Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification
作者: Aidan Furlong, Xingang Zhao, Robert Salko, Xu Wu
发布时间: 2025-02-27
来源: arxiv
研究方向: 核工程与安全、机器学习、不确定性量化
主要内容
该研究提出了一种基于物理模型和机器学习的混合建模方法，用于预测核反应堆中的临界热流量（CHF），特别是在干涸情况下的CHF预测。研究结合了经验相关和机器学习技术，旨在提高CHF预测的准确性和可解释性。
主要贡献
1. 开发了一种基于物理模型和机器学习的混合建模方法来预测CHF。
2. 验证了混合模型在干涸情况下的CHF预测性能。
3. 比较了三种机器学习不确定性量化技术：深度神经网络集成、贝叶斯神经网络和深度高斯过程。
4. 通过实验结果证明了混合模型在干涸情况下的CHF预测优于纯机器学习模型。
5. 分析了不同机器学习方法的性能和不确定性，并提出了未来研究方向。
研究方法
1. 混合建模方法：结合物理模型和机器学习技术。
2. 经验相关：Biasi和Bowring相关。
3. 机器学习不确定性量化：深度神经网络集成、贝叶斯神经网络和深度高斯过程。
4. 数据集：公共CHF数据集，用于构建2006年Groeneveld查找表。
5. 性能评估：使用均方误差、最大误差、相对标准偏差、相对均方根误差、F误差大于10%的百分比和决定系数来评估模型性能。
6. 不确定性量化：使用校准曲线、估计值的幅度和分布来评估不确定性估计的质量。
实验结果
Biasi混合深度神经网络集成在大多数指标上表现最佳，尤其是在数据丰富的场景中。贝叶斯神经网络模型显示出略高的误差和不确定性，但具有更好的校准。与深度高斯过程模型相比，深度高斯过程模型在大多数指标上都表现不佳。所有混合模型都优于纯机器学习配置，表明它们对数据稀缺具有抵抗力。
未来工作
将混合模型应用于生产代码，例如CTF热工水力代码，以进一步证明这些方法在工业应用中的可行性。探索迁移学习，以扩展该方法以处理棒束而非单通道的情况。