高斯过程与不确定性量化在事故容忍燃料数字孪生的实际应用
摘要：数字孪生（DT）技术在核能领域的应用是未来核能发展的挑战之一。数字孪生技术在核能领域的可能应用非常广泛：操作商业核反应堆，监测废燃料存储和处置设施，以及开发新的核能系统。美国核管委员会（NRC）最近宣布，机器学习（ML）和人工智能（AI）将成为核能领域的新领域。从数据科学角度考虑，高斯过程（GP）已被证明是数字孪生框架中用于建模和模拟组件的机器学习算法，特别适用于事故耐受燃料（ATF）概念。ATF是美国能源部（DOE）和NRC的优先领域之一。GP对ATF概念中存在的缺乏数据、缺失数据和数据不一致性（有噪声/错误数据）的处理方法使其成为数字孪生框架中吸引人的机器学习算法。本章重点介绍了GP的实际演示及其在数字孪生框架中预测ATF方面的适用性。
作者：Kazuma Kobayashi, Dinesh Kumar, Matthew Bonney, Syed Alam
论文ID：2210.07495
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2022-10-17