Redes Neuronales Artificiales como Modelos Sustitutos para la Cuantificación de la Incertidumbre y la Asimilación de Datos en Estudios de Rendimiento de Combustible en 2-D/3-D
Autores: Fiorina, Carlo; Scolaro, Alessandro; Siefman, Daniel; Hursin, Mathieu; Pautz, Andreas
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Redes Neuronales Artificiales como Modelos Sustitutos para la Cuantificación de la Incertidumbre y la Asimilación de Datos en Estudios de Rendimiento de Combustible en 2-D/3-D
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Nuclear
Palabras clave
Investiga
Sustitutos basados en datos
Códigos de rendimiento de combustible
Modelos de rápida ejecución
Cuantificación de la incertidumbre
Técnicas de asimilación de datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Este documento investiga preliminarmente el uso de sustitutos basados en datos para códigos de rendimiento de combustible. El objetivo es desarrollar modelos de ejecución rápida que puedan ser utilizados en el marco de la cuantificación de la incertidumbre y estudios de asimilación de datos. En particular, las técnicas de asimilación de datos basadas en muestreo de Monte Carlo a menudo requieren realizar varios miles, o decenas de miles de cálculos. En estos casos, los requisitos computacionales pueden volverse rápidamente prohibitivos, especialmente para códigos en 2-D y 3-D. El documento analiza la capacidad de las redes neuronales artificiales para modelar la mecánica térmica en estado estacionario del combustible nuclear, asumiendo gases de fisión liberados, hinchazón, densificación y fluencia dados. Luego, se emplea una red neuronal optimizada y entrenada en un caso de asimilación de datos basado en el final de la primera rampa de los Conjuntos de Combustible Instrumentados IFPE 432.
Descripción
Este documento investiga preliminarmente el uso de sustitutos basados en datos para códigos de rendimiento de combustible. El objetivo es desarrollar modelos de ejecución rápida que puedan ser utilizados en el marco de la cuantificación de la incertidumbre y estudios de asimilación de datos. En particular, las técnicas de asimilación de datos basadas en muestreo de Monte Carlo a menudo requieren realizar varios miles, o decenas de miles de cálculos. En estos casos, los requisitos computacionales pueden volverse rápidamente prohibitivos, especialmente para códigos en 2-D y 3-D. El documento analiza la capacidad de las redes neuronales artificiales para modelar la mecánica térmica en estado estacionario del combustible nuclear, asumiendo gases de fisión liberados, hinchazón, densificación y fluencia dados. Luego, se emplea una red neuronal optimizada y entrenada en un caso de asimilación de datos basado en el final de la primera rampa de los Conjuntos de Combustible Instrumentados IFPE 432.