一种用于热导率建模的机器学习方法：以辐照铀钼核燃料为例
材料科学
2019-01-04 v1 计算物理
摘要
我们开发了一个深度神经网络用于预测热导率，并以中子辐照核燃料为案例进行研究。传统的热导率建模方法依赖于描述中子辐照过程中已知的、相关的微观结构演化现象（如再结晶、孔隙尺寸、分布与形貌）的现有理论框架。然而，当前的经验建模方法并不能很好地代表所有辐照试验数据。在此，我们开发了一种不要求特定材料微观结构和目标系统先验知识的机器学习热导率建模方法。我们的方法使研究人员能够探究热导率对各种反应堆运行和材料条件的依赖关系。构建此类模型的目的是提升对目标系统（此处为辐照核燃料）中结构-性能-工艺-表现关系的预测能力，从而改进实验测试规划与表征。铀钼体系是本研究工作的燃料体系，历史辐照试验数据被用于模型开发。我们的模型在验证数据集上达到了约4%的平均绝对百分比误差（采用留一交叉验证方法时）。结果表明我们的模型对未见数据具有良好的泛化能力，因此利用深度学习方法从有限的历史辐照试验数据中进行材料性能预测是一种可行途径。
引用
@article{arxiv.1901.00722,
title = {A machine learning approach to thermal conductivity modeling: A case study on irradiated uranium-molybdenum nuclear fuels},
author = {Elizabeth Kautz and Alexander Hagen and Jesse Johns and Douglas Burkes},
journal= {arXiv preprint arXiv:1901.00722},
year = {2019}
}