[논문 리뷰] Multifidelity Surrogate Modeling of Depressurized Loss of Forced Cooling in High-temperature Gas Reactors

Meredith Eaheart, Majdi I Radaideh|arXiv (Cornell University)|2026. 03. 14.

Nuclear Engineering Thermal-Hydraulics인용 수 0

한 줄 요약

이 논문은 다충실도 기계 학습 대리자를 평가하여 HTGR DLOFC 과도 상황에서 자연 순환 시작 시점과 ONC 이후 온도를 예측하고, 입력 및 충실도 전반에서 두 충실도 전략과 세 충실도 전략을 비교한다.

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.

연구 동기 및 목표

• HTGR DLOFC 안전성 분석에서 CFD 비용을 줄이기 위해 신속한 대리모델링을 촉진한다.
• 입력 민감도와 충실도 조합이 다충실도 대리모델 성능에 미치는 영향을 평가한다.
• 동일한 계산 예산에서 두-충실도와 세-충실도 전략을 비교한다.
• 지배 입력과 비지배 입력 선택이 대리모델 정확도에 미치는 영향을 조사한다.
• HTGR 과도 현상 예측을 위한 방법 선택에 대한 지침을 제공한다.

제안 방법

• Ansys Fluent를 사용하여 세 가지 메시 기반 충실도 수준에서 HTGR DLOFC 시나리오에 대한 HF, MF, LF CFD 데이터 세트를 개발한다 (HF ~70k 요소, MF ~35k, LF ~17.5k).
• 다중 충실도 대리모델 아키텍처를 학습하고 비교한다: delta NN, flag NN, intermediate NN, GPmimic, two-step NN, three-step NN, MF-GP를 이들 이진- 및 삼중 충실도 구성에서.
• ONC 데이터에 적용하기 전에 MF2 분석 벤치마크(Forrester, Booth, Park91A, Hartmann, Borehole)에서 방법을 검증한다.
• 벤치마크에서 그리드 검색으로 하이퍼파라미터 튜닝을 수행하고 ONC 데이터에 적용하며, 손실 가중치와 정규화를 사용한다; ONC까지의 시간과 ONC 이후 온도로 평가한다.
• 이전 민감도 분석을 바탕으로 입력을 All, Dominant, Non-Dominant 세트로 분할하여 지배 입력과 비지배 입력 하에서의 성능을 연구한다.

실험 결과

연구 질문

• RQ1 HTGR DLOFC 시나리오에서 ONC 시간 예측 및 ONC 이후 온도 예측에 대해 두-충실도와 삼중 충실도 구성은 어떻게 성능이 다른가?
• RQ2 이 문제에 대해 어떤 충실도 쌍이 계산 비용 대비 예측 정확도를 극대화하는가?
• RQ3 입력 매개변수의 관련성(지배 vs 비지배)이 다충실도 대리모델의 성능에 영향을 미치는가?
• RQ4 이 응용에서 어떤 다충실도 아키텍처가 입력 구성에 관계없이 안정적인 성능을 제공하는가?
• RQ5 해석적 함수에서의 벤치마크 검증이 ONC CFD 데이터 세트에 예측 가능하게 일반화될 수 있는가?

주요 결과

• 다중충실도 GP는 두 입력 구성에서 모두 ONC 시간과 ONC 이후 온도에 대해 일반적으로 안정적인 성능을 제공한다.
• 신경망 대리모델은 상당히 낮은 학습 시간으로도 비슷한 정확도를 달성한다.
• 동일한 계산 비용에서 두-충실도 구성이 종종 세-충실도보다 같거나 우수한 성능을 보인다.
• 지배 입력은 이전 민감도 분석으로 식별되었으며 학습에 사용될 때 대리모델 성능을 일관되게 향상시킨다.
• 저- 및 고충실도 페어링이 중간 충실도만 포함된 구성보다 더 강한 성능을 보인다.
• 지배 입력으로 학습된 모델이 유사 예산 하에서 전체 입력 세트로 학습된 모델보다 더 나은 성능을 보인다.