| Project/Area Number |
23K23271
|
|---|
| Project/Area Number (Other) |
22H02003 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 31010:Nuclear engineering-related
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
Miwa Shuichiro 東京大学, 大学院工学系研究科(工学部), 准教授 (00705288)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
原 聡 電気通信大学, 大学院情報理工学研究科, 教授 (40780721)
Pellegrini Marco 東京大学, 大学院工学系研究科(工学部), 特任准教授 (50741360)
岡本 孝司 東京大学, 大学院工学系研究科(工学部), 教授 (80204030)
武居 昌宏 千葉大学, 大学院工学研究院, 教授 (90277385)
|
|---|
| Project Period (FY) |
2024-04-01 – 2025-03-31
|
| Project Status |
Completed (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,420,000 (Direct Cost: ¥13,400,000、Indirect Cost: ¥4,020,000)
Fiscal Year 2024: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2023: ¥5,460,000 (Direct Cost: ¥4,200,000、Indirect Cost: ¥1,260,000)
Fiscal Year 2022: ¥7,410,000 (Direct Cost: ¥5,700,000、Indirect Cost: ¥1,710,000)
|
|---|
| Keywords | 原子力工学 / 熱流動 / 機械学習 / 混相流 / 熱流体工学 / 凝縮 / 人工知能 / 気液二相流 / 深層学習 |
|---|
| Outline of Research at the Start |
次世代原子炉をはじめとした熱流動解析においては、保存則の解法に必要な構成方程式に大きく依存しており、近年重要視されている高詳細・高解像度解析を効率的に実施するためにも、モデルの精度向上はこれまで以上に重要な課題となっている。本研究提案においては機械学習をはじめとしたAI技術を熱流体解析に融合させ、最新鋭の計測機器より構築されるビッグデータから気液界面形状に関する情報を帰納的に抽出することで、気液界面構造の内在的な現象メカニズムを明らかにし、既存の構成方程式を高精度化・高度化することを目的とする。
|
| Outline of Final Research Achievements |
In this study, we aimed to establish a foundational framework for data-driven thermal-fluid analysis using machine learning, with a particular focus on fundamental approaches involving AI-based pattern recognition, feature extraction, and data generation. As the first initiative, a model was developed that combines high-resolution two-phase flow images obtained via high-speed cameras with a convolutional neural network-based object detection algorithm, enabling the extraction of gas-liquid interface features within two-phase flow fields.In the second initiative, a generalized PINNs framework for incompressible fluids was constructed, and a novel method integrating three key improvements was proposed.Finally, two-phase flow image datasets were generated using generative AI technologies, thereby demonstrating the applicability of AI for data synthesis.
|
| Academic Significance and Societal Importance of the Research Achievements |
人工知能技術（AI）は、これまでとは異なる新たなアプローチであるA駆動型手法をもたらした。本研究提案では、本手法の原子力熱流動への適用を検討し、従来のシミュレーションや実験で収集されたデータセットや、既に構築された物理モデルを、AIモデルの訓練データや損失関数としての利用を試みた。この枠組みにより、パラメータ予測、分類、クラスタリング、物体検出、さらに経験的相関式や機構論モデルを組み込んだ物理インフォームドニューラルネットワーク（PINNs）といった、データ駆動型あるいは物理駆動型のAIモデルが可能となり、今後の原子力熱流動分野における貢献が期待される。
|
