論文の概要: A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation

• arxiv url: http://arxiv.org/abs/2604.02663v1
• Date: Fri, 03 Apr 2026 02:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.291885
• Title: A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation
• Title（参考訳）: パラメータ化物理インフォームドニューラルネットワークとFDMを結合した熱・油圧系シミュレーションの数値解法
• Authors: Jeesuk Shin, Donggyun Seo, Sihyeong Yu, Joongoo Jeon,
• Abstract要約: MELCORのようなシステムレベルのコードを用いた重大事故解析は、核安全性評価には不可欠である。 既存のサロゲートモデルはこれらの解析を加速するが、大量のシミュレーションデータに依存する。 物理インフォームドニューラルネットワーク(PINN)は、データフリーなトレーニングを可能にするが、問題パラメータの変更毎に再トレーニングする必要がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Severe accident analysis using system-level codes such as MELCOR is indispensable for nuclear safety assessment, yet the computational cost of repeated simulations poses a significant bottleneck for parametric studies and uncertainty quantification. Existing surrogate models accelerate these analyses but depend on large volumes of simulation data, while physics-informed neural networks (PINNs) enable data-free training but must be retrained for every change in problem parameters. This study addresses both limitations by developing the Parameterized PINNs coupled with FDM (P2F) method, a node-assigned hybrid framework for MELCOR's Control Volume Hydrodynamics/Flow Path (CVH/FP) module. In the P2F method, a parameterized Node-Assigned PINN (NA-PINN) accepts the water-level difference, initial velocity, and time as inputs, learning a solution manifold so that a single trained network serves as a data-free surrogate for the momentum conservation equation across all flow paths without retraining. This PINN is coupled with a finite difference method (FDM) solver that advances the mass conservation equation at each time step, ensuring exact discrete mass conservation while replacing the iterative nonlinear momentum solve with a single forward pass. Verification on a six-tank gravity-driven draining scenario yields a water level mean absolute error of $7.85 \times 10^{-5}$ m and a velocity mean absolute error of $3.21 \times 10^{-3}$ m/s under the nominal condition with $Δt = 1.0$ s. The framework maintains consistent accuracy across time steps ranging from 0.2 to 1.0 s and generalizes to five distinct initial conditions, all without retraining or simulation data. This work introduces a numerical coupling methodology for integrating parameterized PINNs with FDM within a nuclear thermal-hydraulic system code framework.
• Abstract（参考訳）: 核安全性評価にはMELCORなどのシステムレベルのコードを用いた重大な事故解析が不可欠であるが、繰り返しシミュレーションの計算コストはパラメトリック研究や不確実性定量化に重大なボトルネックとなる。 既存のサロゲートモデルはこれらの分析を加速するが、大量のシミュレーションデータに依存するが、物理インフォームドニューラルネットワーク(PINN)はデータなしのトレーニングを可能にするが、問題パラメータの変更ごとに再訓練する必要がある。 本研究では,パラメータ化PINNとFDM(P2F)を併用した,MELCOR制御ボリューム流体力学/フローパス(CVH/FP)モジュールのためのノード割り当てハイブリッドフレームワークを開発した。 P2F法において、パラメータ化ノード割り当てPINN(NA-PINN)は、水位差、初期速度、および入力としての時間を受け入れることにより、単一のトレーニングされたネットワークが、リトレーニングなしですべてのフローパスをまたいだ運動量保存方程式のデータフリーサロゲートとして機能するように、解多様体を学習する。 本発明のPINNは、有限差分法(FDM)解決器と結合し、各時点における質量保存方程式を前進させ、反復非線形運動量解を1つの前方通過に置き換えつつ、正確に離散的な質量保存を確保する。 6タンクの重力駆動排水シナリオの検証により、水位平均絶対誤差は7.85 時間 10^{-5}$ m となり、速度平均絶対誤差は3.21 時間 10^{-3}$ m/s となる。 このフレームワークは0.2秒から1.0秒までの時間段階にわたって一貫した精度を維持し、再トレーニングやシミュレーションデータなしで5つの異なる初期条件に一般化する。 本研究は, パラメータ化PINNをFDMに統合する数値結合手法を核熱水和システムコードフレームワークに導入する。

関連論文リスト

• Estimating Dense-Packed Zone Height in Liquid-Liquid Separation: A Physics-Informed Neural Network Approach [35.66975292316149]
  重力開拓地における液体-液体分散の分離は、化学、医薬品、リサイクルプロセスにおいて重要である。 密集したゾーンの高さは重要な性能と安全性の指標であるが、しばしば高価であり、測定することができない。 安価な体積流量測定のみを用いて位相高さを推定することを提案する。
  論文  参考訳（メタデータ） (2026-01-26T11:57:28Z)
• FNODE: Flow-Matching for data-driven simulation of constrained multibody systems [4.734933620065242]
  Flow-Matching Neural Ordinary Differential Equation (FNODE)は、軌道データから直接加速ベクトル場を学習するフレームワークである。 FNODEは、従来のNeural ODEのボトルネックを表すODEソルバによるバックプロパゲーションの必要性を排除する。 我々はFNODEを,単発・三発のマススプリングダンパシステム,ダブル振り子,スライダークランク,カートポールなど,多種多様なベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-08-29T18:31:11Z)
• Node Assigned physics-informed neural networks for thermal-hydraulic system simulation: CVH/FL module [0.0]
  原子力発電所の重大事故(SA)は、MELCORやMAAPのような熱水和物(TH)システムコードを用いて分析されている。 本研究の目的は,物理インフォームドニューラルネットワーク(PINN)を用いたTHシステムの新しい数値計算法を開発することである。
  論文  参考訳（メタデータ） (2025-04-23T06:17:04Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• Transfer learning-based physics-informed convolutional neural network for simulating flow in porous media with time-varying controls [0.0]
  多孔質媒質中の二相流をシミュレートする物理インフォームド畳み込みニューラルネットワークを提案する。 有限体積スキームは流れの方程式を識別するために用いられる。 N ノイマン境界条件は半離散方程式にシームレスに組み込まれる。
  論文  参考訳（メタデータ） (2023-10-10T05:29:33Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• 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。