Nükleer Yakıtlarda Swelling Meydan Muharebesi

Nükleer yakıt boru hatları, düşük nötron absorpsiyon kesitleri ve uygun mekanik özellikleri nedeniyle yaygın olarak kullanılır, ancak yüksek nötron flora ve yüksek sıcaklıklara karşı, bu malzemeler, reradiasyon-indüklenmiş şişme işlemi olarak bilinen önemli hacimsel genişlemeye maruz kalır.Bu fenomen, düşük nötron absorlusları ve kontraksiyonları nedeniyle yaygın olarak kullanılmaktadır.

Konvansiyonel yaklaşımlar, sıcaklık rampalarının sinerjik etkilerini yakalamak ve çok değişkenli davranışları işlemek için kullanılan hataların stoksal doğasını daha fazla karmaşık hale getirmek için genellikle endüstriden elde edilir ve daha yüksek yanlıtlara ve ileri görüşlü malzemelere doğru hareket eder, çok değişkenli araçları tahmin etmek için talep eder.

Malzemenin Mekanizmaları

Makine öğrenme çözümleri keşfetmeden önce, alt temel fiziği anlamak önemlidir. Nükleer yakıtda maküla etmek üç birincil mekanizma tarafından yönlendirilir:

Void Nucleation ve Büyüme

Neutron atomları lattice sitelerinden uzaklaştırır, vacancies ve öz-interstisals yaratır. Havalimanları için tipik olarak (300-400 °C) boş hacimler için orantılıdır, vacancies mobil hale gelir ve üç boyutlu boşluklara göre kümelenebilir, bu boşluklar ek vacanzisler, ki geçiciler yersiz boşluklar veya tahıl sınırlarında absorbe edilebilir.

Gaz

Gaz gazları (örneğin, xenon, krypton) yakıtın içindeki sıvı yağlar iç yüzeye yayılabilir veya doğrudan transmutasyon yoluyla üretilir.Inert gaz atomları metal matrixte düşük çözünürlükte ve daha fazla gaz atomuna zarar verebilir.

Disloka Çevrimi ve Precipitate Effects

Irradiation ayrıca, Zircaloy'daki boşlukları da ortaya çıkarabilir. Boşluk ve dislokasyon döngüsü evrimi arasındaki rekabet, boyutlarına ve spacingiğe bağlı olarak şişirme veya aşırılık sağlar.Bu mikroyapısal özellikler doz ve sıcaklık ile birlikte, şişirme yanıtını yüksek dereceden bağımsız hale getirebilir.

Geleneksel Modelleme Yaklaşımlarının Sınırlandırılması

Zircaloy-4 için yaygın kullanılan "Siegfried" korelasyon gibi, nötron floritesinin ve sıcaklıkların polinom fonksiyonu olarak şişirme.Bilinçli ucuzken, bu modeller birkaç dezavantajı vardır:

  • [FONT=0)Narrow geçerli domain:[Dönetici:[Dönetici:0) Belirli alaşım kompozisyonları, ısı tedavileri ve irradiasyon koşulları için kalibre edilmişlerdir. Test matrisinin ötesinde Ekstrapolasyon büyük hatalara yol açabilir.
  • [FONT:0] Tarih etkilerini görmezden gelmek: [Dönetici: 1) Swelling bir devlet işlevi değildir; tüm termal ve flux tarihine bağlıdır. Empirical genellikle monoton bir geri çekilme, güç değişikliklerini veya kapatma etkisini göz ardı eder.
  • [FONT:0) Mikroyapısal geri bildirim: [Dönetici: 1) Zayıflığa bağlı olarak şişirme popülasyonlarına bağlantı kurmadan şişirmeli bir parametre olarak tedavi ederler.Bu, yüksek dozlarda gözlemlenen hızlanan şişirme (kırık şişlik) tahmin etme yeteneğinin sınırlamaktadır.

Fizik tabanlı modeller, hız teorisi veya küme dinamikleri gibi, hata evrimi diferansiyel denklemler kullanarak simüle eder. Bu yaklaşımlar veriye dayalı yöntemlerin girişlerini gerektirir (örneğin, göç enerjileri, güçlü yönleri) bu nedenle, onları uzun zaman ölçekleri üzerinde çözülür (yıllar) ve iyi bir şekilde uzaysal karar ile çözülür.

Makine Öğrenmesi Öngörücü Bir Çerçeve Olarak

Makine öğrenme teknikleri denetimsiz, denetimsiz ve güçlendirmeli bir öğrenme haline getirilebilir.Sürekli regresyon modelleri en alakalıdır. Hedef, giriş özelliklerinden bir harita öğrenmektir (örneğin, nötron florans, sıcaklık, alaşım kompozisyon) hedef değişkenine kadar (daha fazla regresyon veya karar ağaçları gibi basit modeller kullandı.

Data Sources and Feature Engineering

ML başarısında kritik bir faktör eğitim verilerinin kalitesi ve kapsamıdır. Üç birincil veri kaynağı kullanılır:

  • [FONT=0)Post-irradiation sınav (PIE) veritabanı: [Döneticileri ve ticari bitkilerden gelen Tarihsel ölçümler, genellikle IAEA'nın Uluslararası Yakıt Performansı Veritabanı veya ABD NRC'nin NUREG raporları gibi depolar. Bu veriler genellikle birkaç yüz ila birkaç bin veri noktası içerir, fluence, sıcaklık, yanıp, şişirme ve şişirme gibi.
  • [FONT=0) Yüksek sadakat simülasyonları: [Döneticileri (MD) veya küme dinamik simülasyonlar, deneysel olarak çoğaltmak zor olabilecek çok çeşitli koşullar içeren sentetik veriler üretir.
  • [FONT:0)Operasyonel veriler:[[Dönetici:0) Online izleme parametreleri (örneğin, serin sıcaklık, nötron detektör sinyalleri) gerçek dünya koşulları altında davranışın geçiş sonrası ölçümlerle ilişkilendirilebilir.

Özel mühendislik önemlidir. "zaman sıcaklık" gibi girişler, speratif sıcaklıklara dönüştürülmelidir, flux-averaged sıcaklık ve muhtemelen zaman türevleri rampa etkilerini yakalamaya yönelik olarak kodlanabilir. Domain bilgisi, sıcaklık değişkenliği sayısı veya sıcaklık azaltımı gibi özellikler dahil edilebilir.

Model Mimarileri

Birkaç ML mimarisi başarıyla uygulandı:

  • [FONT:0]Random Ormanları: [Dönerge olmayan ağaçlarla çalışan ve önemli puanlar sunmak için en fazla ağırlıkmetre ayarını gerektirmez.Seks için, rastgele ormanlar genellikle 0.2-0.5% şişme anlamına gelir, bu da ampirasyonel korelasyonlarla rekabet eder.
  • [FONT:0)Depres Vector Regresyon (SVR): ) Akışı daha yüksek boyutlu alana haritalamak için çekirdek fonksiyonları kullanır. SVR küçük veri setlerinde iyi çalışır, ancak çekirdek seçimine duyarlı olabilir. Radial temel işlevleri şişirme verileri için yaygındır.
  • [FONT:0) Deep Neural Networks (DNNs): [DNNS 1: 3 gizli katmanlarla ilgili çok katmanlı perceptrons, karmaşık etkileşimleri yakalayabilir. Örneğin, üç gizli katman (64, 128, 64 nöron) ve ReLU aktivasyonu ile DNN, kombine simülasyon ve deneysel veriler üzerinde eğitilmiştir, ancak DNN'ler düzenli olarak dikkatli bir şekilde ölçüm gerektirir.
  • [FONT:0)Gradient Boosting Machines (e.g., XGBoost, LightGBM): ) Önceki ağaçların doğru oturma alanlarını düzelten ağaçları inşa ediyor.Bu genellikle rastgele ormanlar doğrulukta değil, erken duraklamasanız daha fazla dikkat çekiyor.

Gelişen bir trend, bilinen fizikle tutarlı olmak, veri-parça bölgelerindeki genelleştirmenin kullanılmasıdır (PINN)), bu da, sabit olmayan eğim dinamiklerinin bozulmasıyla ilgili öngörüler.

Eğitim, Geçerlilik ve Belirsizlik Sayımı

Proper model değerlendirme, verileri eğitime, doğrulamaya ve test setlerine bölmek için -steçli strator veya reaktör tipine sızıntıdan kaçınmak için gerekli olan standarttır. Cross-validation (k-fold) küçük veri setleri için standarttır. Çünkü şişme ölçümler doğal olarak belirsizdir (tipik olarak ±0.1-0.3%).

Güçlü bir ML akışı da hassas analizleri içerir. Özel önem puanlar (kahkaha bazlı modeller) veya Shapleyk katkı maddeleri (SHAP) hangi faktörlerin en fazla şişmesini tespit edebilir. Araştırmalar sürekli olarak nötron florite ve sıcaklık baskın olduğunu gösterir, ancak Zircaloy-4'te teneke içerik yüksek yanmada makul olmayan etkilere sahiptir.

Swelling Prediction için Makine Öğrenmesinin Faydaları

ML-güdümlü tahminlerin saf olarak ampirik veya analitik yöntemler üzerindeki avantajları önemlidir:

  • [FONT:0)Speed:[Dönetici:[Dönetici: 1 ) Bir kez eğitilmiş, bir ML modeli saniyede milyonlarca koşulu değerlendirebilir, gerçek zamanlı temel izleme veya senaryo analizine izin verebilir. Bu, küme dinamik simülasyonlarla karşılaştırıldığında, tek bir zaman tarihi için saatler sürebilir.
  • [FONT=0)Pattern keşif:[Dönetici:[Dönetici:0)[Dönetici:0)Pattern keşif:[Dönetici:[Dönetici: 1 ) ML, iz elementlerin etkisi gibi, alaşım geliştirmeyi yönlendirebilir.
  • [FONT:0)Kontinuous iyileştirme: [Dönetici:[Dönetici:0) Yeni PIE verileri mevcut olduğu gibi, modeller tam yeniden eğitim olmadan artarak güncellenebilir.Bu, tahmin edilebilirliği veya gelişen operasyonel uygulamaları üretmeye uyum sağlar.
  • [FONT:0) Dijital ikizlerle ilgili olarak, Bir ML tabanlı şişme modeli, dijital ikiz bir performansta bir bileşen olarak hizmet edebilir, sensör verilerine dayanan gerçek zamanlı tahminler sağlar.

Meydan Sorunları ve Açık Sorunlar

Bu yararlarına rağmen, ML'den önce birkaç engel nükleer yakıtda güvenlik-kahkır tahminlerine tamamen güvenilebilir:

Data Scarcity ve Imbalance

Deneysel şişme verileri değerli ve genellikle özeldir. Kamu veritabanları birkaç bin örnekten daha az içerir ve birçok koşul (örneğin, yüksek flora, yüksek sıcaklık) bu tür sparse verileri üzerinde eğitilmiş modeller kötüleşmiştir. Data augmentation via Physics- simulations or jeneratif adversa ağları (GANs) aktif bir araştırma alanıdır.

yorumlanabilirlik ve Düzenleme Kabul

Nükleer düzenleyiciler, güvenlik analizleri için şeffaf, fiziksel bir neden gerektirir. Yüksek doğrulukla şişiren siyah kutu sinir ağı, tahminleri açıklayabilirse de yine de reddedilebilir. Efforts to buildÖRDÜŞÜNCÜŞÜNCÜŞÜNCÜŞÜNCÜ:0) gerekli izlenebilirlik sağlar.

Robustness Under Shifts in Dağıtımları

Bir reaktör türünden veri üzerinde eğitilmiş bir model (örneğin, Batı basıncılı su reaktörleri) farklı alt alanlara eğitim veren birçok modelde iyi performans göstermeyebilir (örneğin, Rus VVER) tahminleri aynı fikirde olmadığı zaman tahminleri ölçebilir. Domain adaptasyon teknikleri, örneğin, paraversarial eğitim veya transfer öğrenme gibi. Alternatif olarak, farklı alt alanlarda eğitim gören birçok modelde eğitim gören birçok modelde eğitim gören bir belirsizlik sağlayabilir.

Mevcut Simülasyon Kodları ile entegrasyon

Mevcut yakıt performans kodları (örneğin, FRAPCON, TRANSURANUS) kod yapısında derin bir şekilde gömülüp, ML modelleriyle bunları sayısal istikrarsızlıktan kaçınmaya özendirmek için dikkatli bir darbe gerektirir.

Future Yol Tarifi

Alan hızla gelişmektedir. Birkaç umut verici avenues bir sonraki şişlik tahminleyicilerini şekillendirmek olasıdır:

Fizik-Inform Deep Learning

Not olarak, PINNs fiziksel yasaları (örneğin, nokta kusurlarının korunması) yumuşak kısıtlamalarla sonuçlanabilir. Son çalışma, fizik varsayımlarını gelen verilere dayanarak güncellemek için "dijital ikiz" verebilir.

Aktif Öğrenme

Veri kıtlığı aşmak için, aktif öğrenme stratejileri, hangi deneylerin bir sonraki çalışmasına öncelik verebilir. ML modelinin belirsizlik tahminleri tahmin edilebilirliği en azaltacak koşulları seçmesine yol açabilir. Bu, yeni alaşımları doğrulamak için gerekli olan pahalı gerileme testlerini azaltabilir, malzeme yeterliliklerini hızlandırabilir.

İlgili Phenomena'dan Transfer Öğrenme

Daha büyük bir veri kümesi üzerinde eğitim öncesi ölçümler, küçük bir öğrenme oranı ile sınırlı şişirme verileriyle ilgili olarak, bu, iyon reradiasyon deneyleri gibi daha fazla bilgiden yararlanılabilir.

Güvenlik Vakaları için Belirsiz Sayılar

Gelecek düzenleyici kabul muhtemelen titiz belirsizlik ölçümüne bağlı olacaktır. Bayesian derin öğrenme, Gaussian süreci regresyon veya benzeyen yöntemler olasılıksal tahminler üretebilir. Bunlar, tasarım sınırlarına karşı tahmin edilen şişme dağılımı ile karşılaştırılabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi, basit bir şekilde basitleştirilmiş, çok faktörlü etkileşimlerin veri kalitesinin, yorumlanabilirliğin ve alan değişimini tahmin etmek için güçlü bir yanlı sunar.Demokratlı mimarilerden doğrudan öğrenerek, aktif öğrenme ve analitik yöntemlere doğru doğru doğru doğrulanabilir, pratik araçlar.Bu yöntemler olgun olarak, basitleştirilmiş enerji tasarımının güvenliğini ve verimliliğini artırma söz konusu olduğunda, daha yüksek yanmalı, daha uzun süre araştırmayı mümkün kılar ve doğru bir şekilde doğru bir şekilde öğrenme hedefi olan proaktif bir yöntem olarak gerçekleştirir.

[0] Daha fazla okuma için Dış kaynaklar:

  • [FONT:0) Nükleer Yakıt Simülasyonu Üzerine Kaynak Kılavuzu[Dönem: 1 )
  • [FONT=0)Nuclear Technology Journal – data-güdümlü yakıt modelleme makaleler[Dönemli:0]
  • [FONT:0) Yüksek Flux Isotope Reaktör Oak Ridge Ulusal Laboratuarda - deneysel şişme çalışmaları ).