Reliability and Safety Assessment of a Passive Containment Cooling System in Advanced Heavy Water Reactors
Notice bibliographique
Résumé
Passive Safety Systems (PSSs), which rely on natural forces and processes, such as natural circulation, gravity, internal stored energy, etc., are increasingly utilized in generation 3+ and generation 4 advanced nuclear power plants to increase inherent safety features of the nuclear reactor design.Although PSSs should considerably increase the safety of nuclear power plants, it is still challenging to systematically assess the reliability of passive systems because of the lack of data and uncertainties associated with phenomenon involving natural forces that underlies their safety functions.In this study, the Fault Tree Analysis (FTA) was used to assess the reliability and safety of the Passive Containment Cooling System (PCCS) in Advanced Heavy Water Reactor (AHWR).The failure probability of PCCS was calculated from the failure probabilities of Basic Events (BEs).Using the data for the failure probabilities of Top Event (TE) and BE from the FTA model, two Artificial Neural Network (ANN) models were proposed for the reliability analysis of PCCS to supplement the FTA model.Rectified Linear Unit (ReLU) and Sigmoid activation functions were utilized to build ANN models, and an Adaptive moment estimation (Adam) optimizer was used to train the ANN models to make these models computationally efficient.The results of the FTA model were compared with the predictions of the ANN models to find out the ANN model performance.
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 ».