論文の概要: Multifidelity Surrogate Modeling of Depressurized Loss of Forced Cooling in High-temperature Gas Reactors
- arxiv url: http://arxiv.org/abs/2603.14143v1
- Date: Sat, 14 Mar 2026 22:20:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.628964
- Title: Multifidelity Surrogate Modeling of Depressurized Loss of Forced Cooling in High-temperature Gas Reactors
- Title（参考訳）: 高温ガス炉における強制冷却の減圧損失の多相サロゲートモデル
- Authors: Meredith Eaheart, Majdi I. Radaideh,
- Abstract要約: 多忠実サロゲートモデルは、様々な解像度のシミュレーションからの情報を組み合わせることでコスト削減のアプローチを提供する。
CFDモデルがアンシスフルエントで開発され、各忠実度レベルで1000のシミュレーションサンプルが生成される。
- 参考スコア（独自算出の注目度）: 0.15469452301122175
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: High-fidelity computational fluid dynamics (CFD) simulations are widely used to analyze nuclear reactor transients, but are computationally expensive when exploring large parameter spaces. Multifidelity surrogate models offer an approach to reduce cost by combining information from simulations of varying resolution. In this work, several multifidelity machine learning methods were evaluated for predicting the time to onset of natural circulation (ONC) and the temperature after ONC for a high-temperature gas reactor (HTGR) depressurized loss of forced cooling transient. A CFD model was developed in Ansys Fluent to generate 1000 simulation samples at each fidelity level, with low and medium-fidelity datasets produced by systematically coarsening the high-fidelity mesh. Multiple surrogate approaches were investigated, including multifidelity Gaussian processes and several neural network architectures, and validated on analytical benchmark functions before application to the ONC dataset. The results show that performance depends strongly on the informativeness of the input variables and the relationship between fidelity levels. Models trained using dominant inputs identified through prior sensitivity analysis consistently outperformed models trained on the full input set. The low- and high-fidelity pairing produced stronger performance than configurations involving medium-fidelity data, and two-fidelity configurations generally matched or exceeded three-fidelity counterparts at equivalent computational cost. Among the methods evaluated, multifidelity GP provided the most robust performance across input configurations, achieving excellent metrics for both time to ONC and temperature after ONC, while neural network approaches achieved comparable accuracy with substantially lower training times.
- Abstract（参考訳）: 高忠実度計算流体力学(CFD)シミュレーションは原子炉過渡現象の解析に広く用いられているが、大きなパラメータ空間を探索する際には計算コストがかかる。
多忠実サロゲートモデルは、様々な解像度のシミュレーションからの情報を組み合わせることでコスト削減のアプローチを提供する。
本研究は, 高温ガス炉 (HTGR) における自然循環開始時間とONC後の温度を予測するための多要素機械学習手法について検討した。
CFDモデルをアンシスフルエントで開発し,高忠実度メッシュを体系的に粗くすることで,各忠実度レベルで1000個のシミュレーションサンプルを生成する。
マルチ忠実なガウス過程やいくつかのニューラルネットワークアーキテクチャを含む複数のサロゲートアプローチを調査し、ONCデータセットに適用される前に分析ベンチマーク関数で検証した。
その結果,入力変数の有意性や忠実度の関係に強く依存していることが示唆された。
先行感度分析によって同定された支配的な入力を用いて訓練されたモデルは、完全な入力セットで訓練されたモデルよりも一貫して優れていた。
低比重と高比重のペアリングは中比重のデータを含む構成よりも高い性能を示し、2比重の構成は3比重と等価な計算コストで一致または超えた。
評価した手法の中で、マルチファイダリティGPは入力構成間で最も堅牢な性能を提供し、ONC以降のONCとONC以降の温度の両方で優れた測定値を実現した。
関連論文リスト
- Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。
このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。
GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文 参考訳（メタデータ） (2026-02-13T04:38:51Z) - Assessing the performance of correlation-based multi-fidelity neural emulators [0.0]
マルチファイダリティニューラルエミュレータは、限られた高フィダリティデータと豊富な低フィダリティモデルソリューションを統合することで、入出力マッピングを学習するように設計されている。
本研究では,高忠実度データと豊富な低忠実度モデル解を統合することで,入力から出力へのマッピングを学習するためのニューラルネットワークである多忠実度ニューラルネットワークエミュレータの性能について検討する。
論文 参考訳（メタデータ） (2025-12-02T15:31:21Z) - Uncertainty Quantification for Multi-fidelity Simulations [0.0]
この研究は,Nektar++とXFOILを用いて,高忠実度および低忠実度数値シミュレーションデータを収集することに焦点を当てている。
リフトとドラッグの係数の計算における高い分布の利用は、精度と精度に優れていた。
不確かさ定量化における高忠実度数値シミュレーションの信頼性を最小化するために,多忠実度戦略が採用されている。
論文 参考訳（メタデータ） (2025-03-11T13:11:18Z) - Multifidelity Simulation-based Inference for Computationally Expensive Simulators [7.065679767112407]
MF-(TS)NPEは、トランスファーラーニングを用いて安価な低忠実度シミュレーションを利用する、神経後部推定のための多忠実なアプローチである。
A-MF-TSNPEは,密度推定器の予測不確かさを目標とした取得関数を用いた逐次変種である。
論文 参考訳（メタデータ） (2025-02-12T13:59:22Z) - MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。
従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
論文 参考訳（メタデータ） (2024-08-11T10:24:53Z) - Temporally Consistent Koopman Autoencoders for Forecasting Dynamical Systems [38.36312939874359]
時間的に一貫したクープマンオートエンコーダ(tcKAE)を導入する。
tcKAEは、限られたノイズの多いトレーニングデータであっても、正確な長期予測を生成する。
我々は、様々なテストケースにおいて、最先端のKAEモデルよりもtcKAEの優れた性能を実証的に示す。
論文 参考訳（メタデータ） (2024-03-19T00:48:25Z) - Multi-fidelity prediction of fluid flow and temperature field based on
transfer learning using Fourier Neural Operator [10.104417481736833]
本研究では,フーリエニューラル演算子に基づく新しい多要素学習手法を提案する。
トランスファーラーニングパラダイムの下では、豊富な低忠実度データと限られた高忠実度データを使用する。
提案した多忠実度モデルの精度を検証するために,3つの典型的な流体および温度予測問題を選択する。
論文 参考訳（メタデータ） (2023-04-14T07:46:03Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。