Im Rahmen dieses BMBF-geförderten Verbundprojekts „Innovative Methoden der Künstlichen Intelligenz (KI) zur Beschreibung hochkomplexer Vorgänge in der späten Unfallphase – InnoPhase“ soll das Potential von KI-Methoden in der Reaktorsicherheitsforschung anhand konkreter sicherheitsrelevanter Phänomene erforscht werden. Plant Simulation and Safety (PSS) fokussiert sich in dem Projekt auf die langfristige Kühlung von Partikelschüttungen. Durch die Verwendung von Machine Learning (ML)-Methoden soll die Berechnungsdauer von komplexen, mehrphasigen Prozessen in der späten Unfallphase, im Vergleich zu bestehenden Modellen in Systemcodes, signifikant reduziert werden.

ML-Modelle werden trainiert und validiert

Die durchzuführenden Arbeiten umfassen die Entwicklung und Validierung eines schnelllaufenden Surrogat-Modells für die Simulation des Schüttbettverhaltens im Rahmen von Reaktorsicherheitsanalysen. Dazu werden ML-Modelle trainiert und validiert. Die für das Training benötigten Daten werden mittels Simulationen eines validierten Detailmodells (COCOMO-3D) bereitgestellt. Grundlage dafür sind Arbeiten zur Weiterentwicklung von Methoden des ML, die sich für typische Problemstellungen der Simulation von Reaktorunfällen eignen.

Einen weiteren Fokus bildet die bewertende Analyse der Modellierung von Schüttbettkühlungen in Störfallanalysecodes um Modellierungsdefizite zu identifizieren, relevante Experimente aufzuzeigen und entsprechende Parameterbereiche der ML-Modelle festzulegen. Dann erfolgt durch Integration und Optimierung der entwickelten Surrogatmodelle die Erweiterung der Störfallanalysecode-Modellbasis, wobei die Implementierung anhand zu definierender Schnittstellen und eines Kopplungskonzeptes erfolgt. Abschließend werden die neuen Modelle durch eine vergleichende Bewertung mit geeigneten Versuchsreihen validiert. Die so gewonnenen Erkenntnisse sollen dann wieder in die laufende Entwicklung der ML-Modelle einfließen.

Die Projektpartner

PPS arbeitet im Rahmen des Projektes InnoPhase mit der Universität Stuttgart (Institut für Kernenergetik und Energiesysteme (IKE) und Lehrstuhl Machine Learning for Simulation Science (MLSim)) und dem assoziierten Partner Gesellschaft für Anlagen- und Reaktorsicherheit (GRS) gGmbH zusammen.