論文の概要: Assessment of Machine Learning-Based Critical Heat Flux Models in the CTF Subchannel Code for Square Rod Bundle Prediction

• arxiv url: http://arxiv.org/abs/2609.21995v1
• Date: Fri, 18 Sep 2026 16:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.196034
• Title: Assessment of Machine Learning-Based Critical Heat Flux Models in the CTF Subchannel Code for Square Rod Bundle Prediction
• Title（参考訳）: 正方形棒束予測のためのCTFサブチャネル符号における機械学習に基づく臨界熱流束モデルの評価
• Abstract要約: 臨界熱流束(CHF)の予測は、燃料性能と原子炉の安全性との直接的な関係から、依然として重要な課題である。 近年の研究では、機械学習(ML)手法がCHF予測精度を大幅に改善できることが示されている。 ほとんどのMLベースのCHFモデルは、管データベースを用いて開発・評価され、原子炉関連ロッドバンドルジオメトリへの適用性はほとんど調査されていない。
• 参考スコア（独自算出の注目度）: 2.440218746249738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of critical heat flux (CHF), a key safety-related quantity in nuclear thermal hydraulics, remains an important challenge due to its direct relationship with fuel performance and reactor safety. Recent studies have demonstrated that relative to traditional empirical correlations and lookup tables (LUTs), machine learning (ML) methods can substantially improve CHF prediction accuracy. Most ML-based CHF models, however, have been developed and evaluated using tube databases, leaving their applicability to reactor-relevant rod bundle geometries largely unexplored. This study evaluates ML-based CHF models deployed within the CTF subchannel code using the Electric Power Research Institute (EPRI) rod bundle CHF database. Both pure and hybrid residual correction models are considered in local and semilocal formulations. The tube-trained ML CHF models generally transferred favorably to rod bundle applications and outperformed traditional CHF methods across most geometries and operating conditions. The local hybrid LUT model produced the strongest overall performance, and the semilocal pure ML model remained highly competitive. Comparison against the Bowring correlation, W-3 correlation, and 2006 Groeneveld LUT demonstrated that substantial improvements in rod bundle CHF prediction are possible even when models are trained exclusively on tube data. These findings provide one of the first large-scale assessments of ML-based CHF models in square rod bundles within a production-level subchannel analysis environment and support their broader application in reactor thermal hydraulic analysis.
• Abstract（参考訳）: 臨界熱流束(CHF)の予測は、燃料性能と原子炉の安全性との直接的な関係から重要な課題である。 近年の研究では、従来の経験的相関やルックアップテーブル(LUT)と比較して、機械学習(ML)手法はCHF予測精度を大幅に向上させることができることが示されている。 しかし、ほとんどのMLベースのCHFモデルは、管データベースを用いて開発・評価され、原子炉関連ロッドバンドルジオメトリへの適用性はほとんど調査されていない。 本研究では,CTFサブチャネルコード内に展開するMLベースのCHFモデルについて,EPRIロッドバンドルCHFデータベースを用いて評価する。 局所的および半局所的な定式化では、純粋およびハイブリッドな残留補正モデルが考慮される。 チューブトレーニングされたMLCHFモデルは一般的に、ロッドバンドルの応用や、ほとんどの測地や運転条件における従来のCHF法よりも優れた性能を示した。 ローカルなハイブリッドLUTモデルが最も性能が優れ、半ローカルな純粋なMLモデルは高い競争力を維持した。 ボウリング相関,W-3相関,および2006年のGroeneveld LUTとの比較により,モデルが管データのみに基づいて訓練された場合でも,ロッドバンドルCHF予測の大幅な改善が可能であることが示された。 これらの結果は, 生産レベルのサブチャネル解析環境における正方形棒束におけるMLベースCHFモデルの最初の大規模評価の1つであり, 反応器熱水理解析におけるその広範な適用を支援するものである。

関連論文リスト

• Spectroscopy Analysis with Machine Learning Regression for the Quantification of Carbon and Nitrogen Contents in Inceptisol and Oxisol Soil Types: Comparing Different Preprocessing and Validation methods as well as Feature Importance [0.35971250637104313]
  近赤外分光法(NIR)は、従来の土壌分析法に代わる有望な方法として出現している。 本研究は,OxisolsおよびInceptisolsにおける炭素(C)および窒素(N)含有量の予測モデルを校正するための機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2026-07-01T11:54:44Z)
• Prediction of Critical Heat Flux in Rod Bundles Using Tube-Based Hybrid Machine Learning Models in CTF [6.7949074631455995]
  近年, 臨界熱流束(CHF)の予測が盛んに行われている。 フルスケールの原子炉コアシミュレーションでは、ロッドバンドルジオメトリを使用する必要がある。 本研究は,管型CHFデータを用いて学習した後,ロッドバンドルにおけるMLベースのCHF予測モデルの一般化について検討する。
  論文  参考訳（メタデータ） (2026-02-03T18:05:16Z)
• Robust Machine Learning Framework for Reliable Discovery of High-Performance Half-Heusler Thermoelectrics [0.0]
  機械学習(ML)は、環境危機に対処するための効率的な熱電(TE)材料発見を促進する。 MLモデルは、高いメトリクスにもかかわらず、しばしば実験的な一般化性に悩まされる。 本研究は、半ハウスラー(hH)構造プロトタイプに適用した頑健なワークフローを有益(zT)予測に適用する。
  論文  参考訳（メタデータ） (2026-02-01T10:50:42Z)
• Development and Deployment of Hybrid ML Models for Critical Heat Flux Prediction in Annulus Geometries [4.538224798436768]
  本研究は, CTFサブチャネル符号を用いて, 環状ジオメトリにおけるCHF予測のためのMLモデルを開発, 展開, 検証した。 経験的相関からベースラインCHF予測が得られ, 平均相対誤差は26%以上であった。 いずれの場合も、ハイブリッドMLモデルは経験的なモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-18T19:19:38Z)
• Deployment of Traditional and Hybrid Machine Learning for Critical Heat Flux Prediction in the CTF Thermal Hydraulics Code [4.538224798436768]
  臨界熱流束(CHF)予測は、効率、安全性、機器の損傷防止に不可欠である。 従来の機械学習アプローチは、解釈可能性の制限、データの不足、物理原理の知識不足に悩まされてきた。 本研究では、CTFサブチャネルコード内に、純粋にデータ駆動型MLモデルと2つのハイブリッドモデル(バイアスとボウリングCHF相関を用いた)を統合する。
  論文  参考訳（メタデータ） (2025-05-12T13:14:33Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。