Case study on sampling techniques using machine learning and simplified physical model for simulation-based dynamic probabilistic risk assessment

シミュレーションを活用した動的確率論的リスク評価のための機械学習及び簡易物理モデルを用いたサンプリング技術のケーススタディ

久保 光太郎   ; Zheng, X. ; 石川 淳 ; 杉山 智之 ; Jang, S.*; 高田 孝*; 山口 彰*

Kubo, Kotaro; Zheng, X.; Ishikawa, Jun; Sugiyama, Tomoyuki; Jang, S.*; Takata, Takashi*; Yamaguchi, Akira*

動的確率論的リスク評価(PRA)は、従来のPRAよりも現実的で詳細な解析を可能とする。しかし、これらの改善とトレードオフの関係にあるのは、多数の熱水力解析を行うことに伴う膨大な計算コストである。本研究では、機械学習に基づいて、熱水力解析を省略することでこの計算コストを削減することを目指した。機械学習には、サポートベクターマシンを選択し、その構築には高忠実度・高コストの詳細モデルと、低忠実度・低コストの簡易モデルを用いた。その結果、今回仮定した条件においては、精度を大幅に低下させることなく計算コストを約80%削減することができた。

Dynamic probabilistic risk assessment (PRA) enables a more realistic and detailed analysis than classical PRA. However, the trade-off for these improvements is the enormous computational cost associated with performing a large number of thermal-hydraulic (TH) analyses. In this study, based on machine learning (ML), we aim to reduce these costs by skipping the TH analysis. For the ML algorithm, we selected a support vector machine; we built it using a high-fidelity/high-cost detailed model and low-fidelity/low-cost simplified model. As a result, the computational costs could be reduced by approximately 80% without significantly decreasing the accuracy under the assumed conditions.