基于耦合主动学习、多保真度建模与子集模拟的先进核燃料可靠性估计
应用统计
2022-01-07 v1 统计计算
机器学习
摘要
三结构各向同性(TRISO)包覆颗粒燃料是一种稳健的核燃料,确定其可靠性对于先进核技术的成功至关重要。然而,TRISO 失效概率很小且相关计算模型代价高昂。我们使用耦合主动学习、多保真度建模与子集模拟,借助若干一维和二维模型估计 TRISO 燃料的失效概率。通过多保真度建模,我们用来自两个低保真度(LF)模型的信息融合替代了昂贵的高保真度(HF)模型评估。对于一维 TRISO 模型,我们考虑了三种多保真度建模策略:仅 Kriging、Kriging LF 预测加 Kriging 修正,以及深度神经网络(DNN) LF 预测加 Kriging 修正。尽管这些多保真度建模策略的结果比较令人满意,但采用来自两个 LF 模型信息融合的策略一致地最少调用 HF 模型。接下来,对于二维 TRISO 模型,我们考虑两种多保真度建模策略:DNN LF 预测加 Kriging 修正(数据驱动)和一维 TRISO LF 预测加 Kriging 修正(基于物理)。正如预期,基于物理的策略一致地需要最少次数的 HF 模型调用。然而,数据驱动策略具有更低的总体模拟时间,因为 DNN 预测是瞬时的,而一维 TRISO 模型需要不可忽略的模拟时间。
引用
@article{arxiv.2201.02172,
title = {Reliability Estimation of an Advanced Nuclear Fuel using Coupled Active Learning, Multifidelity Modeling, and Subset Simulation},
author = {Somayajulu L. N. Dhulipala and Michael D. Shields and Promit Chakroborty and Wen Jiang and Benjamin W. Spencer and Jason D. Hales and Vincent M. Laboure and Zachary M. Prince and Chandrakanth Bolisetti and Yifeng Che},
journal= {arXiv preprint arXiv:2201.02172},
year = {2022}
}