論文の概要: A Deep Learning-based surrogate model for Severe Accidents in nuclear reactors using ASTEC

• arxiv url: http://arxiv.org/abs/2607.04450v1
• Date: Sun, 05 Jul 2026 18:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.939933
• Title: A Deep Learning-based surrogate model for Severe Accidents in nuclear reactors using ASTEC
• Title（参考訳）: ASTECを用いた原子炉事故の深層学習に基づく代理モデル
• Abstract要約: 事故源条件評価コード(ASTEC)は、原子炉における重大事故の物理を研究するための強力なツールである。 SAシミュレータはシミュレーションに最大で数日かかり、リアルタイムアプリケーションでは使用できない。 高速深層学習(DL)サロゲートモデル(SM)を用いたSAシミュレータの高速化方法を示す。
• 参考スコア（独自算出の注目度）: 42.9434097275489
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Integral codes like the Accident Source Term Evaluation Code (ASTEC) are powerful tools to study the physics of Severe Accidents (SAs) in nuclear reactors. Real time SA simulators can also be helpful in training operators of nuclear plants to react correctly to malfunctions. However, SA simulators can take up to several days per simulation, making their use infeasible for real time applications. In this work we show how to speed up a SA simulator with a fast, Deep Learning based (DL), surrogate model (SM). The SM is built as a combination of a dimensionality reduction stage, via an AutoEncoder, and a time-stepping stage, via a Neural Ordinary Differential Equation. The data on which the SM is trained are obtained from the ASTEC simulator, by sampling a set of operator actions for station blackout (SBO) and loss-of-coolant accidents (LOCA). The objective of the developed SM is to approximate multiple spatio-temporal fields for the thermal-hydraulic physics, core degradation, and fission product release modules in ASTEC's vessel domain. The SM predicts simultaneously around $80$ different physical variables (both scalar and fields), maintaining a stable autoregressive rollout up to $50$ thousand time steps. In addition, the AutoEncoder achieves a dimensionality reduction by a factor of over $300$, which allows the SM to predict up to $40$ hours of simulation in under a minute, both on CPU and GPU. This work is the first study of the capabilities and limits of DL based surrogate modeling in approximating the challenging, highly non-linear physics of ASTEC.
• Abstract（参考訳）: 事故源条件評価コード(ASTEC)のような統合コードは、原子炉における重大事故の物理を研究するための強力なツールである。 リアルタイムSAシミュレータは、プラントのオペレーターが故障に正しく反応するように訓練するのにも有用である。 しかし、SAシミュレータはシミュレーションに最大で数日かかり、リアルタイムアプリケーションでは利用できない。 本研究では,高速化されたディープラーニングベース(DL),サロゲートモデル(SM)を用いて,SAシミュレータを高速化する方法を示す。 SMは、オートエンコーダ(AutoEncoder)とニューラル正規微分方程式(Neural Ordinary Differential Equation)によるタイムステッピングステージ(time-stepping stage)の組合せとして構築されている。 ASTECシミュレータから、ステーションブラックアウト(SBO)と冷却損失事故(LOCA)の一連の操作動作をサンプリングし、SMをトレーニングしたデータを得る。 本研究の目的は, ASTECの容器領域における熱・油圧物理, コア劣化, 核分裂生成物放出モジュールについて, 複数の時空間場を近似することである。 SMは80ドル前後の物理変数(スカラーとフィールドの両方)を同時に予測し、安定な自動回帰ロールアウトを最大50ドルまでのタイムステップで維持する。 さらにAutoEncoderは,CPUとGPUの両方で,最大40ドルのシミュレーションを1分以内で予測可能な,300ドル以上のファクタの次元削減を実現している。 この研究は、ASTECの困難で高度に非線形な物理を近似するDLベースの代理モデリングの能力と限界に関する最初の研究である。

関連論文リスト

• Machine Learning-Driven Chemical Reactor Network Modeling of the Sandia-D Flame [0.0]
  乱流燃焼シミュレーションは多くの科学・工学系にとって不可欠である。 等価反応器ネットワーク(ERN)アプローチは、多次元乱流シミュレーションをより安価な0-Dと1-Dの反応器に置き換えることで、計算効率を向上させる。 本研究では,サンディアD乱流メタン/空気火炎のERNを構築するための機械学習支援フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-06-01T22:52:12Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization [3.5962288595735896]
  本稿では,電力変圧器のオンターン短絡故障(ITSCF)局在化のためのフレームワークを提案する。 SISAメソッドはトレーニングデータをシャードとスライスに分割し、各データポイントの影響を分離する。 シミュレーションした ITSCF 条件の実験により,提案手法は完全再トレーニングとほぼ同一の診断精度を達成できることを示した。
  論文  参考訳（メタデータ） (2026-03-07T00:49:21Z)
• Distributed computing for physics-based data-driven reduced modeling at scale: Application to a rotating detonation rocket engine [0.0]
  本稿では,極大次元のスパースデータセットから学習した予測物理ベースのROMを高速かつスケーラブルに構築する分散メモリアルゴリズムを提案する。 我々は、シミュレーションされた物理時間の1ミリ秒がスーパーコンピュータ上で100万コア時間を必要とする実世界の3次元RDREに焦点を当てる。
  論文  参考訳（メタデータ） (2024-07-13T20:17:41Z)
• Scientific Machine Learning Based Reduced-Order Models for Plasma Turbulence Simulations [0.0]
  本稿では, プラズマ乱流シミュレーションのための非侵襲的科学機械学習 (SciML) 還元次数モデル (ROM) について検討する。 我々は,演算子推論(OpInf)に着目し,そのようなシミュレーションデータから低コストな物理ベースのROMを構築する。
  論文  参考訳（メタデータ） (2024-01-11T15:20:06Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting [71.50844437057555]
  軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。 シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。 このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
  論文  参考訳（メタデータ） (2022-03-19T07:27:19Z)
• Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning [0.0]
  部分スケールの予測は多くの小規模シミュレーションを必要とする。 LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。 我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
  論文  参考訳（メタデータ） (2022-02-02T17:24:16Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Efficient Transformers in Reinforcement Learning using Actor-Learner Distillation [91.05073136215886]
  「Actor-Learner Distillation」は、大容量学習者モデルから小容量学習者モデルへ学習の進捗を移す。 Actor-Learner Distillation を用いて,トランスフォーマー学習モデルの明確なサンプル効率向上を再現する,いくつかの挑戦的なメモリ環境を実証する。
  論文  参考訳（メタデータ） (2021-04-04T17:56:34Z)

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。