高斯过程结合不确定性量化与敏感性分析在数字孪生事故容错燃料中的实际应用
医学物理
2022-10-17 v1
摘要
将数字孪生（DT）技术应用于核领域是未来核能发展的挑战之一。DT 技术在核领域的潜在应用预期极为广泛：运行商用核反应堆、监测乏燃料贮存与处置设施，以及开发新型核系统。正如美国核监管委员会（NRC）近期所宣布，机器学习（ML）与人工智能（AI）将成为核领域的新兴方向。从数据科学视角看，高斯过程（GP）已被证明是数字孪生框架中用于建模与仿真的机器学习算法，尤其适用于事故容错燃料（ATF）概念。ATF 是美国能源部（DOE）与 NRC 共同关注的高优先级领域之一。GP 对 ATF 概念中普遍存在的数据缺乏、数据缺失及数据不一致（含噪/错误数据）的固有处理能力，使其成为在 DT 框架中极具吸引力的机器学习算法。本章聚焦于 GP 的实用演示及其在预测 ATF 的 DT 框架中的适用性。
引用
@article{arxiv.2210.07495,
title = {Practical Applications of Gaussian Process with Uncertainty Quantification and Sensitivity Analysis for Digital Twin for Accident Tolerant Fuel},
author = {Kazuma Kobayashi and Dinesh Kumar and Matthew Bonney and Syed Alam},
journal= {arXiv preprint arXiv:2210.07495},
year = {2022}
}