利用带注意力机制与 Inception 模块的多尺度 DenseNet 回归在介观尺度建模裂变气体释放
介观与纳米尺度物理
2023-10-31 v2 无序系统与神经网络
机器学习
摘要
核燃料中裂变气体释放（FGR）的介观模拟为理解微观结构演化如何影响 FGR 提供了有力工具，但计算密集。在本研究中，我们提出一种替代的数据驱动方法，利用深度学习从二维核燃料微观结构图像预测瞬时 FGR 通量。四种带多尺度回归的卷积神经网络（CNN）架构在采用混合相场/团簇动力学模型生成的模拟 FGR 数据上训练与评估。所有四个网络均显示出高预测能力， 值高于 98%。性能最优的网络结合了卷积块注意力模块（CBAM）与 InceptionNet 机制，在极低瞬时 FGR 通量值上提供了更优的精度（平均绝对百分比误差 4.4%）、训练稳定性与鲁棒性。
引用
@article{arxiv.2310.08767,
title = {Modeling Fission Gas Release at the Mesoscale using Multiscale DenseNet Regression with Attention Mechanism and Inception Blocks},
author = {Peter Toma and Md Ali Muntaha and Joel B. Harley and Michael R. Tonks},
journal= {arXiv preprint arXiv:2310.08767},
year = {2023}
}
备注
Submitted at Journal of Nuclear Materials, 20 pages, 10 figures, 3 tables