A digital twin approach for helium diffusivity in UO2 nuclear fuel based on SCIANTIX

Understanding the helium behavior in nuclear fuel is crucial for fuel performance analysis. This thesis developed a Digital Twin system enabling the interaction between separate effects experiments and helium behavior model in UO2 nuclear fuel. Bayesian Optimization and Domain Reduction methods are used to identify the experimental predictable state through quasi-online parameter interactions. Bayesian Inference with Markov Chain Monte Carlo quantifies the model parameters with probability margins according to the data collected in predictable state. By utilizing the time-series data from existing alpha-Doped UO2 annealing experiments for real-time interaction with SCIANTIX, the Digital Twin system successfully guided experiment duration and narrowed the prediction interval for fractional helium release by updating the confidence interval of helium diffusivity model in the SCIANTIX.

La comprensione del comportamento dell'elio nel combustibile nucleare è fondamentale per l'analisi delle prestazioni del combustibile. Questa tesi ha sviluppato un sistema Digital Twin che consente l'interazione tra gli esperimenti sugli effetti separati e il modello di comportamento dell'elio nel combustibile nucleare UO2. Sono stati utilizzati metodi di ottimizzazione bayesiana e di riduzione del dominio per identificare lo stato predittivo sperimentale attraverso interazioni di parametri quasi online. L'inferenza bayesiana con Markov Chain Monte Carlo quantifica i parametri del modello con margini di probabilità in base ai dati raccolti nello stato predittivo. Utilizzando le serie temporali degli esperimenti di ricottura di UO2 drogato esistenti per l'interazione in tempo reale con SCIANTIX, il sistema Digital Twin ha guidato con successo la durata dell'esperimento e ha ristretto l'intervallo di previsione del rilascio frazionario di elio aggiornando l'intervallo di confidenza del modello di diffusività dell'elio in SCIANTIX.