[論文レビュー] Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction

James Daniell, Kazuma Kobayashi+2 more|arXiv (Cornell University)|Nov 23, 2022

Fault Detection and Control Systems被引用数 6

ひとこと要約

本論文は、デジタルツイン技術を核とする物理則に基づいたマルチステージ深層学習フレームワークを提案し、原子炉出力予測の精度を向上させることを目的としている。2段階のDNNアーキテクチャを用い、最初の段階で出力変化の方向と大きさを分類し、2番目の段階で正確な定常状態出力を回帰予測する。分類精度は96%、予測精度は92%に達し、原子炉デジタルツインにおける信頼性と計算効率が顕著に向上した。

ABSTRACT

The accurate and efficient modeling of nuclear reactor transients is crucial for ensuring safe and optimal reactor operation. Traditional physics-based models, while valuable, can be computationally intensive and may not fully capture the complexities of real-world reactor behavior. This paper introduces a novel hybrid digital twin-focused multi-stage deep learning framework that addresses these limitations, offering a faster and more robust solution for predicting the final steady-state power of reactor transients. By leveraging a combination of feed-forward neural networks with both classification and regression stages, and training on a unique dataset that integrates real-world measurements of reactor power and controls state from the Missouri University of Science and Technology Reactor (MSTR) with noise-enhanced simulated data, our approach achieves remarkable accuracy (96% classification, 2.3% MAPE). The incorporation of simulated data with noise significantly improves the model's generalization capabilities, mitigating the risk of overfitting. Designed as a digital twin supporting system, this framework integrates real-time, synchronized predictions of reactor state transitions, enabling dynamic operational monitoring and optimization. This innovative solution not only enables rapid and precise prediction of reactor behavior but also has the potential to revolutionize nuclear reactor operations, facilitating enhanced safety protocols, optimized performance, and streamlined decision-making processes. By aligning data-driven insights with the principles of digital twins, this work lays the groundwork for adaptable and scalable solutions in nuclear system management.

研究の動機と目的

• 原子炉運用におけるデジタルツイン（DT）統合に適した、計算効率が高く信頼性の高い機械学習予測アルゴリズムの開発。
• リアルタイムでの原子炉出力予測の信頼性を高めるために、DT対応技術におけるギャップを埋める。
• 段階的深層学習アーキテクチャを用いて確率的分類を連続的回帰出力に変換することで、予測の信頼性を向上させる。
• データ駆動型モデルに物理則に基づく制約を統合することで、モデルの信頼性を高め、完全に経験則に依存するマッピングへの依存を低減する。
• 高精度でリアルタイムな状態予測を要する、類似した複雑なエネルギーシステムに適用可能な汎用的フレームワークを提供する。

提案手法

• 2段階の深層学習フレームワークを設計：第1段階では、フィードフォワードDNNを用いて、原子炉出力変化の方向（上昇／下降）と大きさ（低／高）を分類する。
• 第2段階では、第1段階の出力を入力として受け取り、最終的な定常状態原子炉出力を連続変数として予測する4つの独立した回帰DNNを採用する。
• 出力値には対数スケーリング、制御棒位置にはmin-max正規化を適用し、モデルの収束性と一般化性能を向上させる。
• 訓練データの多様性を高め、モデルの頑健性を向上させるために、出力比サンプリングと反応度プロファイルに基づく合成データ生成技術を導入する。
• 異なる出力変化カテゴリ間での学習サンプルの偏りを解消するために、分類データをソートし、アンダーサンプリングを実施し、各クラスにおける学習の均衡を確保する。
• 反応度プロファイルをコアの燃焼度段階（例：core121、core122）に一致させることで、物理的妥当性を保つ物理則に基づく制約を統合し、合成データおよびモデル出力の物理的妥当性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 単一段階モデルと比較して、マルチステージ深層学習フレームワークは、原子炉出力予測の精度と信頼性を向上させることができるか？
• RQ2 物理則に基づいたデータ拡張の統合は、モデルの一般化性能および物理的一致性をどの程度向上させるか？
• RQ3 制御棒位置や出力レベルなどの入力特徴量を分離することで、デジタルツイン環境下での分類および回帰性能がどの程度向上するか？
• RQ4 低データ環境が原子炉システムに一般的である状況下で、クラスバランスと合成データ生成がモデル性能に与える影響は何か？
• RQ5 データ駆動型と物理則に基づいたアプローチのハイブリッド手法は、リアルタイムのデジタルツイン応用に適した計算効率を維持しながら、高い予測精度を達成できるか？

主な発見

• 第1段階の分類モデルは、原子炉出力変化の方向と大きさを96%の精度で予測した。
• 第2段階の回帰モデルは、最終的な定常状態原子炉出力の推定において、92%の絶対予測精度を達成した。
• 出力比サンプリングと反応度プロファイルに基づく合成データ生成の活用により、訓練データの多様性とモデルの頑健性が顕著に向上した。
• コアの燃焼度段階に一致させる物理則に基づく制約の統合により、合成データおよびモデル予測の物理的妥当性が向上した。
• マルチステージアーキテクチャは、確率的分類出力を正確な連続的出力予測に効果的に変換し、解釈可能性と運用上の有用性を向上させた。
• 訓練後におけるフレームワークの計算効率は非常に高く、原子力発電所におけるリアルタイムのデジタルツイン導入に適していることが示された。