Tristructural isotropic (TRISO)-coated particle fuel is a robust nuclear fuel and determining its reliability is critical for the success of advanced nuclear technologies. However, TRISO failure probabilities are small and the associated computational models are expensive. We used coupled active learning, multifidelity modeling, and subset simulation to estimate the failure probabilities of TRISO fuels using several 1D and 2D models. With multifidelity modeling, we replaced expensive high-fidelity (HF) model evaluations with information fusion from two low-fidelity (LF) models. For the 1D TRISO models, we considered three multifidelity modeling strategies: only Kriging, Kriging LF prediction plus Kriging correction, and deep neural network (DNN) LF prediction plus Kriging correction. While the results across these multifidelity modeling strategies compared satisfactorily, strategies employing information fusion from two LF models consistently called the HF model least often. Next, for the 2D TRISO model, we considered two multifidelity modeling strategies: DNN LF prediction plus Kriging correction (data-driven) and 1D TRISO LF prediction plus Kriging correction (physics-based). The physics-based strategy, as expected, consistently required the fewest calls to the HF model. However, the data-driven strategy had a lower overall simulation time since the DNN predictions are instantaneous, and the 1D TRISO model requires a non-negligible simulation time.
翻译:(三) 利用多个 1D 和 2D 模型,我们使用积极学习、多纤维模型和子集模拟,估计TRISO燃料的失败概率。在多纤维模型中,我们用两种低纤维模型(LF)集成的信息取代昂贵的高纤维模型评估。对于1D TIRSO模型,我们考虑了三种多纤维模型战略:只有克里吉、克里金LF预测加克里金校正、深神经网络(DNN)LF预测加克里金校正。虽然这些多纤维模型战略的结果比较令人满意,但采用两种LF模型信息集成的战略却经常被称为高频模型。接着,在2DTRISO模型中,我们考虑了两种多纤维模型战略: DNF 模型和非纤维模型, 克里金LF预测加克里金校正校正、 IMF IMA IMLA IMA 和 IMF IMF IMI IML IMA IMLA IMA IMA IMU IML IML IM IM IM IMV IML IML IML IML IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IML IM IM IM IM IM IM IML IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM IM