(GRS-804) Anwendung von künstlichen neuronalen Netzwerken auf die Berechnung von kritischen Parameterkurven - Erweiterte Machbarkeitsstudie und erste Anwendungen

Förderkennzeichen 4722E03240

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 In-terolation zeigte durchweg eine bessere Reproduzierbarkeit durch die neuronalen Netze, vor allem zu diesen Randbereichen hin.