競合し続けた。 誤差パリティの傾向分析は、MLベースのモデルがCHF過大予測の傾向を減らし、全体的な精度が向上したことを示している。 これらの結果から,MLベースのCHFモデルをサブチャネルコードに効果的に統合し,従来の手法と比較して性能を向上できる可能性が示唆された。

関連論文リスト

• Machine Learning for Improved Density Functional Theory Thermodynamics [0.0]
  本稿では,密度汎関数理論計算における固有エネルギー分解誤差を体系的に補正する機械学習(ML)手法を提案する。 ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。 本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
  論文  参考訳（メタデータ） (2025-03-07T15:46:30Z)
• Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification [4.538224798436768]
  本研究では,不確実性を考慮したハイブリッドモデリング手法の開発と検証を行う。 機械学習と物理モデルを組み合わせて、ドライアウトの場合の原子炉の臨界熱流束を予測する。
  論文  参考訳（メタデータ） (2025-02-26T17:55:01Z)
• Empirical modeling and hybrid machine learning framework for nucleate pool boiling on microchannel structured surfaces [0.0]
  マイクロチャネル構造表面における核沸騰に関する新しい経験的相関式が提案されている。 本研究では,マイクロチャネル構造面データセット上での機械学習(ML)アルゴリズムとディープニューラルネットワーク(DNN)についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T11:36:09Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• A machine learning approach to the prediction of heat-transfer coefficients in micro-channels [4.724825031148412]
  2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。 マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
  論文  参考訳（メタデータ） (2023-05-28T15:48:01Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)

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。