Preliminary Evaluation of the LASSO Method for Prediction of the Relative Power Density Distribution in Mixed Oxide (Pu, DU)O2 Fuel Pellets
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
Abstract Predicting the power distribution within nuclear fuel is essential for predicting reactor fuel performance, since power distributions can impact pellet temperature distributions and fission product transport and migration. Analytical expressions for radial power distribution in fuel pellets were sought using lattice physics calculations to generate data and a machine learning technique to find representative expressions. Analytical approximations can be useful in nuclear fuel performance codes, such as element simulation and stresses (ELESTRES)/ element simulation code in a loss of coolant accident (ELOCA) for providing very rapid predictions of power distributions with reduced computational effort and memory requirements, relative to using an embedded or coupled neutron transport/burnup reactor physics code. Radial power distributions were calculated a priori using lattice physics codes to model mixed oxide (MOX) 37-element fuel bundles in pressure tube heavy water reactors. Such advanced fuels are of interest for future fuel cycles. Several datasets were generated with different amounts of PuO2 and variable neutron energy spectrum. Results of preliminary studies with the least absolute shrinkage and selection operator (LASSO) regression machine learning method have obtained analytical fitting functions with a mean maximum relative error (MRE) of 0.056 and a maximum MRE of 0.152 on the test set. However, using LASSO to estimate the coefficients of a physically motivated modified Bessel plus an exponential function, results in a lower MRE (mean MRE 0.041 and maximum MRE 0.11) on the same test set. Further potential improvements in both the curve fit and the machine learning methods are discussed.
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 | 0,001 |
| 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