Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
方野 量太; 遠藤 知弘*; 山本 章夫*; 辻本 和文
Journal of Nuclear Science and Technology, 55(10), p.1099 - 1109, 2018/10
被引用回数：3 パーセンタイル：29.78(Nuclear Science & Technology)本研究では、炉心核特性の感度係数表に対して、罰則化線形回帰手法adaptive smooth-lassoを考案した。提案手法は、ランダムサンプリングにより得られる多数の微視的多群断面積摂動セットと炉心核特性を用いた線形回帰によって感度係数を評価する。提案手法は、Forward計算のみ実施するため、Adjoint計算の実施が困難な複雑な炉心計算に対しても適用可能である。本研究では微視的多群断面積に対する炉心核特性の感度係数の特徴を考慮した罰則項を提案し、数値計算を通じて提案手法が先行研究の手法と比較してより少ない計算コストで高精度に感度係数を評価できることを示した。
高橋 知之; 森澤 眞輔*; 井上 頼輝*
Int. Conf. on Deep Geological Disposal of Radioactive Waste,Conf. Proc., 0, p.4.107 - 4.116, 1996/00
重みつき線形回帰モデルをフォールアオウト
Sr及び
Csの米中濃度の推定に適用した。本モデルの独立変数は放射性核種沈着フラックス及び水田土壌中放射性核種濃度、従属変数は玄米あるいは白米中放射性核種濃度であり、定数項は含まない。本研究により、線形モデルが米中Sr及びCs濃度の評価に有効であることを確認し、移行パラメータであるNSA値及び土壌-植物移行係数値を各核種について算出した。また、これらのパラメータ値を用いて玄米中放射性核種の白米部位への分配率を移行経路毎に推定し、移行経路及び核種により分配率が大きく異なることを明らかにした。
Ho, H. Q.; 長住 達; 島崎 洋祐; 濱本 真平; 飯垣 和彦; 後藤 実; Simanullang, I. L.*; 藤本 望*; 石塚 悦男
no journal, ,
During operation of the HTTR, hundreds of technical signals and operating conditions must be observed and evaluated to ensure safe operation of the reactor, for example reactor power, control rod position, coolant flow rate inlet/outlet, coolant temperature inlet/outlet, etc. The accumulated experiment data of the HTTR is not only important for the HTTR operation, but also for the basic development of the HTGR in general. Artificial intelligence (AI) and particularly machine learning (ML) are increasingly being used in various fields of research in modern science. They give the ability to make predictions as well as allow the extraction of key information about physical process from large datasets. Hence, there is a lot of potentials to apply AI and ML to predict the operating and safety parameters of the HTTR, and finally, a reactor simulator system for the HTTR could be expected by using the AI and ML algorithm. In this study, the control rod position of the HTTR is predicted based on ML without using the conventional neutronic codes. With the large accumulated data from operation history of the HTTR, the supervised ML with a linear regression algorithm was used. The linear regression algorithm finds a functional relationship between the input dataset (reactor power, burnup, etc.) and a reference dataset (control rod position), constructing a function that predicts control rod position from the other operation conditions. As result, the ML gives a good prediction of the HTTR control rod position with less than 5 difference compared to that in the experiment. This study is the initial step towards machine learning for research and analysis at the HTTR facility. With increasingly complicated experiments that create a large amount of data, ML is also expected to improve the design and safety analysis of the HTTR in the future.
