An Overview of AI Methods for in-Core Fuel Management: Tools for the Automatic Design of Nuclear Reactor Core Configurations for Fuel Reload, (Re)arranging New and Partly Spent Fuel
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An important aspect of managing a nuclear reactor is how to design refuellings, and from the 1980s to the present different artificial intelligence (AI) techniques have been applied to this problem. A section of the reactor core resembles a symmetrical grid; long fuel assemblies are inserted there, some of them new, some of them partly spent. Rods of “burnable poisons” dangle above, ready to be inserted into the core, in order to stop the reactor. Traditionally, manual design was made by shuffling positions in the grid heuristically, but AI enabled to automatically generate families of candidate configurations, under safety constraints, as well as in order to optimize combustion, with longer cycles of operation between shutdown periods, thus delaying the end-of-cycle point (except in France, where shutdown is on an annual basis, and Canada, where individual fuel assemblies are replaced, with no need for shutdown for rearranging the entire batch). Rule-based expert systems, the first being FUELCON,1 were succeeded by projects combining neural and rule-based processing (a symbolic-to-neural compilation of rules we did not implement), and later on, genetic algorithms in FUELGEN.2 In the literature, one also comes across the application of fuzzy techniques, tabu search, cellular automata and simulated annealing, as well as particle swarms. Safety regulations require simulating the results using a parameter prediction tool; this is done using either nodal algorithms, or neural processing.
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.
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 | 0,001 | 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 | 0,001 |
| 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 découle