Localization of perturbations in nuclear reactor cores in the time-domain using self-supervised machine learning and domain adaptation

Papaoikonomou, Antonios; Παπαοικονόμου, Αντώνιος

dc.contributor.author	Papaoikonomou, Antonios	en
dc.contributor.author	Παπαοικονόμου, Αντώνιος	el
dc.date.accessioned	2022-10-05T10:39:34Z
dc.date.available	2022-10-05T10:39:34Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55849
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23547
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Πυρηνικοί αντιδραστήρες	el
dc.subject	Νετρονιακός θόρυβος	el
dc.subject	Προσαρμογή πεδίου	el
dc.subject	Αυτο-επιβλεπόμενη μάθηση	el
dc.subject	Βαθιά νευρωνικά δίκτυα	el
dc.subject	Machine learning	en
dc.subject	Nuclear reactors	en
dc.subject	Neutron noise	en
dc.subject	Domain adaptation	en
dc.subject	Self-supervised learning	en
dc.title	Localization of perturbations in nuclear reactor cores in the time-domain using self-supervised machine learning and domain adaptation	en
dc.title	Εντοπισμός διαταραχών σε πυρηνικούς αντιδραστήρες στο πεδίο του χρόνου με αυτο-επιβλεπόμενη μηχανική μάθηση και προσαρμογή πεδίου	el
heal.type	bachelorThesis
heal.classification	Επιστήμη Υπολογιστών	el
heal.classification	Computer Science	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-03-01
heal.abstract	Η παρούσα διπλωματική εργασία έρχεται να συμπληρώσει την ήδη υπάρχουσα έρευνα που γίνεται γύρω από την εποπτεία της λειτουργίας των πυρηνικών αντιδραστήρων και του εντοπισμού της πηγής των διαταραχών κατά την λειτουργία αυτών μέσω διαγνωστικών σφάλματος από τα σήματα νετρονιακού θορύβου κάνοντας χρήση τεχνικών της Μηχανικής Μάθησης. Απώτερος σκοπός προκειμένου να γίνει ο εντοπισμός των διαταραχών αυτών είναι η εύρεση της αντίστροφης συνάρτησης μεταφοράς του αντιδραστήρα. Καθώς όμως το πλήθος των αισθητήρων που έχουμε διαθέσιμους σε κάθε αντιδραστήρα είναι περιορισμένο και σημαντικά μικρότερο από το πλήθος των πιθανών θέσεων εντοπισμού των διαταραχών, η συγκεκριμένη αναστροφή δεν είναι τετριμμένη πράγμα που καθιστά επιτακτική την χρήση της Μηχανικής Μάθησης. Το παραπάνω επιτυγχάνεται με χρήση Μονοδιάστατων καθώς και Δισδιάστατων Βαθιών Συνελικτικών Δικτύων (1D-CNNs, 2D-CNNs) μέσω εκπαίδευσης σε συνθετικά σήματα αισθητήρων απευθείας στο πεδίο του χρόνου, μειώνοντας σημαντικά την υπολογιστική πολυπλοκότητα. Τα συνθετικά δεδομένα αυτά έχουν παραχθεί μέσω του προσομοιωτικού προγράμματος S3K και αντιστοιχούν στο πυρηνικό εργοστάσιο Gösgen (KKG) τύπου PWR που εντοπίζεται στην Ελβετία. Τέλος, προκειμένου να γίνει εναρμόνιση των συνθετικών δεδομένων με τις αντίστοιχες πραγματικές μετρήσεις του ίδιου αντιδραστήρα παρουσιάζεται μια τεχνική Αυτο-Επιβλεπόμενης Προσαρμογής Πεδίου (SSDA) για την εκπαίδευση της προτεινόμενης αρχιτεκτονικής.	el
heal.abstract	This thesis complements the existing research on monitoring the operation of Nuclear Reactor Cores and locating the source of perturbations through fault diagnostics from neutron-noise signals using Machine Learning techniques. The ultimate goal in order to detect these perturbations is to find the Inverse transfer function of the reactor. However, as the number of sensors available in each reactor is limited and significantly smaller than the number of possible locations for the detection of perturbations, this inversion is not a trivial task, which makes the use of Machine Learning imperative. The above is achieved by using One-Dimensional as well as Two-Dimensional Deep Convolutional Neural Networks (1D-CNNs, 2D-CNNs) through training in synthetic sensor signals directly in the time domain, thus significantly reducing computational complexity. The synthetic data has been produced using the S3K simulation code and correspond to the PWR type Gösgen (KKG) Nuclear Power Plant located in Switzerland. Finally, in order to align the synthetic data with the corresponding actual measurements of the same reactor, a Self-Supervised Domain Adaptation (SSDA) technique is presented for the training of the proposed architecture.	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.advisorName	Kollias, Stefanos	en
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	55 σ.	el
heal.fullTextAvailability	false