Accident scenario simulation and uncertainty quantification for next-generation nuclear microreactors by means of physics-informed machine learning framework

Novel nuclear reactor designs are envisioned to ensure safety and cost-effectiveness. Traditional safety assessment frameworks tend to be overly conservative, leading to over- estimating the required safety systems and increasing costs. They use computationally expensive simulation models, which make unfeasible a comprehensive analysis of accident scenarios and constrain the investigation to worst-case conditions. To address this challenge, computationally cheap surrogate models have emerged as a promising solution to provide detailed safety analysis. However, the available surrogates do not guarantee the required accuracy when a limited number of accident scenarios is available for their training, as it typically occurs for novel nuclear reactor designs, and do not estimate the uncertainty associated to the estimations, which is fundamental to assess their confidence and avoid over- or under- conservative estimations. This work proposes a novel framework which embeds a Physics-Informed Neural Network (PINN) with Allocation Points (AP) and a Gaussian Process (GP). The developed Physics-Informed Neural Network (PINN) with Allocation Points (AP) allows obtaining accurate estimations of the Quantity of Interest (QoI) by leveraging knowledge of the physics of the process into the surrogate. Then, the Gaussian Process (GP) is used to quantify the uncertainty of the surrogate’s estimations. The effectiveness of the approach is shown by means of its application to the safety assessment of a Nuclear Battery (NB), which is a next generation nuclear reactor design.

Sono previsti nuovi progetti di reattori nucleari per garantire sicurezza ed economicità. I tradizionali quadri di valutazione della sicurezza tendono ad essere eccessivamente conservativi, portando a sovrastimare i sistemi di sicurezza necessari e aumentando i costi. Utilizzano modelli di simulazione computazionalmente costosi, rendendo impraticabile un’analisi completa degli scenari di incidente e limitando l’indagine alle condizioni peggiori. Per affrontare questa sfida, sono emersi modelli surrogati computazionalmente economici come soluzione promettente per fornire un’analisi dettagliata della sicurezza. Tuttavia, i surrogati disponibili non garantiscono l’accuratezza richiesta quando un numero limitato di scenari di incidente è disponibile per il loro addestramento, come tipicamente accade per i nuovi progetti di reattori nucleari, e non stimano l’incertezza associata alle stime, fondamentale per valutare la loro affidabilità ed evitare stime troppo conservative o troppo ottimistiche. Questo lavoro propone un nuovo metodo che incorpora una Rete Neurale Informatizzata Fisicamente (PINN) con Punti di Allocazione (AP) e un Processo Gaussiano (GP). La Rete Neurale Informatizzata Fisicamente (PINN) sviluppata con Punti di Allocazione (AP) consente di ottenere stime accurate della Quantità di Interesse (QoI) sfruttando la conoscenza della fisica del processo nel sostituto. Successivamente, il Processo Gaussiano (GP) viene utilizzato per quantificare l’incertezza delle stime del sostituto. L’efficacia dell’approccio è dimostrata attraverso la sua applicazione alla valutazione della sicurezza di una batteria nucleare (NB), che è un innovativo progetto di microreattore nucleare di nuova generazione.