Comparison of probabilistic and deterministic error propagation calculations in DRAGON
Notice bibliographique
Résumé
One of the major goal of lattice calculations is to evaluate cell homogenized and few group condensed cross sections for finite reactor calculations. However, there is no general provision in most lattice codes to take into account the impact of lattice property uncertainties (enrichment, temperature, density) on the final cross sections. Here we propose two different approaches to resolve this problem. The first approach is probabilistic in nature and relies on probability distribution functions to generate perturbations in the cell properties that can then be analyzed using the lattice code. The uncertainties in the cross section are then inferred from these calculations using a statistical analysis. The perturbative calculations can be performed using two different techniques: the direct technique where a new transport solution is obtained for each perturbation and the generalized perturbation theory (GPT) technique where the perturbed cross sections are evaluated approximately using perturbation theory methods. The second approach we will consider is deterministic and uses the GPT method to evaluate the sensitivity coefficients required for error propagation calculations. These two approaches are compared to assess their relative performance for error propagation calculations. Here fuel and coolant temperature perturbations for a simple PWR fuel pin are considered. Our analysis shows that the results, obtained using the deterministic approach, are very similar to the reference probabilistic results but with a considerable CPU gain. Using an approximate rather than an exact flux solution for the probabilistic approach has only a very small impact on the error predictions and has much smaller impact on the CPU requirements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».