Детальная информация

Фракции газов деления и концентрации водорода имеют большое значение для безопасности и эффективности из-за их прямого влияния на теплопроводность топлива. Поэтому моделирование поведения выбросов газов деления и возможность измерения или прогнозирования их количества имеют решающее значение. В соответствии с этой целью данное исследование направлено на создание корреляций, которые предсказывают фракцию газов деления и концентрацию водорода. В этом процессе сначала был выполнен анализ чувствительности с использованием численных решений, и был создан набор данных. Впоследствии корреляции были получены с использованием машинного обучения на основе программирования экспрессии генов (GEP). Результаты, полученные из корреляций, сравнивались с результатами численного решения с точки зрения среднеквадратической ошибки (MSE), квадратичной ошибки (R^2) и средней абсолютной ошибки (AAE), что демонстрирует высокую степень точности. В будущих исследованиях применение искусственного интеллекта в смежных областях имеет потенциал для ускорения процесса и устранения человеческих ошибок.

Fission gas fractions and hydrogen concentrations are of significant importance regarding safety and efficiency due to their direct impact on the thermal conductivity of the fuel. Therefore, modeling the behavior of fission gas releases and being able to measure or predict their quantities is crucial. In line with this objective, this study aims to produce correlations that predict the fraction of fission gases and concentration of hydrogen. In this process, a sensitivity analysis was first performed using numerical solutions, and a dataset was created. Subsequently, correlations were generated using machine learning-based Gene Expression Programming (GEP). The results obtained from the correlations were compared with the numerical solution results in terms of Mean Square Error (MSE), Square Error (R^2), and Average Absolute Error (AAE), demonstrating a high degree of accuracy. In future studies, the application of artificial intelligence in related fields holds the potential to accelerate the process and eliminate human error.