Thesis (M.S.)--University of Michigan, 1977.

Thesis (M.S.)--University of Michigan, 1969.

Thesis (M.S.)--University of Michigan, 1959.

No description available.

Thesis (M.S.)--University of Michigan, 1977.

Thesis (M. S.)--Mechanical Engineering, Georgia Institute of Technology, 2009. / Committee Chair: Abdel-Khalik, Said; Committee Member: Ammar, Mostafa H.; Committee Member: Ghiaasiaan, S. Mostafa; Committee Member: Hertel, Nolan E.; Committee Member: Liu, Yingjie.

The core component of a nuclear power plant is the reactor and the fuel rods that supply it with fission fuel. Efficient and safe energy extraction is thus highly dependent on the reactor design and the conditions of the fuel rods. To anticipate high-quality operation and potential risks in advance, one must perform simulations on the fuel rods. This is traditionally executed using fuel performance codes such as the Transuranus and FRAPCON. These codes offer intricate and accurate models of the underlying physical processes that govern fuel rod performance, encompassing aspects like linear heat generation rates, neutron flux and their irradiation effects, fuel rod expansion and contraction, clad corrosion, and fission gas release. However, fuel performance codes cannot be easily parallelized using modern hardware accelerators, such as graphic processing units, due to their iterative nature that follows from the complexity of coupling multiphysics-based models. Thus, they can only simulate one fuel rod at a time per CPU. The challenge comes when trying to simulate all the 10,000 to 100,000 fuel rods in a typical pressurized water reactor, which is a relatively slow process as compared to parallelized computation for all time steps using a GPU. To improve the speed aspect of the fuel performance modeling, a data-driven surrogate model based on neural networks is developed. The main advantage of a neural network over fuel performance codes is its ability to perform parallelized computations using one or more GPUs. The preexisting architectures that were explored include Temporal Convolutional Network, Fourier Neural Operator, and a Transformer. Additionally, a novel architecture is proposed, the Temporal Frequency Network. This is a heterogeneous ensemble method that is based on the Temporal Convolutional Network and the Fourier Neural Operator. The newly proposed architecture archives the lowest validation error among the preexisting architectures with a minor increase in the computations as compared to the ensemble components. The Temporal Frequency Network is then applied to take time-dependent inputs in the form of linear heat generation rate and use it as the only information to predict various time-dependent variables of the fuel rods. The predicted variables include fuel center-line temperature, central void pressure, oxidation thickness, fuel gap width, hydrogen absorption, integral fission gas release, and integral fractional gas release. When deploying the neural network in practice, the user cannot in general trust that the model will generalize from its training, especially in fuel performance modeling where accurate predictions are important to demonstrate safe operation. To ensure that the predictions of the model are reliable, a separate neural network called decoder is trained to qualitatively quantify the error of the previous model that made the predictions, called encoder. This is done by training the decoder to reconstruct the original input to the encoder by providing it with the output, e.g., the inverse task. It is then possible to compare the original input with the reconstructed input, thus, an error can be computed that can be used to qualitatively determine the quality of the predictions.  With the Temporal Frequency Network, the average validation error was roughly 1% error. This makes it a strong candidate surrogate model for fuel performance modeling. In addition, with the encoder-decoder setup, this work provides a robust framework for error estimation that can be performed on new, potentially out-of-distribution inputs without the need for a fuel performance code. This setup is therefore suitable for applications where a low false negative rate is desired. / Huvudkomponenten i ett kärnkraftverk är reaktorn och bränslestavarna som förser den med kärnbränsle. Effektiv och säker energiextraktion är därför starkt beroende av reaktorns utformning och bränslestavarnas skick. För att förutse högkvalitativ drift och potentiella risker i förväg måste man utföra simuleringar på bränslestavarna. Detta utförs traditionellt med bränslestavskoder som Transuranus och FRAPCON. Denna uppgift utförs traditionellt med bränsleprestandakoder som Transuranus och FRAPCON. Dessa koder tillhandahåller detaljerade och exakta modeller som modellerar bränslestavens fysikaliska beteende. Modelleringen i denna arbete omfattar aspekter som linjär längdvärmebelastning, snabbneutronflöde och deras bestrålnings effekter, expansion samt kontraktion av bränslestaven, kapslingskorrosion och utsläpp av fissionsgas. Emellertid kan dessa bränslestavskoder inte enkelt parallelliseras med moderna hårdvaruacceleratorer som grafikprocessorer på grund av deras iterativa karaktär som följer från komplexitiviteten med att modellera multiskaliga system med kopplade interaktioner mellan variablerna. Koderna kan således endast simulera ett bränslestav åt gången per CPU. Utmaningen uppstår när man försöker simulera alla 10,000 till 100,000 bränslestavar i en typisk tryckvattenreaktor, vilket är en relativt tidskrävande process i jämnförelse till paralelliserad beräkning för alla tidssteg genom att använda en GPU. För att reducera tiden för bränslestavsmodelleringen utvecklades en datadriven surrogatmodell som är baserad på neurala nätverk. Den viktigaste fördelen som ett neural nätverk har över en bränslestavskod är dess förmåga att utföra paralleliserade beräkningar genom att använda en eller flera GPU:er. De befintliga arkitekturerna som utforskades inkluderar Temporala faltningsnätverk, Fourier neurala operatorn och en Transformer. Dessutom föreslås en ny arkitektur, Temorala frekvensnätverk. Arkitekturen är en heterogen ensemblemetod som bygger på Temporala faltningsnätverk och Fourier neurala operator. Den nyligen föreslagna arkitekturen uppnår det lägsta valideringsfelet bland de föreslagna arkitekturerna med en mindre ökning av antal beräkningar i jämnförelse med dess individa ensemblekomponenter. Temporala frekvensnätverket användes sedan för att ta tidsberoende indata i form av linjära längdvärmebelastning och använda den som den enda informationen för att förutsäga olika tidsberoende variabler hos bränslestavarna. De förutsagda variablerna inkluderar bränslets temperatur, trycket hos den fria volymen, oxidationstjocklek, bränslegapsbredd, väteabsorption hos kapslingen, ackumulerad generad fissiongas och totalt relativt fissiongasutsläpp. När man implementerar det neurala nätverket i praktiken kan användaren i allmänhet inte lita på att modellen kommer att generalisera från sin träning, särskilt i bränslestavsmodellering där förutsägelser med hög noggrannhet är viktiga för att demonstrera säker drift. För att säkerställa att förutsägelserna är tillförlitliga tränas ett separat neuralt nätverk för att vara en avkodare vars uppgift är att kvantifiera kvaliteten på förutsägelser som görs av den tidigare modellen, kodaren. Detta uppnås genom att träna avkodaren på att lära sig funktionen som avbildar utdatan till indatan. På så vis kan den ursprungliga indatan jämnföras med den rekonstruerade indatan, och ett fel kan beräknas för att kvalitativt avgöra kvaliten hos prediktionerna av kodaren. Med Temporala frekvensnätverket hölls det genomsnittliga valideringsfelet vid cirka 1%, vilket gör det till en stark kandidat för bränslestavsmodellering. Dessutom, med uppställningen för kodare-avkodare, erbjuder detta arbete en robust utgångspunkt för felförutsägelse som kan utföras på nya indata som potentiellt är urvald bortom fördelningen för träningsdatan utan att behöva använda en bränslestavskod. Denna uppställning är därför lämplig för tillämpningar där låg andel falska negativa fall är önskvärd.

Thesis (Nucl.E.)--Massachusetts Institute of Technology, Dept. of Nuclear Engineering, 1981. / MICROFICHE COPY AVAILABLE IN ARCHIVES AND SCIENCE. / Includes bibliographical references. / by John Edward Rivera. / Nucl.E.

Thesis (M.S.)--Massachusetts Institute of Technology, Dept. of Nuclear Engineering, 1980. / MICROFICHE COPY AVAILABLE IN ARCHIVES AND SCIENCE. / Includes bibliographical references. / by King-Wo Thomas Chiu. / M.S.

Thesis: Ph. D., Massachusetts Institute of Technology, Department of Mechanical Engineering, 1982 / Includes bibliographical references. / by Paul Douglas Symolon. / Ph. D. / Ph. D. Massachusetts Institute of Technology, Department of Mechanical Engineering