Several applications such as nuclear forensics, nuclear fuel cycle simulations and sensitivity analysis require methods to quickly compute spent fuel nuclide compositions for various irradiation histories. Traditionally, this has been done by interpolating between one-group cross-sections that have been pre-computed from nuclear reactor simulations for a grid of input parameters, using fits such as Cubic Spline. We propose the use of Gaussian Processes (GP) to create surrogate models, which not only provide nuclide compositions, but also the gradient and estimates of their prediction uncertainty. The former is useful for applications such as forward and inverse optimization problems, the latter for uncertainty quantification applications. For this purpose, we compare GP-based surrogate model performance with Cubic- Spline-based interpolators based on infinite lattice simulations of a CANDU 6 nuclear reactor using the SERPENT 2 code, considering burnup and temperature as input parameters. Additionally, we compare the performance of various grid sampling schemes to quasirandom sampling based on the Sobol sequence. We find that GP-based models perform significantly better in predicting spent fuel compositions than Cubic-Spline-based models, though requiring longer computational runtime. Furthermore, we show that the predicted nuclide uncertainties are reasonably accurate. While in the studied two-dimensional case, grid- and quasirandom sampling provide similar results, quasirandom sampling will be a more effective strategy in higher dimensional cases.


翻译:核法证、核燃料循环模拟和敏感度分析等若干应用方法要求迅速计算各种辐照历史的乏燃料核素成分。 传统上,这是通过从核反应堆模拟中为输入参数网格预先计算出来的一组交叉剖面之间的相互交错而完成的。 我们提议使用高森进程(GP)来创建代金模型,不仅提供核素成分,而且提供其预测不确定性的梯度和估计值。 前者对前方和反面优化问题等应用有用,而后者则用于不确定性量化应用。 为此,我们用SERPENT 2 代码来将基于核反应堆6 的无穷不粘度模拟的GP-S-Spline 模型性能与基于CUbic-Spline的内切分解剖面模型进行对比,将燃烧和温度作为输入参数。 此外,我们将各种电网取样方法的性能与基于索伯尔序列的准兰取样方法进行对比。 我们发现,基于GP-NBO的基取样模型在预测的精确度模型中,虽然需要更精确的精确的精确度模型,但我们的精确性模型在预测中进行更精确的计算。

0
下载
关闭预览

相关内容

【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Learning to Weight for Text Classification
Arxiv
8+阅读 · 2019年3月28日
Arxiv
3+阅读 · 2018年6月18日
Arxiv
6+阅读 · 2018年2月28日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
5+阅读 · 2017年9月8日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员