原子力発電所における多忠実度シミュレーションを用いた動的確率論的リスク評価
Notice bibliographique
Résumé
Dynamic probabilistic risk assessment (PRA) more explicitly treats timing issues and stochastic elements of risk models. It extensively resorts to iterative simulations of accident progressions for the quantification of risk triplets including accident scenarios, probabilities and consequences. Dynamic PRA leverages the level of detail for risk modeling while intricately increases computational complexities, which result in heavy computational cost. This paper proposes to apply multi-fidelity simulations for a cost- effective dynamic PRA. It applies and improves the multi-fidelity importance sampling (MFIS) algorithm to generate cost-effective samples of nuclear reactor accident sequences. Sampled accident sequences are paralleled simulated by using mechanistic codes, which is treated as a high-fidelity model. Adaptively trained by using the high-fidelity data, low-fidelity model is used to predicting simulation results. Interested predictions with reactor core damages are sorted out to build the density function of the biased distribution for importance sampling. After when collect enough number of high-fidelity data, risk triplets can be estimated. By solving a demonstration problem and a practical PRA problem by using MELCOR 2.2, the approach has been proven to be effective for risk assessment. Comparing with previous studies, the proposed multi-fidelity approach provides comparative estimation of risk triplets, while significantly reduces computational cost.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».