Nuclear Data Adjustment for Nonlinear Applications in the OECD/NEA WPNCS SG14 Benchmark -- A Bayesian Inverse UQ-based Approach for Data Assimilation

Dit artikel introduceert een Bayesiaanse inverse onzekerheidskwantificeringsmethode voor het aanpassen van kerngegevens in niet-lineaire toepassingen, waarbij wordt aangetoond dat deze methode superieur is aan traditionele GLLS- en MOCABA-benaderingen in het OECD/NEA WPNCS SG14-benchmark.

De kern

De Kern van het Onderzoek: Het "Recept" Verbeteren

Stel je voor dat je een heel complexe, gevaarlijke soep kookt (een kernreactor). Om te weten of de soep veilig is, moet je de exacte hoeveelheden ingrediënten weten (zoals uranium en water). Maar in de echte wereld weten we niet precies hoeveel er in elke pot zit; er zit altijd een beetje onzekerheid in.

In de kernfysica noemen we deze ingrediënten "kerngegevens". Als deze gegevens niet 100% kloppen, kan je berekening van de veiligheid van de reactor fout zijn.

De onderzoekers van deze paper proberen een slimme manier te vinden om deze "recepten" (de kerngegevens) te verbeteren door te kijken naar echte experimenten (proefpotten). Ze vergelijken drie verschillende methoden om dit te doen:

1. GLLS (De "Rekenmachine"): Een oude, bewezen methode die werkt als een simpele rekenmachine.
2. MOCABA (De "Steekproefnemer"): Een modernere methode die veel voorbeelden uitprobeert.
3. IUQ (De "Bayesiaanse Detective"): De nieuwe, geavanceerde methode die deze paper introduceert.

---

De Drie Methoden in Beeld

1. GLLS: De Strakke Rekenmachine

Stel je voor dat je een rechte lijn tekent op een vel papier. Als je de ingrediënten een beetje verandert, gaat de uitkomst (de veiligheid) ook in een rechte lijn omhoog of omlaag.

• Hoe het werkt: GLLS gaat ervan uit dat alles lineair is (een rechte lijn). Het is snel en werkt fantastisch als je simpele situaties hebt.
• Het probleem: In de echte wereld is de "soep" soms niet lineair. Soms verandert een klein beetje extra ingrediënt de uitkomst heel veel, of juist heel weinig (een kromme lijn). GLLS kan deze kromme lijnen niet zien. Het blijft maar een rechte lijn tekenen, wat leidt tot verkeerde voorspellingen bij complexe situaties.

2. MOCABA: De Steekproefnemer

Stel je voor dat je in plaats van één rechte lijn, duizenden kleine steekproeven neemt. Je gooit duizenden keren met een dobbelsteen om te zien wat er gebeurt als je de ingrediënten iets verandert.

• Hoe het werkt: MOCABA probeert duizenden scenario's uit. Het kan kromme lijnen beter volgen dan GLLS.
• Het nadeel: Het moet de resultaten nog steeds een beetje "op de kop" zetten (transformatie) om ze bruikbaar te maken. Het is goed, maar niet perfect. Het ziet de kromme lijn, maar mist soms de fijne details.

3. IUQ (De Nieuwe Ster): De Bayesiaanse Detective

Dit is de methode die de onderzoekers van North Carolina State University willen promoten.

• Hoe het werkt: In plaats van te rekenen of te dobbelen, gebruikt IUQ een slim algoritme (MCMC) dat direct "in de toekomst" kijkt. Het neemt de echte metingen en werkt terug naar de oorzaak.
• De kracht: Het ziet de volledige, kromme, complexe realiteit. Het maakt geen aannames dat alles een rechte lijn is. Het leert direct van de data.
• Het nadeel: Het is zwaar werk voor de computer (het kost veel tijd en rekenkracht), maar de resultaten zijn veel nauwkeuriger.

---

Het Grote Experiment: De "Benchmark"

De onderzoekers deden een test (een benchmark) georganiseerd door de OECD. Ze kregen vier experimenten (proefpotten) en drie toepassingen (echte reactoren).

• Sommige proefpotten leken heel erg op de echte reactoren (hoge correlatie).
• Sommige leken er helemaal niet op, of hadden zelfs een negatieve relatie (ze deden het tegenovergestelde).

De verrassende ontdekking:
Vaak denken mensen: "Als een experiment er niet op lijkt (lage correlatie), is het nutteloos om het te gebruiken."
De onderzoekers ontdekten dat dit niet waar is. Zelfs een experiment dat er heel anders uitziet, kan heel waardevolle informatie geven over de "verborgen" eigenschappen van de reactor, vooral als de reactie niet-lineair is (krom is).

Het is alsof je een auto wilt repareren. Je kijkt niet alleen naar de banden (die lijken op die van een andere auto), maar ook naar de motor. Zelfs als de motor er heel anders uitziet dan bij de andere auto, kan het geluid van die motor je vertellen wat er mis is met de brandstofpomp.

Wat is de Conclusie?

1. Voor simpele dingen: De oude methode (GLLS) werkt prima.
2. Voor complexe, niet-lineaire dingen: GLLS faalt. Het tekent een rechte lijn waar er een bocht is.
3. De winnaar: De nieuwe IUQ-methode is de beste voor complexe situaties. Het kan de kromme lijnen en de rare patronen perfect volgen.
4. Waarschuwing: Omdat IUQ zo'n slimme detective is, moet je wel oppassen met welke "getuigen" (experimenten) je erbij haalt. Soms lijkt een getuige niet relevant, maar heeft hij juist het sleutelinformatie die niemand anders heeft.

Samenvattend in één zin:

Deze paper laat zien dat als je complexe, onvoorspelbare systemen (zoals kernreactoren) wilt begrijpen, je niet kunt volstaan met simpele rechte lijnen; je hebt een slimme, computer-gebaseerde detective (IUQ) nodig die de echte, kromme realiteit kan zien, zelfs als de bewijsstukken (experimenten) op het eerste gezicht niets met elkaar te maken lijken te hebben.

Technische samenvatting

Titel en Context

Het artikel presenteert een studie uitgevoerd in het kader van een benchmark-exercise van de OECD/NEA WPNCS SG14 (Working Party on Nuclear Criticality Safety). Het doel van deze benchmark was om de prestaties van bestaande methoden voor het aanpassen van nucleaire data (nuclear data adjustment) te evalueren, specifiek gericht op niet-lineaire toepassingen en experimenten met een lage correlatie tot de toepassingen. De auteurs, Christopher Brady en Xu Wu van de North Carolina State University, introduceren en valideren een Bayesiaanse Inverse Uncertainty Quantification (IUQ) methode en vergelijken deze met traditionele benaderingen.

Het Probleem

De nucleaire sector staat voor uitdagingen bij het ontwerpen van geavanceerde en kleine modulaire reactoren, vaak met verrijkte brandstof. Om veiligheidsnormen te halen en proliferatie te voorkomen, is het noodzakelijk om modelvoorspellingen nauwkeuriger te maken.

• Nucleaire data-aanpassing: Dit proces gebruikt experimentele data om onzekerheden in nucleaire kruisdoorsneden (cross-sections) te reduceren en zo de voorspelling van systemen (zoals de effectieve vermenigvuldigingsfactor $k_{eff}$) te verbeteren.
• Beperkingen van bestaande methoden: De gangbare methode, Generalized Linear Least Squares (GLLS), gaat uit van lineariteit en een normale verdeling van parameters. Dit werkt goed voor kriticaliteitsveiligheid (waar onzekerheden klein zijn), maar faalt bij niet-lineaire systemen waar de respons niet lineair is over het domein van de onzekere parameters.
• De Benchmark: De oefening omvatte 4 experimenten (Albert, Bohr, Chadwick, Dyson) en 3 toepassingen (Bravo, Castle, Trinity). Sommige toepassingen vertoonden niet-lineair gedrag, en sommige experimenten hadden een lage of zelfs negatieve correlatie met de toepassingen, wat de selectie van relevante data bemoeilijkt.

Methodologie

De auteurs vergeleken drie methoden voor data-assimilatie:

1. Generalized Linear Least Squares (GLLS):

   • Een traditionele, lineaire benadering die uitgaat van normale verdelingen.
   • Het gebruikt een eerste-orde Taylor-ontwikkeling (lineaire benadering) rond de nominale parameterwaarden.
   • Nadeel: Kan geen hogere momenten (zoals scheefheid of kurtosis) in de posterior-verdeling vangen en faalt bij niet-lineaire systemen.

2. Monte Carlo-Bayes (MOCABA):

   • Een methode die de lineariteitsaanname omzeilt door Monte Carlo-steekproeven te trekken uit de prior-verdeling.
   • Het transformeert de steekproeven naar een normale verdeling voor de analyse en transformeert ze daarna terug om de posterior te verkrijgen.
   • Voordeel: Kan niet-lineair gedrag en scheve verdelingen benaderen, maar vereist transformaties die de resolutie licht kunnen vervormen.

3. Bayesian Inverse Uncertainty Quantification (IUQ) - De nieuwe aanpak:

   • Een volledig Bayesiaanse benadering die Markov Chain Monte Carlo (MCMC) gebruikt om direct te steekproeven uit de posterior-verdeling van de parameters.
   • Het model omvat expliciet een modelbias-term ($\delta$) om discrepanties tussen het model en de werkelijkheid te compenseren.
   • Het gebruikt Gaussian Process surrogate models om de rekentijd te beheersen.
   • Voordeel: Levert volledige empirische posterior-verdelingen op zonder aanname van lineariteit of normaliteit. Het gebruikt de berekende modelresponsen direct om de posterior voorspellingsverdeling te vormen.

Belangrijkste Bijdragen

• Validatie van IUQ voor nucleaire data: Het is een van de eerste studies die IUQ succesvol toepast op een gestandaardiseerde nucleaire data-benchmark.
• Analyse van niet-lineariteit: Het demonstreert dat IUQ en MOCABA superieur zijn aan GLLS voor niet-lineaire toepassingen (Bravo en Trinity), omdat ze de ware vorm van de verdeling (inclusief scheefheid) kunnen vastleggen.
• Herdefinitie van experimentele relevantie: De auteurs betogen dat de Pearson-correlatiecoëfficiënt ($c_k$) een onvoldoende maatstaf is voor de relevantie van een experiment, vooral bij niet-lineaire systemen. In plaats daarvan is de sensitivity profile (hoe het model reageert op parameterveranderingen) een betere indicator.
• Inzicht in "lage correlatie" experimenten: Het onderzoek toont aan dat experimenten met een lage of negatieve correlatie (zoals Chadwick) toch waardevolle informatie kunnen bieden als hun sensitiviteitsprofiel binnen het aangepaste parameterdomein verschilt van dat van andere experimenten.

Resultaten

• Lineaire Toepassingen: Voor lineaire systemen (zoals Castle) gaven GLLS, MOCABA en IUQ vergelijkbare resultaten.
• Niet-Lineaire Toepassingen:
  • GLLS: Faalde om de verdeling van de respons correct te voorspellen voor Bravo en Trinity. De voorspellingen waren normaal verdeeld en misten de scheefheid die in de werkelijke modelresponsen aanwezig was.
  • MOCABA: Toonde een goede overeenkomst met de berekende responsen en kon de scheve verdelingen benaderen, hoewel er enige vervorming door transformatie zichtbaar was.
  • IUQ: Toonde de beste overeenkomst. Omdat IUQ direct steekproeven uit de posterior gebruikt, vormden de voorspellingsverdelingen exact de verdeling van de berekende modelresponsen.
• Modelbias: Het toevoegen van de modelbias-term ($\delta$) in IUQ verschuift het centrum van de verdeling en beïnvloedt de schaal (variantie). In sommige gevallen (bijv. Bravo in Case 3 en 5) leidde dit tot een significante reductie in de voorspellingsvariantie, ondanks dat de parametervariantie groter werd.
• Experimentselectie:
  • Het toevoegen van experimenten met zeer vergelijkbare sensitiviteitsprofielen (zoals Albert en Bohr) bracht weinig extra informatie op voor de verkleining van de variantie.
  • Het toevoegen van experimenten met een lage correlatie maar een ander sensitiviteitsprofiel (zoals Chadwick) leverde echter aanzienlijke informatieopbrengst op en verkleinde de onzekerheid in de toepassingen.

Betekenis en Conclusie

De studie concludeert dat Bayesian IUQ een krachtige en veelbelovende methode is voor nucleaire data-aanpassing, vooral in het complexe domein van niet-lineaire toepassingen.

• Beperkingen: De hoofdnadeel van IUQ is de hoge rekenkosten, die vaak worden opgelost met surrogate modeling. De schaalbaarheid naar zeer hoge dimensies blijft een uitdaging.
• Toekomstperspectief: De resultaten suggereren dat de nucleaire sector moet overstappen van puur op correlatie gebaseerde selectie van experimenten naar een analyse op basis van sensitiviteitsprofielen. Dit zal leiden tot robuustere data-aanpassingen en nauwkeurigere veiligheidsanalyses voor nieuwe reactorontwerpen.

Kortom, dit werk bewijst dat moderne Bayesiaanse inverse methoden de beperkingen van traditionele lineaire methoden kunnen overwinnen en essentieel zijn voor de volgende generatie nucleaire veiligheidsanalyses.