Impact of noisy data on the characterisation of diversions in spent nuclear fuel assemblies using artificial neural networks
No Thumbnail Available
Date
2025-08-05
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Spent Nuclear Fuel (SNF) contains fissile materials that can be used to build nuclear weapons, therefore it’s important to safeguard it. Non-Destructive Analysis (NDA) techniques are used to detect potential defects in SNF. A method currently under research relies on interpreting the results of these NDA measurements via Artificial Neural Networks (ANN:s) in order to detect missing fuel pins. The quality of the predictions made by this ANN are affected by noise in data used to train and test the model. The aim of this study was to evaluate the ANN:s performance using data with simulated noise and to see how different network architectures affected the quality of the models predictions. It was concluded that the two alternative architectures that were tested had a negative impact on the performance of the ANN. It was also concluded that noisy data negatively impacts the performance of the ANN.
Description
Förbrukat kärnbränsle (SNF) innehåller material som kan användas för att konstruera kärnvapen och därför är det viktigt att det förvaras säkert. Oförstörande analys (NDA) kan användas som ett sätt för att detektera potentiella defekter hos SNF. En metod som just nu forskas på använder Artificiella Neurala Nätverk (ANN) för att tolka resultat av NDA-mätningar för att kunna detektera bränslestavar som saknas. Hur bra detta ANN är på att göra förutsägelser påverkas av brus i mätdatan som används för att träna och testa ANN:et. Syftet med denna studie var att utvärdera hur väl ANN:et presterar med simulerat databrus och undersöka hur olika nätverksarkitekturer påverkar modellens förutsägelser. Slutsatsen var att två alternativa nätverksarkitekturer hade negativ påverkan på ANN:ets prestanda. Dessutom fastslogs att brusdata gjorde nätverkets förutsägelser sämre.