Anwendung von künstlichen neuronalen Netzwerken auf die Berechnung von kritischen Parameterkurve

Abstract

Moderne Methoden des maschinellen Lernens, wie künstliche neuronale Netze, sind aktuell Gegenstand intensiver internationaler Forschung, da sie in der Lage sind, komplexe und nichtlineare Datenstrukturen zu erfassen und durch geeignete Modellarchitekturen und Trainingstechniken robuste Vorhersagen zu ermöglichen. Im Themengebiet der nuklearen Sicherheitsforschung bezieht sich ein mögliches Anwendungsgebiet auf die Erstellung von kritischen Parameterkurven. Diese existieren meist für eine Vielzahl von Anreicherungen und mit einer umfangreichen Abdeckung des Konzentrationsbereichs von 235U über mehrere Größenordnungen hinweg, sodass ihre Erstellung ein zeit- und rechenintensives Unterfangen ist. Der vorliegende Bericht dokumentiert die Untersuchungen der GRS zur möglichen Anwendung von künstlichen neuronalen Netzen zur Erstellung von kritischen Parameter-kurven. Aufbauend auf einer Machbarkeitsstudie wurden dabei verschiedene Architekturen neuronaler Netze untersucht und deren Modellparameter und Trainingstechniken optimiert. Die Anwendung eines immer komplexeren Modells ist bei Anwendung eines einzigen Modells auf mehrere Ausgangsparameter, bzw. für die Anwendung auf mehrere chemischen Systeme notwendig. In jeder Phase der Arbeiten wurde in einem weiten Konzentrationsbereich eine gute Reproduzierbarkeit der tatsächlichen Daten erreicht. In den extremen Randbereichen sehr niedriger und sehr hoher Spaltstoffkonzentration der Kurven, die von starken Nichtlinearitäten geprägt sind, verringert sich die Vorhersagekraft. Der Vergleich mit linearer Interpolation zeigte durchweg eine bessere Reproduzierbarkeit durch die neuronalen Netze, vor allem zu diesen Randbereichen hin. Modern machine learning methods, such as artificial neural networks, are currently the subject of intensive international research. They are capable of capturing complex and nonlinear data structures and, through suitable model architectures and training techniques, enabling robust predictions. In the field of nuclear safety research, one potential area of application lies in the generation of critical parameter curves. These typically exist for a wide range of enrichments and cover the concentration range of ²³⁵U over several orders of magnitude. Therefore, their generation is a time- and computation-intensive endeavor. This report documents the investigations conducted by GRS into the potential application of artificial neural networks for generating critical parameter curves. Building on a feasibility study, various neural network architectures were examined, and their model parameters and training techniques optimized. The use of increasingly complex models is necessary when applying a single model to multiple input parameters or across various chemical systems. At each stage of the work, good reproducibility of the actual data was achieved over a wide range of concentrations. In regions of very low or very high fissile material concentrations, at the extreme edge of the parameter curves, which are characterized by strong nonlinearities, the predictive power decreases. In comparison, linear interpolation consistently showed inferior reproducibility, especially in these edge regions, where the neural networks performed significantly better.