Mitigation of Radiation-Induced Fiber Bragg Grating (FBG) Sensor Drifts in Intense Radiation Environments Based on Long-Short-Term Memory (LSTM) Network
Notice bibliographique
Résumé
This paper reports in-pile testing results of radiation-resistant fiber Bragg grating (FBG) sensors at high temperatures, intense neutron irradiation environments, and machine learning methods for radiation-induced sensor drift mitigation and reactor anomaly identification. The in-pile testing of fiber sensors was carried out in an MIT test reactor for 180 days at a nominal operational temperature of 640°C and high neutron flux. The test results show that FBG sensors inscribed by a femtosecond laser in random airline pure silica fiber can withstand harsh environments in the reactor core but exhibit significant radiation-induced drifts. Machine learning algorithms based on long short-term memory (LSTM) networks have been used to detect reactor anomaly events and mitigate sensor drifts over a duration of up to 85 days. Through progressive supervised learning, the LSTM neural network can achieve FBG wavelength-to-temperature mapping within ±0.95°C, ±2.63°C and ±6.49°C with over 80.2%, 90%, and 95% levels of accuracy confidence, respectively. The LSTM can also identify reactor anomaly samples with an accuracy of over 94%. The results presented in this paper show that despite sensor drifts and anomaly interruptions, the LSTM-based method can effectively elucidate data harnessed by fiber sensors. Machine learning algorithms have the potential to improve situational awareness and control for a wide range of harsh environment applications, including nuclear power generation.
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 | 0,000 | 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 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 ».