Fast Uncertainty Quantification of Spent Nuclear Fuel with Neural Networks

要約

使用済み核燃料 (SNF) の特性の正確な計算と不確実性の定量化は、原子力エネルギーの生産、廃棄物管理、核保障措置の安全性、効率性、持続可能性を確保する上で重要な役割を果たします。
最先端の物理ベースのモデルは信頼性がありますが、計算量が多く、時間がかかります。
この論文では、ニューラル ネットワーク (NN) を使用して、物理ベースのモデルと比較して少ない計算コストで多くの SNF 特性を予測するサロゲート モデリング アプローチを紹介します。
NN は、CASMO5 格子計算から生成されたデータを使用してトレーニングされます。
訓練された NN は、濃縮度、燃焼度、サイクル間の冷却時間、平均ホウ素濃度、燃料温度などの主要な入力パラメータの関数として、SNF の崩壊熱と核種濃度を正確に予測します。
このモデルは、物理学に基づいた崩壊熱シミュレーションと、2 つの異なる加圧水型原子炉からの異なるウラン酸化物燃料集合体の測定に対して検証されています。
さらに、NN は感度分析と不確実性の定量化を実行するために使用されます。
結果は CASMO5 と非常によく一致しており、計算コスト (トレーニング サンプルの生成コストを考慮すると) は 10 分の 1 以上削減されます。
私たちの発見は、SNF の迅速な特性評価のための代理モデルとして NN を使用する実現可能性を実証し、核燃料の挙動と関連するリスクを評価する際の計算効率を向上させるための有望な手段を提供します。

要約(オリジナル)

The accurate calculation and uncertainty quantification of the characteristics of spent nuclear fuel (SNF) play a crucial role in ensuring the safety, efficiency, and sustainability of nuclear energy production, waste management, and nuclear safeguards. State of the art physics-based models, while reliable, are computationally intensive and time-consuming. This paper presents a surrogate modeling approach using neural networks (NN) to predict a number of SNF characteristics with reduced computational costs compared to physics-based models. An NN is trained using data generated from CASMO5 lattice calculations. The trained NN accurately predicts decay heat and nuclide concentrations of SNF, as a function of key input parameters, such as enrichment, burnup, cooling time between cycles, mean boron concentration and fuel temperature. The model is validated against physics-based decay heat simulations and measurements of different uranium oxide fuel assemblies from two different pressurized water reactors. In addition, the NN is used to perform sensitivity analysis and uncertainty quantification. The results are in very good alignment to CASMO5, while the computational costs (taking into account the costs of generating training samples) are reduced by a factor of 10 or more. Our findings demonstrate the feasibility of using NNs as surrogate models for fast characterization of SNF, providing a promising avenue for improving computational efficiency in assessing nuclear fuel behavior and associated risks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google