管内データで束ねた燃料集合体の限界熱流束を当てにいく：CTF×ハイブリッド機械学習の一般化検証

TL;DR（結論）

• 本論文が狙っているのは、管ベースのCHF予測モデルを、より複雑なロッドバンドルへ持ち込んだときの一般化性能の定量化です。
• 言い換えると、「学習データが暗に背負っていた物理的前提が崩れる環境で、どの程度まで予測が保たれるか」を、結果の数字として見える形にする取り組みです。
• 出発点となる学習データは、NRC CHFデータベースです。

なぜこの問題か

限界熱流束（CHF）の予測は、原子炉の熱流動評価における要所です。ここが外れると、「どこで」「どれくらい」限界に達するかの見立てが揺らぎ、設計や評価の判断が別の不確かさではなく“CHFの不確かさ”に強く引っ張られます。つまりCHFは、単独の指標というより、解析全体の結論の重心を左右し得る場所に座っている、ということです。

核心：何を提案したのか

本論文が狙っているのは、管ベースのCHF予測モデルを、より複雑なロッドバンドルへ持ち込んだときの一般化性能の定量化です。言い換えると、「学習データが暗に背負っていた物理的前提が崩れる環境で、どの程度まで予測が保たれるか」を、結果の数字として見える形にする取り組みです。ここで大事なのは、最初から“バンドル専用に最適化したモデル”を作る話ではなく、あくまで「管で作ったものがどこまで粘るか」を測る立て付けだという点です。

続きはログイン/プランで閲覧できます。