論文の概要: Data Collection with Non-Uniform Axial Power for Phase II of the OECD/NEA AI/ML Critical Heat Flux Benchmark

• arxiv url: http://arxiv.org/abs/2507.00034v1
• Date: Wed, 18 Jun 2025 16:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.400168
• Title: Data Collection with Non-Uniform Axial Power for Phase II of the OECD/NEA AI/ML Critical Heat Flux Benchmark
• Title（参考訳）: OECD/NEA AI/ML臨界熱流束ベンチマークのフェーズIIのための非均一軸力データ収集
• Authors: Reece Bourisaw, Reid McCants, Jean-Marie Le Corre, Anna Iskhakova, Arsen S. Iskhakov,
• Abstract要約: 臨界熱流束(CHF)は軽水炉の沸騰危機の始まりを示す。 この研究は、一様および非一様軸加熱条件の両方をカバーする広いCHFデータセットをコンパイルし、デジタル化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Critical heat flux (CHF) marks the onset of boiling crisis in light-water reactors, defining safe thermal-hydraulic operating limits. To support Phase II of the OECD/NEA AI/ML CHF benchmark, which introduces spatially varying power profiles, this work compiles and digitizes a broad CHF dataset covering both uniform and non-uniform axial heating conditions. Heating profiles were extracted from technical reports, interpolated onto a consistent axial mesh, validated via energy-balance checks, and encoded in machine-readable formats for benchmark compatibility. Classical CHF correlations exhibit substantial errors under uniform heating and degrade markedly when applied to non-uniform profiles, while modern tabular methods offer improved but still imperfect predictions. A neural network trained solely on uniform data performs well in that regime but fails to generalize to spatially varying scenarios, underscoring the need for models that explicitly incorporate axial power distributions. By providing these curated datasets and baseline modeling results, this study lays the groundwork for advanced transfer-learning strategies, rigorous uncertainty quantification, and design-optimization efforts in the next phase of the CHF benchmark.
• Abstract（参考訳）: 臨界熱流束(CHF)は軽水炉の沸騰事故の始まりであり、安全な熱・油圧運転限界を定義する。 空間的に異なるパワープロファイルを導入したOECD/NEA AI/ML CHFベンチマークの第IIフェーズをサポートするため、一様および非一様軸加熱条件の両方をカバーする広いCHFデータセットをコンパイルしてデジタル化する。 加熱プロファイルは、技術的レポートから抽出され、一貫した軸メッシュに補間され、エネルギーバランスチェックによって検証され、ベンチマーク互換性のために機械可読フォーマットでエンコードされた。 古典的なCHF相関は均一な加熱下でかなりの誤差を示し、非均一なプロファイルに適用すると顕著に劣化する。 均一なデータのみに基づいてトレーニングされたニューラルネットワークは、その状況下ではうまく機能するが、空間的に異なるシナリオに一般化できず、軸方向の電力分布を明示的に組み込むモデルの必要性が強調される。 これらのキュレートされたデータセットとベースラインモデリング結果を提供することにより、CHFベンチマークの次フェーズにおける高度なトランスファーラーニング戦略、厳密な不確実性定量化、および設計最適化の取り組みの基礎を定めている。

関連論文リスト

• Solving Inverse Problems with FLAIR [59.02385492199431]
  フローベースの潜在生成モデルは、驚くべき品質の画像を生成でき、テキスト・ツー・イメージ生成も可能である。 本稿では,フローベース生成モデルを逆問題の前兆として活用する新しい学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Deployment of Traditional and Hybrid Machine Learning for Critical Heat Flux Prediction in the CTF Thermal Hydraulics Code [4.538224798436768]
  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。
  論文  参考訳（メタデータ） (2025-05-12T13:14:33Z)
• Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
  本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。 本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-01T19:26:01Z)
• Decrypting the temperature field in flow boiling with latent diffusion models [1.9190568044682759]
  本稿では,位相インジケータマップから温度場を生成するためにLDM(Latent Diffusion Models)を用いた革新的な手法を提案する。 数値シミュレーションからBubbleMLデータセットを利用することで, LDM位相場データを対応する温度分布に変換する。 結果として得られるモデルは、界面における複雑な温度場を効果的に再構成する。
  論文  参考訳（メタデータ） (2025-01-27T21:18:05Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
  CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。 本稿では,誘導係数を緩和したReCFGを提案する。 このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• 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)
• Efficient mapping of phase diagrams with conditional Boltzmann Generators [4.437335677401287]
  位相図全体に対するボルツマン生成法に基づく深層生成機械学習モデルを開発した。 単一正規化流を訓練することにより, 単一の基準熱力学状態から広範囲の目標温度, 圧力に比例した平衡分布を変換し, 効率よく平衡分布を生成することができる。 我々は、レナード=ジョーンズ系の固液共存線を最先端自由エネルギー法とよく一致して予測することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-18T08:05:04Z)
• Critical heat flux diagnosis using conditional generative adversarial networks [0.0]
  臨界熱流束 (CHF) は、高熱流束熱水和システムで用いられる沸騰熱伝達プロセスにおいて必須の安全境界である。 本研究では,CHFにおけるボイリングシステムの熱データ再構成のためのデータ駆動画像変換手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T07:53:04Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)

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。