Inverse uncertainty quantification of nuclear thermal-hydraulic codes for the safety analysis of nuclear systems

Il presente lavoro si inserisce nel contesto del progetto ATRIUM (Application Tests for Realization of Inverse Uncertainty quantification and validation Methodologies in thermal hydraulics), un programma internazionale dedicato alla standardizzazione e al confronto strutturato delle metodologie di quantificazione inversa dell'incertezza (IUQ) nell'ambito termo-idraulico, con l'obiettivo di rafforzare l'approccio BEPU (Best Estimate Plus Uncertainty) per la sicurezza dei reattori nucleari. Dopo una breve introduzione teorica sulla IUQ, viene sviluppata una metodologia generale che include due strategie distinte: un approccio bayesiano con campionamento MCMC (Markov Chain Monte Carlo), e un approccio ottimizzato, basato su algoritmi genetici. Entrambi i metodi sono applicati a due esperimenti di tipo Separate Effect Tests (SETs): Sozzi-Sutherland (SS) e Super Moby Dick (SMD), in cui la stima del flusso critico di massa in condizioni stazionarie è assunta come Quantity of Interest(QoI), rilevante per scenari incidentali di tipo IB-LOCA. La metodologia prevede la calibrazione di quattro parametri epistemici, tenendo conto di incertezze di tipo sperimentale, numerico e modellistico. Inizialmente è assunta una distribuzione gaussiana per l'errore numerico e modellistico, ipotesi successivamente rilassata per valutare l'impatto sui risultati. Per supportare le attività di calibrazione e propagazione, è stato impiegato un modello basato su reti neurali, in grado di riprodurre le uscite del modello fisico di riferimento. I risultati mostrano che la IUQ ottimizzata fornisce una calibrazione più efficace rispetto all'approccio bayesiano. Alcuni parametri risultano ben identificabili con entrambi i metodi, mentre altri rimangono poco informativi. Questa distinzione si mantiene coerente tra i due approcci. L'approccio bayesiano si dimostra comunque più robusto agli outlier e produce posteriori più ristrette, a fronte però di un costo computazionale più elevato. Si osserva inoltre che, rispetto all'esperimento SS, SMD fornisce risultati più accurati sia in fase di calibrazione che di propagazione. Questo è dovuto a una più equilibrata suddivisione dei dati tra training e validazione. Infine, solo per l'approccio bayesiano, viene implementata una procedura di fusione delle distribuzioni posteriori tra i due esperimenti, che consente di ottenere una stima congiunta più informativa dei parametri.