A Novel Assessment of Delayed Neutron Detector Data in CANDU Reactors
Notice bibliographique
Résumé
Abstract A common opportunity for nuclear power plant operators is ensuring that routinely collected data are fully leveraged. Exploiting data analytics can enable improvements in anomaly detection and condition monitoring by identifying previously unseen data trends and correlations without major financial investment. One such opportunity is in facilitating the detection of fuel defects by augmenting the delayed neutron (DN) monitoring system deployed in the majority of Canada deuterium uranium (CANDU) reactors. In this paper, we demonstrate using archive data that the detection of fuel defects can be accelerated using this system in combination with the use of a deeper historical dataset and the introduction of a smoothing algorithm. The current defect identification process relies on the analysis of data of high variance and is subject to the judgment of a domain expert, resulting in variable defect identification periods. The proposed approaches seek to mitigate this and alleviate the variable identification time. Initial results presented here show that for an initial batch of 30 defects, identification periods can be meaningfully reduced compared to the current process, with defects potentially visible on an average of 11.4 days earlier. By shortening this identification period, fuel containing defects can be scheduled for earlier removal, reducing the risk of statutory shutdown obligations, protecting personnel, and promoting industry best practice. Exploring a historical dataset identifies previously undocumented trends and we discuss the potential to produce correlations with other reactor parameters. The application of this knowledge can lead to opportunities in the use of machine learning algorithms and, ultimately, more accurate predictions.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».