Modelling and analysis of nuclear reactor system coupled with a liquid metal battery
Notice bibliographique
Résumé
Abstract Traditionally, nuclear power plants in the U.S. provide baseload power to the power grid because they have less flexibility for ramping their output power than natural gas peaking plants. However, achieving climate goals to reduce the consumption of fossil‐based natural gas places pressure on nuclear power plants and other power generators to ramp up their power output to balance grid generation with demand. This paper presents the modelling and performance analysis of a nuclear reactor system (NRS) coupled to a liquid‐metal battery (LMB) to improve its dynamic response and enable its black start capability. The NRS and LMB thermal behaviour are modelled in Dymola, while the electrical dynamics of the LMB and power grid are modelled in RTDS‐RSCAD. Both simulation platforms are coupled and share their thermal and electrical data using a Transmission Control Protocol/Internet Protocol (TCP/IP) communication protocol. The dynamic performance of the NRS‐LMB integration is tested on the IEEE 9 bus, which demonstrates its ability to respond and provide frequency and voltage regulation. The black start capability of the NRS‐LMB is also evaluated by simulating a grid outage and using the LMB to supply the auxiliary loads required to bring the NRS back online as soon as possible. The results show that coupling an NRS to an LMB improves the system dynamic performance and enables it to black start after being disconnected from the grid for several days.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».