基于深度神经算子的虚拟传感数字孪生框架用于核系统实时监测
机器学习
2024-12-02 v2 人工智能
摘要
实时监测是数字孪生技术的基石,对于检测材料退化、维护核系统结构完整性以及确保安全性和运行效率至关重要。传统物理传感器面临安装挑战、成本高昂以及在恶劣环境中难以测量关键参数等问题,常常导致数据覆盖不足。在数字孪生框架内,由机器学习驱动的虚拟传感器能够增强物理传感器的能力,以监测压力、速度和湍流等关键退化指标,从而提供变革性的解决方案。然而,由于反应堆数据的高维特性以及频繁重新训练的需求,传统机器学习模型难以实现实时监测。本文引入深度算子网络(DeepONet)作为数字孪生框架的核心组件,用于预测 AP-1000 压水堆(PWR)热腿段的关键热工水力参数。DeepONet 能够准确映射运行条件与空间分布系统行为之间的复杂关系,可作为动态虚拟传感器。在本研究中,DeepONet 在不同运行条件下进行训练,减少了对连续重新训练的需求,使其适用于数字孪生的实时预测组件。结果表明,DeepONet 实现了高精度的预测,具有较低的均方误差和相对 L2 误差,验证了其作为核系统数字孪生实时监测虚拟传感器的有效性。
关键词
引用
@article{arxiv.2410.13762,
title = {Virtual Sensing-Enabled Digital Twin Framework for Real-Time Monitoring of Nuclear Systems Leveraging Deep Neural Operators},
author = {Raisa Bentay Hossain and Farid Ahmed and Kazuma Kobayashi and Seid Koric and Diab Abueidda and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2410.13762},
year = {2024}
}