Convolutional neural network use in fast neutron computed tomography for void fraction measurements
Notice bibliographique
Résumé
Subchannel analysis codes are used for safety analysis and require suitable data to accurately model complex conditions that occur in fuel bundle geometries. To ensure accurate modelling of the complex two-phase flow phenomena in a reactor bundle, experimental data of the void distribution are required. Computed tomography provides a non-invasive method of measurement of the 2D or 3D distribution of void fraction within a bundle geometry. However, thick pressure vessels in full-scale conditions make it difficult to image bundle geometries and maintain contrast of the internal structures such as water/vapour when using photon-based sources. Fast neutron systems provide good penetration capability while maintaining sensitivity to the water-vapour contrast within the bundle but require long scan times (order of hours) because of the relatively poor detection efficiency and low source strength, which may preclude the application in full-scale thermal–hydraulic testing scenarios. Therefore, to effectively use Fast Neutron Computed Tomography (FNCT) in thermal-hydraulics safety experiments, the large scan times must be reduced, and the increased noise and decreased image fidelity that accompanies this reduction must be addressed. This challenge is addressed in this paper using convolutional neural networks (CNNs), a branch of machine learning that excels in image processing tasks. A Synthetic nuclear fuel bundle image reconstructions training dataset, including noise and blurring effects, was generated using a custom MATLAB and Python. The CNN model uses the dataset to create a mapping between these noisy reconstructed images and their respective ground truth image. In this work, the Residual U-Net model significantly improves image reconstructions, leading to more accurate measurements of subchannel void fraction compared to the initial noisy images. The model is able to predict the subchannel void fraction with a mean absolute percentage error (MAPE) of 3.2 % ± 2.4 % on a subchannel basis. Here, MAPE refers to the mean of the absolute differences between the predicted and true void fractions, expressed in percentage points. This means that a void fraction prediction of 50 % with a true value of 53 % results in a 3 % error, not a relative percentage of the void fraction itself. The void fractions were predicted within 8.43 % of the true values for 95 % of the subchannels, demonstrating that the majority of predictions are highly accurate.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».