論文の概要: Enhancing Nuclear Reactor Core Simulation through Data-Based Surrogate Models

• arxiv url: http://arxiv.org/abs/2511.16148v1
• Date: Thu, 20 Nov 2025 08:41:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.535371
• Title: Enhancing Nuclear Reactor Core Simulation through Data-Based Surrogate Models
• Title（参考訳）: データベースサロゲートモデルによる原子炉コアシミュレーションの強化
• Authors: Perceval Beja-Battais, Alain Grossetête, Nicolas Vayatis,
• Abstract要約: 本稿では,原子炉炉心シミュレーションを強化するための代替シミュレーション手法として,2つの代理モデルを提案する。 データ駆動モデルと物理インフォームドモデルの両方が、計算時間が非常に少ない複雑な力学を迅速に統合できることを示す。
• 参考スコア（独自算出の注目度）: 2.680173240079266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, there has been an increasing need for Nuclear Power Plants (NPPs) to improve flexibility in order to match the rapid growth of renewable energies. The Operator Assistance Predictive System (OAPS) developed by Framatome addresses this problem through Model Predictive Control (MPC). In this work, we aim to improve MPC methods through data-driven simulation schemes. Thus, from a set of nonlinear stiff ordinary differential equations (ODEs), this paper introduces two surrogate models acting as alternative simulation schemes to enhance nuclear reactor core simulation. We show that both data-driven and physics-informed models can rapidly integrate complex dynamics, with a very low computational time (up to 1000x time reduction).
• Abstract（参考訳）: 近年,再生可能エネルギーの急速な成長に対応するため,原子力発電所(NPP)の柔軟性向上の必要性が高まっている。 Framatome が開発したオペレータ支援予測システム (OAPS) はモデル予測制御 (MPC) を通じてこの問題に対処する。 本研究では,データ駆動型シミュレーション手法によるMPC手法の改良を目指す。 そこで本研究では, 非線形剛性常微分方程式(ODE)の集合から, 炉心シミュレーションを強化するための代替シミュレーションスキームとして機能する2つの代理モデルを提案する。 データ駆動モデルと物理インフォームドモデルの両方が、非常に低い計算時間(最大1000倍の時間短縮)で、複雑な力学を迅速に統合できることを示す。

関連論文リスト

• Operator Learning for Power Systems Simulation [9.317239577584411]
  オペレータ学習(Operator Learning)は、関数間のマッピングを学習する機械学習手法のファミリーである。 時間領域シミュレーションは電力系統の安定性と動的性能を研究・向上するための重要なツールである。 本稿では、粗い時間ステップで訓練されたモデルから微細分解能力学への一般化を可能にするシミュレーション時間ステップ不変性の概念について検討する。
  論文  参考訳（メタデータ） (2025-10-09T21:10:35Z)
• Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture [0.003710987587629279]
  我々は,周期的境界条件を考慮したU-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを開発した。 我々はこのモデルを用いて,生体内血管新生の研究に用いる機械的セルラーポッツモデルの評価を高速化する。
  論文  参考訳（メタデータ） (2025-05-01T05:30:38Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• No MCMC for me: Amortized sampling for fast and stable training of energy-based models [62.1234885852552]
  エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。 本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。 次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
  論文  参考訳（メタデータ） (2020-10-08T19:17:20Z)

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。