[論文レビュー] Multifidelity Surrogate Modeling of Depressurized Loss of Forced Cooling in High-temperature Gas Reactors

Meredith Eaheart, Majdi I Radaideh|arXiv (Cornell University)|Mar 14, 2026

Nuclear Engineering Thermal-Hydraulics被引用数 0

ひとこと要約

要約：本論文は自然循環 onset 時間と HTGR DLOFC過渡における事後温度を予測する多忠実機械学習代替モデルを評価し、等入力・等忠実度条件下で二忠実度戦略と三忠実度戦略を比較する。

ABSTRACT

High-fidelity computational fluid dynamics (CFD) simulations are widely used to analyze nuclear reactor transients, but are computationally expensive when exploring large parameter spaces. Multifidelity surrogate models offer an approach to reduce cost by combining information from simulations of varying resolution. In this work, several multifidelity machine learning methods were evaluated for predicting the time to onset of natural circulation (ONC) and the temperature after ONC for a high-temperature gas reactor (HTGR) depressurized loss of forced cooling transient. A CFD model was developed in Ansys Fluent to generate 1000 simulation samples at each fidelity level, with low and medium-fidelity datasets produced by systematically coarsening the high-fidelity mesh. Multiple surrogate approaches were investigated, including multifidelity Gaussian processes and several neural network architectures, and validated on analytical benchmark functions before application to the ONC dataset. The results show that performance depends strongly on the informativeness of the input variables and the relationship between fidelity levels. Models trained using dominant inputs identified through prior sensitivity analysis consistently outperformed models trained on the full input set. The low- and high-fidelity pairing produced stronger performance than configurations involving medium-fidelity data, and two-fidelity configurations generally matched or exceeded three-fidelity counterparts at equivalent computational cost. Among the methods evaluated, multifidelity GP provided the most robust performance across input configurations, achieving excellent metrics for both time to ONC and temperature after ONC, while neural network approaches achieved comparable accuracy with substantially lower training times.

研究の動機と目的

• HTGR DLOFC 安全解析におけるCFDコストを削減するための迅速な代理モデル作成を動機づける。
• 入力感度と忠実度組み合わせが多忠実代理モデルの性能に与える影響を評価する。
• 等計算予算下で二忠実度と三忠実度戦略を比較する。
• 支配的入力と非支配的入力の違いが代理モデルの精度に与える影響を調べる。
• HTGR過渡予測の手法選択に関する指針を提供する。

提案手法

• Ansys Fluent を用いてHF、MF、LF の3つのメッシュ忠実度レベルで HTGR DLOFC シナリオの CFD データセットを作成（HF ~70k 要素、MF ~35k、LF ~17.5k）。
• delta NN、flag NN、intermediate NN、GPmimic、two-step NN、three-step NN、MF-GP の多忠実代理アーキテクチャを bi- および tri-fidelity 構成で訓練・比較する。
• ONC データに適用する前に MF2 アナリティカルベンチマーク（Forrester、Booth、Park91A、Hartmann、Borehole）で方法を検証する。
• グリッドサーチによるハイパーパラメータ調整をベンチマーク上で行い、それを ONC データへ適用し、損失重み付けと正則化を用いて ONC までの時間と ONC 後の温度を評価する。
• prior sensitivity analysis に基づいて入力を All、Dominant、Non-Dominant のセットに分割し、支配的入力 vs 非支配的入力の下での性能を検討する。

実験結果

リサーチクエスチョン

• RQ1 HTGR DLOFC シナリオの下で、二忠実度構成と三忠実度構成は ONC までの時間と ONC 後の温度予測にどの程度性能差を示すか？
• RQ2 この問題に対して、計算コストに対して予測精度を最大化する忠実度の組み合わせはどれか？
• RQ3 入力パラメータの重要性（支配的 vs 非支配的）は多忠実代理モデルの性能に影響を与えるか？
• RQ4 この適用において、どの多忠実アーキテクチャが入力構成間で堅牢な性能を提供するか？
• RQ5 解析関数でのベンチマーク検証は ONC CFD データセットへ予測可能に翻訳できるか？

主な発見

• 多忠実 GP は、ONC までの時間と ONC 後の温度の両方について、入力構成を問わず堅牢な性能を一般的に発揮する。
• ニューラルネットワーク代替は、訓練時間を大幅に短縮しつつ同等の精度を達成できる。
• 同等の計算コストで、二忠実度構成は三忠実度構成に匹敵するか、それを上回ることが多い。
• Prior sensitivity analysis によって識別された支配的入力を訓練に使用すると、代理モデルの性能が一貫して改善する。
• 低忠実度と高忠実度の組み合わせは、中間忠実度のみを含む構成よりも高い性能を示す傾向がある。
• 支配的入力を用いて訓練したモデルは、同等予算下で全入力セットを用いて訓練したモデルよりも良い性能を示す。