ترجمه فارسی مقاله تخمین حالت قوی از اندازه‌گیری‌های جزئی خارج از هسته با رمزگشای بازگشتی کم عمق برای راکتورهای هسته‌ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Robust State Estimation from Partial Out-Core Measurements with Shallow Recurrent Decoder for Nuclear Reactors
عنوان مقاله به فارسی تخمین حالت قوی از اندازه‌گیری‌های جزئی خارج از هسته با رمزگشای بازگشتی کم عمق برای راکتورهای هسته‌ای
نویسندگان Stefano Riva, Carolina Introini, Antonio Cammi, J. Nathan Kutz
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Instrumentation and Detectors,Numerical Analysis,Computational Physics,ابزار دقیق و آشکارسازها , تجزیه و تحلیل عددی , فیزیک محاسباتی ,
توضیحات Submitted 19 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Reliable, real-time state estimation in nuclear reactors is of critical importance for monitoring, control and safety. It further empowers the development of digital twins that are sufficiently accurate for real-world deployment. As nuclear engineering systems are typically characterised by extreme environments, their in-core sensing is a challenging task, even more so in Generation-IV reactor concepts, which feature molten salt or liquid metals as thermal carriers. The emergence of data-driven methods allows for new techniques for accurate and robust estimation of the full state space vector characterising the reactor (mainly composed by neutron fluxes and the thermal-hydraulics fields). These techniques can combine different sources of information, including computational proxy models and local noisy measurements on the system, in order to robustly estimate the state. This work leverages the Shallow Recurrent Decoder (SHRED) architecture to estimate the entire state vector of a reactor from three, out-of-core time-series neutron flux measurements alone. Specifically, the Molten Salt Fast Reactor, in the EVOL geometry (Evaluation and Viability of Liquid Fuel Fast Reactor System project), is demonstrated as a test case, with neutron flux measurements alone allowing for reconstruction of the 20 coupled field variables of the dynamics. This approach can further quantify the uncertainty associated with the state estimation due to its considerably low training cost on compressed data. The accurate reconstruction of every characteristic field in real-time makes this approach suitable for monitoring and control purposes in the framework of a reactor digital twin.

چکیده به فارسی (ترجمه ماشینی)

تخمین قابل اعتماد و در زمان واقعی در راکتورهای هسته ای برای نظارت ، کنترل و ایمنی از اهمیت اساسی برخوردار است.این امر همچنین باعث توسعه دوقلوهای دیجیتال می شود که به اندازه کافی برای استقرار در دنیای واقعی دقیق هستند.از آنجا که سیستم های مهندسی هسته ای به طور معمول توسط محیط های شدید مشخص می شوند ، سنجش درون هسته آنها یک کار چالش برانگیز است ، حتی بیشتر در مفاهیم راکتور Generation-IV ، که دارای نمک مذاب یا فلزات مایع به عنوان حامل های حرارتی هستند.ظهور روشهای داده محور امکان تخمین دقیق و قوی وکتور فضای کامل حالت را که مشخصه راکتور (که عمدتا توسط شار نوترونی و زمینه های حرارتی-هیدرولیک تشکیل شده است) امکان پذیر است.این تکنیک ها می توانند منابع مختلفی از اطلاعات ، از جمله مدل های پروکسی محاسباتی و اندازه گیری های پر سر و صدا محلی را بر روی سیستم ، به منظور برآورد محکم حالت ، ترکیب کنند.این کار از معماری رمزگشایی مکرر کم عمق (Shred) استفاده می کند تا کل وکتور حالت یک راکتور را از سه اندازه گیری شار نوترون سریال خارج از هسته به تنهایی برآورد کند.به طور خاص ، راکتور سریع نمک مذاب ، در هندسه EVOL (ارزیابی و زنده ماندن پروژه سیستم راکتور سریع سوخت مایع) ، به عنوان یک مورد آزمایش نشان داده شده است ، با اندازه گیری شار نوترونی به تنهایی امکان بازسازی 20 متغیر میدانی همراه دینامیک را فراهم می کند.این رویکرد به دلیل هزینه آموزش قابل توجهی در داده های فشرده شده ، می تواند عدم اطمینان مرتبط با تخمین دولت را کمیت کند.بازسازی دقیق هر زمینه مشخصه در زمان واقعی باعث می شود این روش برای اهداف نظارت و کنترل در چارچوب یک دوقلو دیجیتال راکتور مناسب باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.