Virtual Sensing for Real-Time Degradation Monitoring of Nuclear Systems: Leveraging DeepONet for Enhanced Sensing Coverage for Digital Twin-Enabling Technology

要約

効果的なリアルタイム監視技術は、材料劣化を検出し、原子力システムの構造的完全性を維持して安全性と運用効率の両方を確保するために不可欠です。
従来の物理センサー システムは、設置の課題、高コスト、アクセスが困難な環境や過酷な環境での重要なパラメーターの測定の難しさなどの制限に直面しており、その結果、データ範囲が不完全になることがよくあります。
機械学習主導の仮想センサーは、物理センサーの機能を強化して、圧力、速度、乱流などの重要な劣化指標を監視することで、有望なソリューションを提供します。
しかし、従来の機械学習モデルは、原子炉データの高次元な性質と頻繁な再トレーニングの必要性により、リアルタイム監視に苦労しています。
この論文では、AP-1000 加圧水型原子炉 (PWR) のホット レグにおける主要な熱水力学的パラメーターを予測するための、デジタル ツイン (DT) フレームワーク内でのディープ オペレーター ネットワーク (DeepONet) の使用について検討します。
この研究では、DeepONet はさまざまな動作条件でトレーニングされ、継続的な再トレーニングの要件が緩和され、DT のオンラインおよびリアルタイム予測コンポーネントに適しています。
私たちの結果は、DeepONet が低い平均二乗誤差と相対 L2 誤差で正確な予測を達成し、従来の有限要素 (FE) シミュレーションよりも 160,000 倍高速に未知のデータの予測を実行できることを示しています。
この速度と精度により、DeepONet は材料劣化に寄与する状態をリアルタイムで追跡するための強力なツールとなり、原子炉の安全性と寿命が向上します。

要約(オリジナル)

Effective real-time monitoring technique is crucial for detecting material degradation and maintaining the structural integrity of nuclear systems to ensure both safety and operational efficiency. Traditional physical sensor systems face limitations such as installation challenges, high costs, and difficulties in measuring critical parameters in hard-to-reach or harsh environments, often resulting in incomplete data coverage. Machine learning-driven virtual sensors offer a promising solution by enhancing physical sensor capabilities to monitor critical degradation indicators like pressure, velocity, and turbulence. However, conventional machine learning models struggle with real-time monitoring due to the high-dimensional nature of reactor data and the need for frequent retraining. This paper explores the use of Deep Operator Networks (DeepONet) within a digital twin (DT) framework to predict key thermal-hydraulic parameters in the hot leg of an AP-1000 Pressurized Water Reactor (PWR). In this study, DeepONet is trained with different operational conditions, which relaxes the requirement of continuous retraining, making it suitable for online and real-time prediction components for DT. Our results show that DeepONet achieves accurate predictions with low mean squared error and relative L2 error and can make predictions on unknown data 160,000 times faster than traditional finite element (FE) simulations. This speed and accuracy make DeepONet a powerful tool for tracking conditions that contribute to material degradation in real-time, enhancing reactor safety and longevity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google