Spent Nuclear Fuel under Repository Conditions : Update and Expansion of Database and Development of Machine Learning Models

Sammanfattning: Förbrukat kärnbränsle är mycket radioaktivt och behöver därför lagras i djupa geologiska förvar i tusentals år innan det säkert kan återföras till naturen. På grund av de långa lagringsperioderna görs säkerhetsanalyser av de djupa geologiska förvaren. Under säkerthetsanalyserna görs upplösningsexperiment på förbrukat kärnsbränsle för att utvärdera konsekvenserna av att grundvatten läcker in i bränslet vid barriärbrott. Dessa experiment är både dyra och tidskrävande, varför beräkningsmodeller som kan förutsäga förburkat kärnbränsles upplösningsbeteende är önskvärda. Denna avhandling fokuserar på att samla in tillgängliga experimentella data från upplösningsexperiment för att uppdatera och utöka en databas. Med hjälp av databasen har upplösningsbeteendet för varje radionuklid utvärderats och jämförts med tidigare kunskap från befintlig litteratur. Även om det var svårt att vara avgörande om beteendet hos element där en begränsad mängd data fanns tillgänglig, motsvarar de upplösningsbeteenden som hittats för olika radionuklider i denna avhandling inte bara tidigare studier utan ger också ett verktyg för att hantera och jämföra förbrukat kärnbränsles upplösningsdata från olika utgångsmaterial, bestrålningshistorik och betingeleser under upplösning. Dessutom gjorde sammanställningen av en så stor mängd experimentella data det möjligt att förstå var framtida experimentella ansträngningar bör fokuseras, exempelvis finns det en brist på data under reducerande förhållanden. Dessutom utvecklades och kördes maskininlärningsmodeller med hjälp av Artificial Neural Network (ANN), Random Forest (RF) och XGBoost-algoritmer med hjälp av databasen, varefter prestandan utvärderades. Prestanda för varje algoritm jämfördes för att få en förståelse för vilken modell som presterade bäst, men också för att förstå om dessa typer av modeller är lämpliga verktyg för att förutspå förbrukat kärnbränsles upplösningsbeteende. Den bäst presterande modellen, med träning och test R2 resultat nära 1, var XGBoost-modellen. Även om XGBoost hade en hög prestanda, drogs slutsatsen att mer experimentell data behövs innan maskininlärningsmodeller kan användas i verkliga situationer.