耐放射線性を有するレーザスキャナとAI・画像処理による3Dモデリング法の開発(委託研究); 令和6年度英知を結集した原子力科学技術・人材育成推進事業

廃炉環境国際共同研究センター; 大阪大学*

JAEA-Review 2026-009, 81 Pages, 2026/07

JAEA-Review-2026-009.pdf:5.42MB

日本原子力研究開発機構(JAEA)廃炉環境国際共同研究センター(CLADS)では、英知を結集した原子力科学技術・人材育成推進事業を実施している。本事業は、東京電力ホールディングス福島第一原子力発電所の廃炉等をはじめとした原子力分野の課題解決に貢献するため、国内外の英知を結集し、様々な分野の知見や経験を従前の機関や分野の壁を越えて緊密に融合・連携させた基礎的・基盤的研究及び人材育成を推進することを目的としている。本研究は、令和6年度に採択された研究課題のうち、「耐放射線性を有するレーザスキャナとAI・画像処理による3Dモデリング法の開発」の令和6年度分の研究成果について取りまとめたものである。本研究の全体像は、耐放射線性レーザスキャナと作成する点群の高質化に関する技術開発を行うものである。まず、高強度放射線下において半導体素子の利用を排除して耐放射線性を有する電気・機械素子のみで構成されるレーザ走査部と遠隔地の低線量場に設置する制御部が分離した3Dレーザスキャナシステムを開発する。開発した3Dレーザスキャナと商用化されている非耐放射線性3Dレーザスキャナを比較しながら性能を評価する。さらに、開発したスキャナが取得する疎な点群に対して機械学習等により解析し、新たな点群を増強・補完するシステムおよび写真群から対象物の3Dデータを生成するフォトグラメトリ技術により、点群を補完するシステムをそれぞれ開発することによって、信頼度のより高い3Dデータを得るための方法と技術を構築する。令和6年度の成果は以下のとおりである。(1)光学・電子回路系の設計と波形取得・解析ソフトの開発を通じて、耐放射線性3Dレーザスキャナの検出効率を評価する準備を行った。(2)AIを活用した点群補完システムを整備し、高密度化法と補完プロセスの検討を行った。(3)点群とフォトグラメトリ統合のための環境とワークフローを構築し、基準となる3Dモデルを作成した。(4)高線量下でのスキャン手法を分析し、精度比較評価の方法を検討した。(5)各研究項目と関係機関が連携し、計画的に研究を推進した。

Development of reconstruction method of void distribution for ultrasonic tomography using a machine learning algorithm

小島 侑也*; 村川 英樹*; 杉本 勝美*; 近藤 哲平*; 阿部 雄太; 相澤 康介

Proceedings of 13th International Symposium on Measurement Techniques for Multiphase Flows (ISMTMF 2025) (Internet), 5 Pages, 2025/10

This study proposes a novel void distribution reconstruction method utilizing a machine learning (ML) algorithm in ultrasonic UT) to improve the accuracy of void distribution reconstruction. A simple neural network trained with 1920 simulated single spherical bubble data with a diameter of 5 mm achieved high accuracy (correlation coefficients) when predicting the simulated waveforms. However, the direct application of the method to the experimental data yielded poor results owing to the inherent noise in the real experimental data. To address this challenge, two data techniques were introduced: applying the maximum value within a moving window and subtracting the received waveforms from those obtained without bubbles. These preprocessing methods enabled the prediction of the void distribution obtained from the experimental data.

クリープ破断時間および高温引張強度予測モデルの連合学習

櫻井 惇也*; 鳥形 啓輔*; 松永 学*; 高梨 直人*; 日比野 真也*; 木津 健一*; 森田 聡*; 井元 雅弘*; 下畠 伸朗*; 豊田 晃大; et al.

鉄と鋼, 111(5), p.246 - 262, 2025/04

https://doi.org/10.2355/tetsutohagane.TETSU-2024-124

Creep testing is time-consuming and costly, leading institutions to limit the number of tests conducted to the minimum necessary for their specific objectives. By pooling data from each institution, it is anticipated that predictive models can be developed for a wide range of materials, including welded joints and degraded materials exposed to service conditions. However, the data obtained by each institution is often highly confidential, making it challenging to share with others. Federated learning, a type of privacy-preserving computation technology, allows for learning while keeping data confidential. Utilizing this approach, it is possible to develop creep life prediction models by leveraging data from various institutions. In this paper, we constructed global deep neural network models for predicting creep rupture life of heat-resistant ferritic steels in collaboration with eight institutions using the federated learning system we developed for this purpose. Each institution built a local model using only its own data for comparison. While these local models demonstrated good predictive accuracy for their respective datasets, their predictive performance declined when applied to data from other institutions. In contrast, the global model constructed using federated learning showed reasonably good predictive performance across all institutions. The distance between each institution's data was defined in the space of explanatory variables, with the NIMS data, which had the largest dataset, serving as the reference point. The global model maintained high predictive accuracy regardless of the distance from the NIMS data, whereas the predictive accuracy of the NIMS local model significantly decreased as the distance increased.

A Numerical study on machine-learning-based ultrasound tomography of bubbly two-phase flows

和田 裕貴; 廣瀬 意育; 柴本 泰照

Ultrasonics, 141, p.107346_1 - 107346_16, 2024/07

https://doi.org/10.1016/j.ultras.2024.107346

Ultrasound tomography of bubbly two-phase flows using machine learning (ML) was investigated by performing two-dimensional ultrasound numerical simulations using a finite element method simulator. To date, studies on ultrasound tomography for two-phase flow measurements have been conducted only for some bubbles. However, in an actual bubbly flow, numerous bubbles are complexly distributed in the cross-section of the flow channel. This limitation of previous studies originates from the transmission characteristics of ultrasound waves through a medium. The transmission characteristics of ultrasound waves are different from those of other probe signals, such as radiation, electrical, and optical signals. In this study, the feasibility of combining ultrasound tomography with ML was evaluated for dense bubble distributions with up to 20 bubbles (cross-sectional average void fraction of approximately 0.29). We investigated the effects of the temporal length of the received waveform and number of sensors to optimize the system on the prediction performance of the bubble distribution. The simultaneous driving of the installed sensors was simulated to reduce the measurement time for the entire cross-section and verify the applicability of the method. Thus, it was confirmed that ultrasound tomography using ML has sufficient prediction performance, even for a complex bubble distribution with many bubbles, and that the cross-sectional average void fraction can be predicted with high accuracy.

Insights into machine-learning modeling for Cr(VI) removal from contaminated water using nano-nickel hydroxide

Maamoun, I.; Rushdi, M.*; Falyouna, O.*; Eljamal, R.*; Eljamal, O.*

Separation and Purification Technology, 308, p.122863_1 - 122863_16, 2023/03

https://doi.org/10.1016/j.seppur.2022.122863

The aim of this study is to employ machine learning (ML) in providing high-accuracy prediction of Cr(VI) removal efficiency by nickel hydroxide (-Ni(OH)) unconventional sorbent, towards the new era of artificial intelligence (AI) applications in (waste) water treatment. Hence, a reliable ML modeling was conducted based on the experimental investigation, considering different reaction parameters, including -Ni(OH) dosage, initial pH, reaction temperature, and initial Cr(VI) concentration. Linear regression model was selected as the suitable regression model with respect to the obtained reasonable correlation and the less training time and evaluation time, comparing to other considered regression techniques. The adopted linear regression model, for the time corresponding Cr(VI) removal efficiencies, exhibited satisfactory prediction accuracy. Furthermore, the importance of models coefficients was determined and implied the high importance of the dosage feature. The contributive effect of the investigated features was mainly concentrated at the early stage of the reaction (5 to 10 min), with an average range of 50 to 80 %, which was in agreement with the experimental findings of the rapid and full removal of Cr(VI) by -Ni(OH). The elucidated insights into the effects of different factors that influence Cr(VI) removal process by -Ni(OH) revealed the underlying interactions and removal pathways, which shall benefit other researchers in the preliminary design of pilot-scale applications and anticipating the predicted performance.

New approach to understanding the experimental Cs NMR chemical shift of clay minerals via machine learning and DFT-GIPAW calculations

大窪 貴洋*; 武井 滉洋*; 舘 幸男; 深津 勇太; 出口 健三*; 大木 忍*; 清水 禎*

Journal of Physical Chemistry A, 127(4), p.973 - 986, 2023/02

https://doi.org/10.1021/acs.jpca.2c08880

粘土鉱物へのCsの吸着サイトの特定は、環境化学の分野で研究されてきた。核磁気共鳴(NMR)実験によって、吸着されたCsの局所構造を直接観察することが可能である。固体NMR実験から得られたCsのNMRパラメータは、吸着されたCsの局所的な構造に敏感である。しかしながら、NMRデータだけからCsの吸着位置を決定することは困難であった。本研究では、機械学習と実験的に観察されたケミカルシフトを組み合わせることにより、粘土鉱物に吸着されたCsの吸着位置を特定するためのアプローチについて提示する。原子配置の記述子とNMRによるケミカルシフトの第一原理計算結果を関連付けて評価する機械学習の線形リッジ回帰モデルを構築した。これにより、原子配置の構造データからCsのケミカルシフトを高速で計算することが可能となった。機械学習モデルによって、実験的に観察された化学シフトから逆解析を行うことにより、Cs吸着位置を導き出すことが可能になる。

Dynamic probabilistic risk assessment of nuclear power plants using multi-fidelity simulations

Zheng, X.; 玉置 等史; 杉山 智之; 丸山 結

Reliability Engineering & System Safety, 223, p.108503_1 - 108503_12, 2022/07

AA2021-0588.pdf:1.29MB

https://doi.org/10.1016/j.ress.2022.108503

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.

ラドンを代表としたアルファ核種の吸入による内部被ばくの横断的生体影響(委託研究); 令和元年度英知を結集した原子力科学技術・人材育成推進事業

廃炉環境国際共同研究センター; 岡山大学*

JAEA-Review 2020-029, 55 Pages, 2020/12

JAEA-Review-2020-029.pdf:2.08MB

日本原子力研究開発機構(JAEA)廃炉環境国際共同研究センター(CLADS)では、令和元年度英知を結集した原子力科学技術・人材育成推進事業(以下、「本事業」という)を実施している。本事業は、東京電力ホールディングス福島第一原子力発電所の廃炉等をはじめとした原子力分野の課題解決に貢献するため、国内外の英知を結集し、様々な分野の知見や経験を、従前の機関や分野の壁を越えて緊密に融合・連携させた基礎的・基盤的研究及び人材育成を推進することを目的としている。平成30年度の新規採択課題から実施主体を文部科学省からJAEAに移行することで、JAEAとアカデミアとの連携を強化し、廃炉に資する中長期的な研究開発・人材育成をより安定的かつ継続的に実施する体制を構築した。本研究は、研究課題のうち、平成30年度に採択された「ラドンを代表としたアルファ核種の吸入による内部被ばくの横断的生体影響」の令和元年度の研究成果について取りまとめたものである。本研究は、廃炉工程で発生するダスト対策に係る被ばく影響評価を目的としている。すでに先行研究の多い線放出核種のラドンを用い、体内で線を放出した際に周辺細胞に与える影響の推定と組織レベル・個体レベルでの生物学的応答を検討する。研究組織の分野横断的な有機的連携により、線放出核種の内部被ばくによる健康影響評価モデルの構築を目指す。

ラドンを代表としたアルファ核種の吸入による内部被ばくの横断的生体影響評価(委託研究); 平成30年度英知を結集した原子力科学技術・人材育成推進事業

廃炉国際共同研究センター; 岡山大学*

JAEA-Review 2019-024, 61 Pages, 2020/01

JAEA-Review-2019-024.pdf:2.22MB

日本原子力研究開発機構(JAEA)廃炉国際共同研究センター(CLADS)では、平成30年度英知を結集した原子力科学技術・人材育成推進事業(以下、「本事業」という)を実施している。本事業は、東京電力ホールディングス福島第一原子力発電所の廃炉等をはじめとした原子力分野の課題解決に貢献するため、国内外の英知を結集し、様々な分野の知見や経験を、従前の機関や分野の壁を越えて緊密に融合・連携させた基礎的・基盤的研究及び人材育成を推進することを目的としている。平成30年度の新規採択課題から実施主体を文部科学省からJAEAに移行することで、JAEAとアカデミアとの連携を強化し、廃炉に資する中長期的な研究開発・人材育成をより安定的かつ継続的に実施する体制を構築した。本研究は、研究課題のうち、平成30年度「ラドンを代表としたアルファ核種の吸入による内部被ばくの横断的生体影響評価」について取りまとめたものである。本研究は、体内で線を放出した際に周辺細胞に与える影響の推定、線の被ばくによる個体レベルでの生物学的応答の検討を既に先行研究の多い線放出核種のラドンを用いた影響評価により、核種の内部被ばくによる健康影響評価モデルの構築を、研究組織の分野横断的な有機的連携を行うことで研究拠点形成を目指す。

Evaluation of hydrogen generation reaction inside a crevice using machine learning

青山 高士; 上澤 伸一郎; 五十嵐 誉廣

no journal, , 

It is well established that cathodic reactions, especially hydrogen evolution, occur within a crevice during the propagation stage of crevice corrosion because of the associated potential drop. In this study, we quantitatively evaluated the cathodic reaction inside the crevice by precisely analyzing the time-dependent changes in the volume of bubbles generated there. For this purpose, images of the crevice interior obtained through in situ observation during crevice corrosion testing were analyzed. Machine learning was employed for image analysis, and a model trained using pre-labeled data was used to identify bubbles generated within the crevice.