MétaCan
Menu
Retour à la cohorte
Enregistrement W3174520161 · doi:10.1016/j.net.2021.06.019

Multilevel modeling of diametral creep in pressure tubes of Korean CANDU units

2021· article· en· W3174520161 sur OpenAlexaboutno aff
Gyeong‐Geun Lee, Dong‐Hyun Ahn, Hyung-Ha Jin, Myung-Ho Song, Jong Yeob Jung

Notice bibliographique

RevueNuclear Engineering and Technology · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueNuclear reactor physics and engineering
Établissements canadiensnon disponible
Organismes subventionnairesNational Research Foundation of KoreaMinistry of Science, ICT and Future Planning
Mots-clésMultilevel modelCreepPoolingExperimental dataNuclear engineeringEngineeringComputer scienceMaterials scienceStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

abstract In this work, we applied a multilevel modeling technique to estimate the diametral creep in the pressure tubes of Korean Canada Deuterium Uranium (CANDU) units. Data accumulated from in-service inspections were used to develop the model. To confirm the strength of the multilevel models, a 2-level multilevel model considering the relationship between channels for a CANDU unit was compared with existing linear models. The multilevel model exhibited a very robust prediction accuracy compared to the linear models with different data pooling methods. A 3-level multilevel model, which considered individual bundles, channels, and units, was also implemented. The influence of the channel installation direction was incorporated into the three-stage multilevel model. For channels that were previously measured, the developed 3-level multilevel model exhibited a very good predictive power, and the prediction interval was very narrow. However, for channels that had never been measured before, the prediction interval widened considerably. This model can be sufficiently improved by the accumulation of more data and can be applied to other CANDU units.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,166
Écart entre enseignants0,159 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNuclear Engineering and TechnologyMême sujetNuclear reactor physics and engineeringTravaux en français237 207