Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification

要約

臨界熱流束は、熱伝達と成分の温度と性能への影響により、沸騰システムモデリングの重要な量です。
この研究では、ドライアウトの場合の原子炉の重要な熱流束の予測における機械学習と物理ベースのモデルを組み合わせた不確実性対応ハイブリッドモデリングアプローチの開発と検証を調査します。
2つの実証的相関、バイアシとボウリングは、深いニューラルネットワークアンサンブル、ベイジアンニューラルネットワーク、およびディープガウスプロセスの3つの機械学習の不確実性定量化技術で採用されました。
ベースモデルのない純粋な機械学習モデルは、比較のためのベースラインとして機能しました。
この調査では、パリティプロット、不確実性分布、およびキャリブレーション曲線を使用した、豊富なトレーニングデータシナリオの両方でモデルのパフォーマンスと不確実性を調べます。
結果は、特に豊富なデータシナリオで、Biasiハイブリッドディープニューラルネットワークアンサンブルが最も有利なパフォーマンス（1.846％の平均相対誤差と安定した不確実性推定値）を達成したことを示しています。
ベイジアンニューラルネットワークモデルは、わずかに高い誤差と不確実性を示しましたが、優れたキャリブレーションを示しました。
対照的に、ほとんどのメトリックによってパフォーマンスが低いディープガウスプロセスモデル。
すべてのハイブリッドモデルは、純粋な機械学習構成を上回り、データ不足に対する抵抗を示しています。

要約(オリジナル)

Critical heat flux is a key quantity in boiling system modeling due to its impact on heat transfer and component temperature and performance. This study investigates the development and validation of an uncertainty-aware hybrid modeling approach that combines machine learning with physics-based models in the prediction of critical heat flux in nuclear reactors for cases of dryout. Two empirical correlations, Biasi and Bowring, were employed with three machine learning uncertainty quantification techniques: deep neural network ensembles, Bayesian neural networks, and deep Gaussian processes. A pure machine learning model without a base model served as a baseline for comparison. This study examines the performance and uncertainty of the models under both plentiful and limited training data scenarios using parity plots, uncertainty distributions, and calibration curves. The results indicate that the Biasi hybrid deep neural network ensemble achieved the most favorable performance (with a mean absolute relative error of 1.846% and stable uncertainty estimates), particularly in the plentiful data scenario. The Bayesian neural network models showed slightly higher error and uncertainty but superior calibration. By contrast, deep Gaussian process models underperformed by most metrics. All hybrid models outperformed pure machine learning configurations, demonstrating resistance against data scarcity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google