論文の概要: A Methodology for Thermal Limit Bias Predictability Through Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2603.14648v1
- Date: Sun, 15 Mar 2026 23:06:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.941227
- Title: A Methodology for Thermal Limit Bias Predictability Through Artificial Intelligence
- Title（参考訳）: 人工知能による熱限界バイアス予測方法
- Authors: Anirudh Tunga, Michael J. Mueterthies, Jonathan Nistor,
- Abstract要約: 原子力発電所の運用者は、オフラインとオンラインの熱の限界が予測できないほどずれているため、課題に直面している。
この研究は、ボイリングウォーターリアクタに対して、このバイアスを予測し、修正するためのディープラーニングベースの方法論を提示します。
このモデルでは、平均結節配列誤差を74%減らし、制限値の平均絶対偏差を72%減らし、最大偏差を52%減らした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Nuclear power plant operators face significant challenges due to unpredictable deviations between offline and online thermal limits, a phenomenon known as thermal limit bias, which leads to conservative design margins, increased fuel costs, and operational inefficiencies. This work presents a deep learning based methodology to predict and correct this bias for Boiling Water Reactors (BWRs), focusing on the Maximum Fraction of Limiting Power Density (MFLPD) metric used to track the Linear Heat Generation Rate (LHGR) limit. The proposed model employs a fully convolutional encoder decoder architecture, incorporating a feature fusion network to predict corrected MFLPD values closer to online measurements. Evaluated across five independent fuel cycles, the model reduces the mean nodal array error by 74 percent, the mean absolute deviation in limiting values by 72 percent, and the maximum bias by 52 percent compared to offline methods. These results demonstrate the model's potential to meaningfully improve fuel cycle economics and operational planning, and a commercial variant has been deployed at multiple operating BWRs.
- Abstract（参考訳）: 原子力発電所の運用者は、オフラインとオンラインの熱限界の予測不可能なずれにより、保守的な設計マージン、燃料コストの増大、運用不効率につながる熱限界バイアスと呼ばれる現象に直面する。
本研究は, 沸騰水反応器(BWR)におけるこのバイアスを予測し, 補正するための深層学習手法を提案する。
提案モデルでは,完全畳み込み型エンコーダデコーダアーキテクチャを採用し,オンライン計測に近い修正MFLPD値を予測する機能融合ネットワークを組み込んだ。
5つの独立した燃料サイクルで評価され、平均結節配列誤差を74%、制限値の平均絶対偏差を72%、最大偏差を52%削減する。
これらの結果は、このモデルが燃料サイクル経済と運用計画を有意義に改善する可能性を示し、商用の派生機が複数のBWRに配備されている。
関連論文リスト
- Accurate Network Traffic Matrix Prediction via LEAD: a Large Language Model-Enhanced Adapter-Based Conditional Diffusion Model [41.23125529149133]
本稿では,交通行列をRGB画像に変換する条件拡散モデルLEADを提案する。
また,拡散モデルを誘導し,複雑な動的ネットワークトラフィックを生成するDual-Conditioning Strategyを提案する。
AbileneとGEANTデータセットの実験では、LEADがすべてのベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2026-01-29T09:16:05Z) - Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。
サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。
さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
論文 参考訳（メタデータ） (2025-12-27T14:00:22Z) - To Compress or Not? Pushing the Frontier of Lossless GenAI Model Weights Compression with Exponent Concentration [46.63567524455431]
低精度浮動小数点フォーマットは、遅延化オーバーヘッドを伴わずに安定性、メモリ節約、ハードウェア効率を提供する。
本稿では,エントロピー対応エンコーディングとGPU最適化デコーディングを備えた圧縮フレームワークであるExponent-Concentrated FP8(ECF8)を提案する。
LLMとDiTの最大671Bパラメータの実験では、最大26.9%のメモリ節約と177.1%のスループット加速が示されている。
論文 参考訳（メタデータ） (2025-10-03T02:22:13Z) - Partially stochastic deep learning with uncertainty quantification for model predictive heating control [0.0]
モデル予測制御(MPC)は、予測モデルを用いて建物が学習した熱挙動に基づいて加熱を最適化することで、欠点に対処する。
MPCソリューションは、物理にインスパイアされた簡易な室内温度モデルを使用し、堅牢性と解釈可能性の精度を犠牲にする。
本研究では,建物固有の室内温度モデリングのための深層学習アーキテクチャLSTM+BNNを提案する。
論文 参考訳（メタデータ） (2025-04-04T11:07:23Z) - Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation [1.9997803560872798]
電力エレクトロニクス用のデジタルツインは、実世界の応用では直接測定が非現実的または不可能な正確な電力損失を必要とする。
本稿では,物理に基づく熱モデルとデータ駆動の手法を組み合わせることで,温度測定のみを用いて電力損失を正確に検出・補正するハイブリッドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-31T18:37:14Z) - Estimating City-wide Operating Mode Distribution of Light-Duty Vehicles: A Neural Network-based Approach [9.412151450938504]
本稿では,動作モード分布を推定するモジュール型ニューラルネットワーク(NN)に基づくフレームワークを提案する。
アメリカ合衆国ブルックラインMAのよく校正されたマイクロシミュレーションモデルを用いて検証した。
提案手法は, 迅速かつ正確な排出推定を行うことにより, リアルタイムの排出監視に利用することができる。
論文 参考訳（メタデータ） (2025-03-28T03:43:04Z) - AI Enabled Neutron Flux Measurement and Virtual Calibration in Boiling
Water Reactors [0.0]
原子炉コア内の3次元の電力分布を正確に把握することは、原子炉の安全かつ経済的操作を保証するために不可欠である。
機械学習(ML)は、メンテナンスコストの削減、オンラインローカル電力測定の精度の向上、オフラインとオンライン電力分布間のバイアスの低減に使用されている。
論文 参考訳（メタデータ） (2024-09-25T22:30:09Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。