Statistical learning and inverse uncertainty quantification in nuclear thermal-hydraulic simulation : application to the condensation modelling at the safety injection - DAta science, TrAnsition, Fluid instabiLity, contrOl, Turbulence
Thèse Année : 2022

Statistical learning and inverse uncertainty quantification in nuclear thermal-hydraulic simulation : application to the condensation modelling at the safety injection

Apprentissage statistique et quantification inverse des incertitudes en simulation thermohydraulique nucléaire : application à la modélisation de la condensation à l'injection de sécurité

Riccardo Cocci
  • Fonction : Auteur
  • PersonId : 1200101
  • IdRef : 266284957

Résumé

The BEPU (Best Estimate Plus Uncertainty) methodology is based on the validation and the uncertainty quantification of the physical models used in the nuclear computer codes. Having a robust methodology to calibrate a physical model, validate it and quantify its uncertainty is a major challenge. Therefore, the objective of this thesis is to develop methodologies for the validation and uncertainties quantification and apply them to the practical case of the condensation model at the Emergency Core Cooling (ECC) system. The first step was the development of a new Bayesian framework for the calibration and inverse uncertainty quantification of physical models using a multiplicative model uncertainty. The second step was a detailed thermohydraulic analysis of the experimental data in order to improve the physical understanding of the ECC condensation in the cold leg of a pressurised water reactor during a Loss Of Coolant Accident (LOCA). Two types of condensations occur in the cold leg: the condensation at the ECC and the condensation downstream the jet. The temperature at the outlet of the cold leg, and therefore at the entrance of the reactor's core, depends on these two models. The Bayesian framework is applied to calibrate a new condensation model at the ECC. This model has been validated and the uncertainties have been quantified. In the last step, an extension of the CIRCE methodology (called CIRCE 2-Steps) was developed. CIRCE is a methodology to determine the model uncertainty based on the difference between the experimental and calculated value of a quantity of interest. The proposed extension improves the estimation of the uncertainties of several models combined together and interacting on the same output variable, such as the temperature at the end of the cold leg.
La méthodologie BEPU (Best Estimate Plus Uncertainty) repose sur la validation et la quantification des incertitudes des modèles physiques utilisés dans les codes de calcul nucléaires. Disposer d'une méthodologie robuste permettant de caler un modèle physique, de le valider et d'en quantifier les incertitudes est un enjeu majeur. Cette thèse a donc comme objectif de développer des méthodologies pour la validation et la quantification d'incertitudes appliquées au cas pratique du modèle de condensation à l'Injection de Sécurité (IS). La première étape a été le développement d'un nouveau cadre bayésien pour la calibration et la quantification inverse de l'incertitude des modèles physiques en utilisant une incertitude de modèle multiplicative. La deuxième étape a été une analyse thermohydraulique détaillée des données expérimentales afin d'améliorer la compréhension physique de la condensation à l'IS dans la branche froide d'un reacteur à eau pressurisée lors d'un Accident de Perte de Réfrigérant Primaire (APRP). Pendant cet accident, deux types de condensation surviennent dans la branche froide : la condensation à l'IS et la condensation en aval du jet. La température en sortie de la branche froide, et donc à l'entrée du cœur du réacteur, dépend de ces deux modèles. Le cadre bayésien est appliqué afin de calibrer un nouveau modèle de condensation à l'IS. Ce modèle a été validé et ses incertitudes ont été quantifiées. Dans la dernière étape, une extension de la méthodologie CIRCE (appelée CIRCE 2-Steps) a été développée. CIRCE est une méthodologie pour déterminer l'incertitude du modèle basée sur la différence entre la valeur expérimentale et la valeur calculée d'une quantité d'intérêt. L'extension proposée améliore l'estimation des incertitudes de plusieurs modèles combinés entre eux et qui interagissent sur la même variable de sortie, comme la température en sortie de la branche froide.
Fichier principal
Vignette du fichier
2022UPAST122_COCCI_diffusion.pdf (4.39 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-03892219 , version 1 (09-12-2022)

Identifiants

  • HAL Id : tel-03892219 , version 1

Citer

Riccardo Cocci. Statistical learning and inverse uncertainty quantification in nuclear thermal-hydraulic simulation : application to the condensation modelling at the safety injection. Fluids mechanics [physics.class-ph]. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPAST122⟩. ⟨tel-03892219⟩
269 Consultations
131 Téléchargements

Partager

More