Optimisation of used nuclear fuel canister loading using a neural network and genetic algorithm

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:uu-468155" > Optimisation of use...

1 av 1
Föregående post
Nästa post
Till träfflistan

Solans, VirginieUppsala universitet,Tillämpad kärnfysik,Ecole Polytech Fed Lausanne EPFL, Sect Phys, Lausanne, Switzerland; Paul Scherrer Inst, Forsch Str 111, CH-5232 Villigen, Switzerland (författare)

Optimisation of used nuclear fuel canister loading using a neural network and genetic algorithm

Artikel/kapitelEngelska2021

Förlag, utgivningsår, omfång ...

2021-07-04
Springer Nature,2021
electronicrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:uu-468155
https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-468155URI
https://doi.org/10.1007/s00521-021-06258-2DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

This paper presents an approach for the optimisation of geological disposal canister loadings, combining high resolution simulations of used nuclear fuel characteristics with an articial neural network and a genetic algorithm. The used nuclear fuels (produced in an open fuel cycle without reprocessing) considered in this work come from a Swiss Pressurised Water Reactor, taking into account their realistic lifetime in the reactor core and cooling periods, up to their disposal in the final geological repository. The case of 212 representative used nuclear fuel assemblies is analysed, assuming a loading of 4 fuel assemblies per canister, and optimizing two safety parameters: the fuel decay heat (DH) and the canister effective neutron multiplication factor keff. In the present approach, a neural network is trained as a surrogate model to evaluate the keff value to substitute the time-consuming-code Monte Carlo transport & depletion SERPENT for specific canister loading calculations. A genetic algorithm is then developed to optimise simultaneously the canister keff and DH values. The keff computed during the optimisation algorithm is using the previously developed artificial neural network. The optimisation algorithm allows (1) to minimize the number of canisters, given assumed limits for both DH and keff quantities and (2) to minimize DH and keff differences among canisters. This study represents a proof-of-principle of the neural network and genetic algorithm capabilities, and will be applied in the future to a larger number of cases.

Ämnesord och genrebeteckningar

TEKNIK OCH TEKNOLOGIER Maskinteknik Energiteknik hsv//swe
ENGINEERING AND TECHNOLOGY Mechanical Engineering Energy Engineering hsv//eng
High-level nuclear waste
Neural network
Genetic algorithm

Biuppslag (personer, institutioner, konferenser, titlar ...)

Rochman, DimitriPaul Scherrer Inst, Forsch Str 111, CH-5232 Villigen, Switzerland. (författare)
Brazell, ChristianTexas A&M Univ, College Stn, TX 77843 USA. (författare)
Vasiliev, AlexanderPaul Scherrer Inst, Forsch Str 111, CH-5232 Villigen, Switzerland. (författare)
Ferroukhi, HakimPaul Scherrer Inst, Forsch Str 111, CH-5232 Villigen, Switzerland. (författare)
Pautz, AndreasEcole Polytech Fed Lausanne EPFL, Sect Phys, Lausanne, Switzerland.;Paul Scherrer Inst, Forsch Str 111, CH-5232 Villigen, Switzerland. (författare)
Uppsala universitetTillämpad kärnfysik (creator_code:org_t)

Sammanhörande titlar

Ingår i:Neural Computing & Applications: Springer Nature33:23, s. 16627-166390941-06431433-3058

Internetlänk

Hitta via bibliotek

Neural Computing & Applications (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Solans, Virginie; Rochman, Dimitri; Brazell, Christi ...; Vasiliev, Alexan ...; Ferroukhi, Hakim; Pautz, Andreas

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Maskinteknik; och Energiteknik

Artiklar i publikationen: Neural Computing ...

Av lärosätet: Uppsala universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se