Coupled CLASS and DONJON5 3D full-core calculations and comparison with the neural network approach for fuel cycles involving MOX fueled PWRs
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
The scenario code CLASS relies on infinite assembly simulation to predict fuel actinide inventories at exit burnup. In the current work, we replace these assembly calculations by full-core simulations and evaluate the impact on actinide inventories predicted by CLASS. To achieve this goal, we generate neural network training databanks for CLASS using the lattice code DRAGON5. For UOX fuels, the databanks are sampled stochastically for exit burnup, moderator boron concentration and uranium 235 enrichment while for MOX fuels an eight-dimensional grid is sampled that also accounts for plutonium and americium-241 initial contents. DRAGON5 is used to generate the databases for DONJON5 3D full-core diffusion calculations in CLASS. Results obtained using neural networks CLASS and DONJON5/CLASS calculations are then compared to assess the different assumptions used in classical scenario simulations and determine the major source of errors. A simple UOX scenario involving long-term fuel storage and a more complex scenario involving reprocessed UOX spent fuel and MOX fabrication are then studied. They show that inventories of uranium 235 and minor actinides are sensitive to full-core simulations. Moreover, the neural networks CLASS simulations can be improved using an adapted kthreshold that depends on the initial fuel composition.
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 | 0,000 | 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 découle