An Artificial Neural Network (ANN) Model to Predict Critical Heat Flux (CHF) in a CANDU Fuel Element Simulation (FES) with Various Nonuniform Axial Heat Flux Shapes and Flow Liner Creep Profiles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Conventional ANNs used in CHF prediction can potentially face overfitting issues. • Overfitting is more pronounced in the problems involving various training features. • The introduced ANN model reduced overfitting over a wide mass flux range. • Benchmark against a TensorFlow model reveals the new model’s superior robustness. • The cases with nonuniform heat flux/annulus particularly benefit from this model. A classification ANN model was developed to predict critical power in a CANDU Fuel Element Simulation (FES) with various Axial Heat Flux Distributions (AFDs) and flow liner creep profiles. The ANN model employs 29 input features to model the AFDs and liner creep profiles and was trained by 433 test data. The classification ANN model was benchmarked against a standard regression ANN model developed with TensorFlow and the results are presented in this paper. The two models delivered roughly the same level of accuracy with a Root Mean Square Error (RMSE) of ∼ 2.5 %; however, the methodology used in the classification model seems to be able to alleviate overfitting and create a more tangible robustness in comparison with the regression model, albeit at the cost of a longer solution time. It is therefore recommended that the presented classification model be used in conjunction with typical regression models to attain more reliability, especially in problems including many features and small training datasets.
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.
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 découle