基于神经网络实现乏燃料特性的快速不确定性量化
机器学习
2023-08-17 v1
摘要
乏燃料(SNF)特性的准确计算与不确定性量化在保障核能生产、废物管理及核保障的安全性、效率与可持续性方面起着关键作用。最先进的基于物理的模型虽然可靠，但计算密集且耗时。本文提出一种使用神经网络(NN)的代理建模方法，以相比基于物理的模型更低的计算成本预测若干 SNF 特性。NN 使用由 CASMO5 栅元计算生成的数据进行训练。训练后的 NN 可依据富集度、燃耗、循环间冷却时间、平均硼浓度和燃料温度等关键输入参数，准确预测 SNF 的衰变热与核素浓度。该模型针对基于物理的衰变热模拟以及来自两台不同压水堆的多种氧化铀燃料组件测量值进行了验证。此外，该 NN 被用于执行敏感性分析与不确定性量化。结果与 CASMO5 高度一致，而计算成本(计入生成训练样本的成本)降低了 10 倍或更多。我们的发现证明了使用 NN 作为代理模型快速表征 SNF 的可行性，为提升核燃料行为及相关风险评估的计算效率提供了一条有前景的途径。
引用
@article{arxiv.2308.08391,
title = {Fast Uncertainty Quantification of Spent Nuclear Fuel with Neural Networks},
author = {Arnau Albà and Andreas Adelmann and Lucas Münster and Dimitri Rochman and Romana Boiger},
journal= {arXiv preprint arXiv:2308.08391},
year = {2023}
}