深度神经算子驱动的核系统实时推断以实现数字孪生方案
机器学习
2024-04-30 v2 机器学习
统计计算
摘要
本文关注深度神经算子（DeepONet）作为核能源系统数字孪生（DT）中鲁棒代理建模方法的可行性。通过基准测试与评估，本研究展示了 DeepONet 在求解具挑战性的粒子输运问题中的泛化能力与计算效率。DeepONet 还展现出卓越的预测精度与速度，优于传统 ML 方法，使其成为实时 DT 推断的合适算法。然而，DeepONet 的应用也揭示了与最优传感器布置和模型评估相关的挑战，这些是实际部署的关键方面。应对这些挑战将进一步提升该方法的实用性与可靠性。总体而言，DeepONet 呈现为一种有前景且具有变革性的核工程研究与应用工具。其精确预测与计算高效能力可革新 DT 系统，推进核工程研究。本研究标志着在关键工程领域利用代理建模技术力量的重要一步。
引用
@article{arxiv.2308.07523,
title = {Deep Neural Operator Driven Real Time Inference for Nuclear Systems to Enable Digital Twin Solutions},
author = {Kazuma Kobayashi and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2308.07523},
year = {2024}
}