論文の概要: Development and Deployment of Hybrid ML Models for Critical Heat Flux Prediction in Annulus Geometries

• arxiv url: http://arxiv.org/abs/2507.14332v1
• Date: Fri, 18 Jul 2025 19:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.843578
• Title: Development and Deployment of Hybrid ML Models for Critical Heat Flux Prediction in Annulus Geometries
• Title（参考訳）: 環状測地における臨界熱フラックス予測のためのハイブリッドMLモデルの開発と展開
• Authors: Aidan Furlong, Xingang Zhao, Robert Salko, Xu Wu,
• Abstract要約: 本研究は, CTFサブチャネル符号を用いて, 環状ジオメトリにおけるCHF予測のためのMLモデルを開発, 展開, 検証した。 経験的相関からベースラインCHF予測が得られ, 平均相対誤差は26%以上であった。 いずれの場合も、ハイブリッドMLモデルは経験的なモデルよりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 4.538224798436768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of critical heat flux (CHF) is an essential component of safety analysis in pressurized and boiling water reactors. To support reliable prediction of this quantity, several empirical correlations and lookup tables have been constructed from physical experiments over the past several decades. With the onset of accessible machine learning (ML) frameworks, multiple initiatives have been established with the goal of predicting CHF more accurately than these traditional methods. While purely data-driven surrogate modeling has been extensively investigated, these approaches lack interpretability, lack resilience to data scarcity, and have been developed mostly using data from tube experiments. As a result, bias-correction hybrid approaches have become increasingly popular, which correct initial "low-fidelity" estimates provided by deterministic base models by using ML-predicted residuals. This body of work has mostly considered round tube geometries; annular geometry-specific ML models have not yet been deployed in thermal hydraulic codes. This study developed, deployed, and validated four ML models to predict CHF in annular geometries using the CTF subchannel code. Three empirical correlation models, Biasi, Bowring, and Katto, were used as base models for comparison. The ML models were trained and tested using 577 experimental annulus data points from four datasets: Becker, Beus, Janssen, and Mortimore. Baseline CHF predictions were obtained from the empirical correlations, with mean relative errors above 26%. The ML-driven models achieved mean relative errors below 3.5%, with no more than one point exceeding the 10% error envelope. In all cases, the hybrid ML models significantly outperformed their empirical counterparts.
• Abstract（参考訳）: 臨界熱フラックス(CHF)の正確な予測は、加圧式および沸騰式水型原子炉の安全性解析に不可欠な要素である。 この量の確実な予測を支援するために、過去数十年間、物理実験からいくつかの経験的相関とルックアップテーブルが構築されてきた。 アクセス可能な機械学習(ML)フレームワークの登場により、従来の方法よりも正確にCHFを予測することを目標として、複数のイニシアティブが確立された。 純粋にデータ駆動サロゲートモデリングは広く研究されているが、これらの手法は解釈可能性に欠け、データ不足に対するレジリエンスが欠如しており、主に管実験のデータを用いて開発されている。 その結果、バイアス補正ハイブリッドアプローチがますます普及し、ML予測残差を用いて決定論的ベースモデルによって提供される初期「低忠実性」推定を補正する。 環状形状固有のMLモデルは、まだ熱水和コードにデプロイされていない。 本研究は, CTFサブチャネル符号を用いて, 環状ジオメトリにおけるCHF予測のためのMLモデルを開発, 展開, 検証した。 3つの経験的相関モデル(Biasi, Bowring, Katto)をベースモデルとして用いた。 MLモデルは、Becker、Beus、Janssen、Mortimoreの4つのデータセットから、577の実験アンラスデータポイントを使用してトレーニングされ、テストされた。 経験的相関からベースラインCHF予測が得られ, 平均相対誤差は26%以上であった。 ML駆動のモデルは3.5%未満の相対誤差を達成し、10%の誤差エンベロープを超えるポイントは1つもなかった。 いずれの場合も、ハイブリッドMLモデルは経験的なモデルよりも大幅に優れていた。

関連論文リスト

• Reasoning or Memorization? Unreliable Results of Reinforcement Learning Due to Data Contamination [67.67725938962798]
  大規模なWebスケールコーパスの事前トレーニングは、広く使用されているベンチマークでデータ汚染の影響を受けやすいQwen2.5が残る。 我々はRandomCalculationと呼ばれる任意の長さと難易度を持つ完全クリーンな算術問題を生成するジェネレータを導入する。 精度の高い報酬信号のみがベースモデルの性能境界を超える安定した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-07-14T17:55:15Z)
• 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)
• 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)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Machine learning tools to improve nonlinear modeling parameters of RC columns [0.0]
  本稿では, 耐震基準の非線形モデリング法則を改善する上で, 最も重要な2つの障壁について論じる。 入力パラメータ間の相互依存性と入力パラメータとモデル出力間の非線形関係を認識できるデータフィッティング技術を実装している。 機械学習回帰モデルと機械学習ブラックボックスは、ACI 369.1/ASCE 41標準の現在の規定よりも正確であることが判明した。
  論文  参考訳（メタデータ） (2023-03-09T01:00:38Z)
• Building Robust Machine Learning Models for Small Chemical Science Data: The Case of Shear Viscosity [3.4761212729163313]
  我々はLennard-Jones (LJ)流体のせん断粘度を予測するために、いくつかの機械学習モデルを訓練する。 具体的には,モデル選択,性能評価,不確実性定量化に関する課題について検討した。
  論文  参考訳（メタデータ） (2022-08-23T07:33:14Z)
• 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)
• Coupling Machine Learning and Crop Modeling Improves Crop Yield Prediction in the US Corn Belt [2.580765958706854]
  本研究では,米コーンベルトにおける作物モデルと機械学習(ML)の結合によるトウモロコシ収量予測の改善について検討した。 主な目的は、ハイブリッドアプローチ(クロップモデリング+ML)がより良い予測をもたらすかどうかを探求し、トウモロコシ収量予測のためにMLと最も効果的に統合できる作物モデルから特徴を決定することである。
  論文  参考訳（メタデータ） (2020-07-28T16:22:44Z)

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。