Estimation of Flow-Accelerated Corrosion Rate in Nuclear Piping System
Notice bibliographique
Résumé
Abstract Flow-accelerated corrosion (FAC) is a life-limiting factor for the piping network of the primary heat transport system (PHTS) in CANDU® reactors. The pipe wall thinning caused by FAC is monitored by carrying out periodic in-service inspections (ISI) to ensure the fitness-for-service of the piping system. Accurate prediction of the lifetime of various components in the PHTS piping network requires estimation of FAC thinning rate. The traditional Bayesian inference techniques commonly employed for parameter estimation are computationally costly. This paper presents an inexpensive and intuitive simulation-based Bayesian approach to FAC rate estimation, called approximate Bayesian computation using Markov chain Monte Carlo (ABC-MCMC). ABC-MCMC is a likelihood-free Bayesian computation scheme that generates samples directly from an approximate posterior distribution by simulating data sets from a forward model. The efficiency of ABC-MCMC is demonstrated by presenting a comparison with a likelihood-based Bayesian computation scheme, Metropolis-Hastings (MH) algorithm, using a practical data-based example. Furthermore, an innovative step has been proposed for reducing the Markov chain burn-in time in the proposed scheme. To indicate the need of a Bayesian approach in quantifying the uncertainties related to the FAC model parameters, results from the linear regression method, a common industrial approach, are also presented in this study. The numerical results show a notable reduction in computational time, suggesting that ABC-MCMC is an efficient alternative to the traditional Bayesian inference methods, specifically for handling noisy degradation data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».