Decision Tree Insights Analytics (DTIA): An Explainable AI Framework for Severe Accident Analysis
Tid: Fr 2026-01-16 kl 10.00
Plats: FB51, Roslagstullsbacken 21, Stockholm
Språk: Engelska
Ämnesområde: Energiteknik Kärnenergiteknik
Respondent: Karim Hossny , Kärnvetenskap och kärnteknik
Opponent: Afaque Shams, King Fahd University of Petroleum and Minerals (KFUPM)
Handledare: Walter Villanueva, Kärnvetenskap och kärnteknik, Nuclear Futures Institute, Bangor University, Bangor, UK; Chong Qi, Kärnvetenskap och kärnteknik
QC 2025-12-12
Abstract
Inom analysen av kärnreaktorsäkerhet betecknar vi en olycka som allvarlig när en partiell härdsmälta och materialomplacering inleds. Forskare använder simuleringsverktyg som ANSYS och MELCOR för att studera dessa händelser på ett säkert sätt, vilket genererar stora och komplexa datamängder. I detta arbete tillämpade vi maskininlärningens förklarbarhet och tolkbarhet för att utvinna insikter från simuleringar av allvarliga olyckor för den nordiska kokvattenreaktorn (BWR) genom fem iterativa studier. För det första undersökte vi förklarbarheten hos beslutsträdsklassificeringsalgoritmen för att skilja mellan olyckstyper baserat på tidsberoende yttre temperatur på reaktortanken. För det andra generaliserade vi modellen för att skapa ett mer statistiskt robust och generiskt ramverk och introducerade det öppna ramverket Decision Tree Insights (https://github.com/KHossny/DTIA), som Analytics (DTIA) kombinerar förklarbarhet, tolkbarhet och statistisk robusthet. För det tredje tillämpade vi DTIA på högdimensionella data från MELCOR:s COR-paket för ett totalt strömavbrott kombinerat med ett kylvätskeförlustscenario (SBO + LOCA) i en nordisk BWR, vilket avslöjade nya fynd. För det fjärde använde vi DTIA för att jämföra strukturella variabler i reaktortankens nedre del under SBO- och SBO + LOCAförhållanden. Slutligen kopplade vi DTIA till K-Means-klustring för att hantera behovet av märkta data, vilket avslöjade tidigare förbisedda händelser som smältning av kapseln. Vi drog slutsatsen att de mönster som identifieras av maskininlärning vid koppling mellan indata och utdata kan avslöja insikter som tidigare förbises, särskilt i högdimensionella och komplexa datamängder.