Applying Shapley Effect for Sensitivity Analysis During Reactor Transient
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
Sensitivity analysis is a critical tool in reactor safety assessments, as it evaluates the impact of uncertainties in input parameters, identifies key factors, and highlights potential safety risks and measures. Conventional sensitivity methods, such as Spearman, Pearson, or Kendall, while straightforward, are typically limited to linear relationships and independent input parameters. Shapley values offer a more advanced, model-agnostic approach to sensitivity analysis, making them particularly valuable in scenarios with dependent parameters or nonlinear systems.This study not only applies variance-based sensitivity methods, including Sobol indices and Shapley values, but also introduces the development of a reduced-order model (ROM) based on deep neural networks (DNNs) combined with Shapley values for time-dependent reactor simulations. This approach addresses the computational challenges of traditional methods, especially in cases involving correlated parameters, providing a more efficient and accurate sensitivity analysis. Sensitivity indices are calculated for the TWIGL benchmark, with two-group cross sections as the input parameters and core power during the ramp reactivity insertion transient as the output.The results demonstrate that Shapley values, combined with the DNN-based ROM, yield robust, accurate, and physically meaningful indices, especially in models with dependent parameters where Sobol indices may lead to over- or underestimation and might even result in negative indices. This highlights the advantages of Shapley values for comprehensive and reliable sensitivity analyses in complex reactor simulations.
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 | 0,001 | 0,001 |
| 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