AI-Based Verification of Measurement Results from the OFPS for CANDU Spent Fuel Inspection
Notice bibliographique
Résumé
The International Atomic Energy Agency (IAEA) conducts regular nuclear safeguards to ensure the peaceful use of nuclear energy and the secure management of nuclear materials. As part of these efforts, Physical Inventory Verification (PIV) is periodically performed to verify spent nuclear fuel bundles discharged from reactors. To support this process, the Korea Institute of Nuclear Nonproliferation And Control (KINAC) developed the Optical Fiber Probe System (OFPS), which has been applied to the PIV of CANDU (CANada Deuterium Uranium) spent nuclear fuel bundles at the Wolsong Nuclear Power Plant in Korea. However, high radiation fields within the facility can reduce the reliability of measurements, often necessitating additional visual inspections. To address this challenge, we previously proposed a method to simulate the operation of the OFPS and to generate radiation profiles using Monte Carlo techniques. In this study, we constructed a radiation profile database using the proposed simulation method and developed an artificial intelligence (AI) algorithm based on a Long Short-Term Memory (LSTM) network to detect missing bundles. The performance of the algorithm was evaluated using experimentally measured radiation profiles as test data. The algorithm demonstrated high reliability in identifying missing bundles within the simulated profiles and showed predictive capability when applied to experimental data. Future study aims to optimize the algorithm by generating diverse missing bundle scenarios and developing preprocessing methods for experimental data. The AI-based verification algorithm developed in this study is expected to enhance the reliability of automated PIV inspections using the OFPS.
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 | 0,001 | 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 ».