論文の概要: Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor

• arxiv url: http://arxiv.org/abs/2510.12368v1
• Date: Tue, 14 Oct 2025 10:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.280948
• Title: Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor
• Title（参考訳）: TRIGA Mark IIリアクタ上での低繰り返しデコーダによる制約検出と信頼性評価
• Authors: Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi,
• Abstract要約: ショート・リカレント・デコーダ・ネットワーク(Shallow Recurrent Decoder network)は、正確な状態推定を提供することのできる新しいデータ駆動手法である。 本研究では,実システムに適用した場合のシャローリカレントデコーダの性能について検討する。
• 参考スコア（独自算出の注目度）: 0.2519906683279152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shallow Recurrent Decoder networks are a novel data-driven methodology able to provide accurate state estimation in engineering systems, such as nuclear reactors. This deep learning architecture is a robust technique designed to map the temporal trajectories of a few sparse measures to the full state space, including unobservable fields, which is agnostic to sensor positions and able to handle noisy data through an ensemble strategy, leveraging the short training times and without the need for hyperparameter tuning. Following its application to a novel reactor concept, this work investigates the performance of Shallow Recurrent Decoders when applied to a real system. The underlying model is represented by a fluid dynamics model of the TRIGA Mark II research reactor; the architecture will use both synthetic temperature data coming from the numerical model and leveraging experimental temperature data recorded during a previous campaign. The objective of this work is, therefore, two-fold: 1) assessing if the architecture can reconstruct the full state of the system (temperature, velocity, pressure, turbulence quantities) given sparse data located in specific, low-dynamics channels and 2) assessing the correction capabilities of the architecture (that is, given a discrepancy between model and data, assessing if sparse measurements can provide some correction to the architecture output). As will be shown, the accurate reconstruction of every characteristic field, using both synthetic and experimental data, in real-time makes this approach suitable for interpretable monitoring and control purposes in the framework of a reactor digital twin.
• Abstract（参考訳）: ショート・リカレント・デコーダ・ネットワーク(Shallow Recurrent Decoder network)は、原子炉などの工学系で正確な状態推定を行うことのできる、新しいデータ駆動手法である。 このディープラーニングアーキテクチャは、センサ位置に非依存であり、アンサンブル戦略を通じてノイズの多いデータを処理でき、短時間のトレーニング時間を活用することができ、ハイパーパラメータチューニングを必要とせず、いくつかのスパース測度の時間軌道を完全な状態空間にマッピングするために設計された堅牢な技術である。 本研究は, リアクトルの新規概念への適用に続いて, 実システムに適用した場合のシャローリカレントデコーダの性能について検討する。 基礎となるモデルは、TRIGA Mark II研究炉の流体力学モデルによって表現され、このアーキテクチャは、数値モデルから得られる合成温度データと、以前のキャンペーンで記録された実験温度データの両方を利用する。 この研究の目的は次の2つである。 1) 特定の低空力チャネルに位置するスパースデータに対して、建築がシステムの完全な状態(温度、速度、圧力、乱流量)を再構築できるかどうかを評価する。 2) アーキテクチャの補正能力を評価する(つまり、モデルとデータの相違が与えられ、疎度の測定がアーキテクチャの出力にある程度の補正を与えることができるかどうかを評価する)。 このように、合成データと実験データの両方を用いて、全ての特性場の正確な再構成をリアルタイムで行うことで、反応器のデジタルツインの枠組みにおいて、この手法は解釈可能な監視と制御の目的に適している。

関連論文リスト

• From Models To Experiments: Shallow Recurrent Decoder Networks on the DYNASTY Experimental Facility [3.422016133670755]
  ショート・リカレント・デコーダ・ネットワーク(Shallow Recurrent Decoder Network)は、状態推定のために最近導入された新しいパラダイムである。 この作業は、Shallow Recurrent Decoder アーキテクチャを、ミラノの Politecnico di Milano に構築された DYNASTY 施設に適用することを目的としている。 この研究の結果は、Shallow Recurrent Decoderアーキテクチャのエンジニアリングシステムへの検証を提供する。
  論文  参考訳（メタデータ） (2025-03-11T21:39:20Z)
• Towards Efficient Parametric State Estimation in Circulating Fuel Reactors with Shallow Recurrent Decoder Networks [3.422016133670755]
  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。
  論文  参考訳（メタデータ） (2025-03-11T21:32:28Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Leveraging arbitrary mobile sensor trajectories with shallow recurrent decoder networks for full-state reconstruction [4.243926243206826]
  LSTM(long, short-term memory)ネットワークやデコーダネットワークのようなシーケンス・ツー・ベクター・モデルでは,動的情報を全状態空間推定にマッピング可能であることを示す。 ネットワークアーキテクチャの例外的な性能は、3つのアプリケーションで実証される。
  論文  参考訳（メタデータ） (2023-07-20T21:42:01Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• A spatio-temporal LSTM model to forecast across multiple temporal and spatial scales [0.0]
  本稿では,環境データセットに適用した時系列予測のための新しい時空間LSTM(SPATIAL)アーキテクチャを提案する。 このフレームワークは、複数のセンサーにまたがって評価され、現在の速度、温度、溶存酸素の3つの異なる海洋変数に対して評価された。
  論文  参考訳（メタデータ） (2021-08-26T16:07:13Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。