MARC

 008250123s2024        us                              c    eng  d
■001000017162859
■00520250211152104
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382741093
■035    ▼a(MiAaPQ)AAI31349061
■035    ▼a(MiAaPQ)umichrackham005379
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a539.76
■1001  ▼aLaFleur,  Brandon.
■24510▼aDevelopment  and  Assessment  of  Machine  Learning  Techniques  for  Non-Intrusive  Probabilistic  Surrogate  Modeling  of  High-Fidelity  Nuclear  Reactor  Simulations
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a228  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Manera,  Annalisa.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aWith  the  continuing  advancement  of  computational  resources,  high-fidelity  simulations  of  neutron  transport  play  an  increasingly  important  role  in  the  design  and  analysis  of  nuclear  reactor  cores.  Because  of  the  inherent  non-linear  interdependency  of  the  flux  solution  on  the  coolant  properties,  neutron  transport  solvers  are  often  coupled  to  subchannel  thermal-hydraulics  or  computational  fluid  dynamic  solvers  to  capture  the  necessary  physics.  The  challenges  present  in  numerical  simulations  required  for  nuclear  reactor  design,  specifically  the  high  computational  cost  and  dimensionality  encountered,  are  not  unique  to  nuclear  engineering.  A  full-order  model  is  often  expensive  to  evaluate  in  many  engineering  disciplines,  particularly  if  the  governing  equations  contain  non-linear  terms.  The  discretization  of  these  partial  differential  equations  leads  to  large  systems  of  coupled  equations.  This  limitation  has  led  to  the  development  and  deployment  of  reduced-order  modeling  techniques.  For  decades,  reduced-order  models  (ROM)  have  experienced  a  wide  variety  of  successes  in  many  fields  and  have  been  demonstrated  for  a  wide  range  of  applications.  These  techniques  are  not  typically  applied  in  the  nuclear  engineering  field,  particularly  in  production  environments.  Importantly,  they  have  not  been  applied  to  high-fidelity  multiphysics  simulations  of  nuclear  reactors.  This  work  investigates  the  current  state-of-the-art  of  ROMs  and  investigates  their  applicability  to  commonly  encountered  nuclear  reactor  design  applications.  Specifically,  multi-stage  convolutional  neural  network-based  ROMs  and  the  newly  proposed  Non-Linear  Independent  Dual  System  (NIDS)  algorithm.  The  following  chapters  contain  a  discussion  of  traditional  intrusive  projection-based  ROMs  and  works  its  way  to  non-intrusive  neural  network-based  ROM  methods.  This  work  includes  discussions  on  the  theory,  merits,  challenges,  and  limitations  associated  with  various  methodologies.  Furthermore,  the  uncertainty  associated  with  reducing  high-dimensional  multiphysics  problems  is  quantified  using  probabilistic  modeling  techniques  combined  with  neural  network-based  ROMs.  Specifically,  variational  inference  approaches  were  applied  to  the  ROMs.  Using  current  state-of-the-art  methods  in  non-intrusive  ROMs,  coupled  with  variational  inference  methods,  ROMs  are  developed  for  two  representative  classes  of  nuclear  engineering  problems.  The  first  application  is  a  coupled  MPACT/CTF  model  representing  a  single-assembly  configuration  experiencing  a  reactivity  insertion  accident  via  rod  ejection.  The  state  variables  of  interest  are  time-dependent  relative  pin  powers.    The  second  application  is  a  3D  quarter-core  MC21  depletion  model.  The  state  variables  of  interest  are  isotopic  depletion  trajectories.  The  performance  of  associated  ROMs  are  assessed  to  evaluate  the  efficacy  of  using  non-intrusive  neural  network-based  ROMs  in  production  design  environments.  In  all  contexts  analyzed,  NIDS  methods  are  shown  to  outperform  convolutional  neural  network-based  algorithms  for  nuclear  engineering  applications  and  perform  to  a  level  acceptable  in  certain  production  design  environments.  Finally,  a  new  Python  package,  Parody,  is  introduced  to  facilitate  the  assessment  of  ROMs  and  its  potential  use  for  further  study  of  ROMs  for  nuclear  applications  is  presented  and  discussed.
■590    ▼aSchool  code:  0127.
■650  4▼aNuclear  engineering
■650  4▼aNuclear  physics
■650  4▼aComputational  physics
■653    ▼aReduced  order  modeling
■653    ▼aSurrogate  modeling
■653    ▼aDiscretization  independent
■653    ▼aNuclear  reactor  design
■653    ▼aReactivity  insertion  accident
■653    ▼aNonlinear  dimensionality  reduction
■690    ▼a0552
■690    ▼a0756
■690    ▼a0216
■71020▼aUniversity  of  Michigan▼bNuclear  Engineering  &  Radiological  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162859▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서