Repository logo
Communities & Collections
All of DSpace
  • English
  • العربية
  • বাংলা
  • Català
  • Čeština
  • Deutsch
  • Ελληνικά
  • Español
  • Suomi
  • Français
  • Gàidhlig
  • हिंदी
  • Magyar
  • Italiano
  • Қазақ
  • Latviešu
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Српски
  • Svenska
  • Türkçe
  • Yкраї́нська
  • Tiếng Việt
Log In
New user? Click here to register. Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Fried, Emma"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Results Per Page
  • Sort Options
  • No Thumbnail Available
    Item
    Predicting missing fuel pins in nuclear reactors with CORE SIM+ simulations and artificial neural networks
    (2024-06-17) Herlitz, Jonathan; Fried, Emma; University of Gothenburg/Department of physics; Göteborgs universitet/Institutionen för fysik
    Monte Carlo (MC) är ett av de mest använda simuleringsverktygen inom kärnfysik och teknik. MC motsvarar den realistiska situationen i ett kärnkraftverk, men med sådana realistiska beräkningar blir det mycket beräkningstungt. Med CORE SIM+ kommer vi att prova en annan metod som kommer att vara betydligt snabbare. CORE SIM+ som simulator skulle göra det möjligt att simulera många olika fall av saknade eller intakta kärnbränslestavar, mycket snabbare än MC. CORE SIM+ simulatorn skapar en mängd olika fall av saknade kärnbränslestavar. Ett dataset genereras som tar fram neutronflödet och gradienten av flödet, samt vilka bränslestavar som saknas i reaktorn. Ett artificiellt neuralt nätverk (ANN) tränas sedan med ett dataset för att hitta en hög noggrannhet i att förutsäga tillståndet för bränslestavarna, med och utan gradienten inkluderad. Detta kommer sedan att jämföras och testas mot MC-datasetet för att se om det finns möjligheter att ha CORE SIM+ som ett bra alternativ till MC för att generera stora träningsdataset för att träna en ANN-modell. ANN-modellen visar potential för att vara ett starkt tillskott till de nuvarande säkerhetsprocedurerna. Resultaten indikerar att inkluderingen av gradienten kan förbättra modellprestandan. Med ytterligare förbättringar av datasetet och det neurala nätverket kan det vara möjligt att ersätta MC-simuleringar med CORE SIM+ simuleringar. Detta kan resultera i betydande tids- och kostnadsbesparingar utan att prestandan försämras. även om detta ännu inte är möjligt med modellens nuvarande tillstånd, kan det bli verklighet med ytterligare förbättringar. Detta projekt bidrar till kunskap och öppnar också upp spännande möjligheter för framtida forskning och utveckling inom området.

DSpace software copyright © 2002-2025 LYRASIS

  • Privacy policy
  • End User Agreement
  • Send Feedback