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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».