In nuclear reactor safety analysis, we label an accident as severe once a partial core meltdown and material relocation begin. Researchers use simulation tools such as ANSYS and MELCOR to study these events safely, producing vast and complex datasets. In this work, we applied machine learning explainability and interpretability to extract insights from severe accident simulations for the Nordic boiling water reactor (BWR) through five iterative studies. First, we examined the explainability of the decision tree classification algorithm to distinguish between accident types using time-wise pressure vessel external temperature. Second, we generalised the model to create a more statistically robust and generic framework, introducing the open-source Decision Tree Insights Analytics (DTIA) framework (https://github.com/KHossny/DTIA), which combines explainability, interpretability, and statistical robustness. Third, we applied DTIA to high-dimensional MELCOR COR package data for a station blackout combined with a loss-of-coolant accident (SBO + LOCA) in a Nordic BWR, revealing new findings. Fourth, we used DTIA to compare structural variables of the reactor pressure vessel lower head under SBO and SBO + LOCA conditions. Finally, we coupled DTIA with K-Means clustering to address its need for labelled data, uncovering previously overlooked events such as canister melting. We concluded that the patterns identified by machine learning in mapping inputs to outputs can uncover insights that were previously overlooked, particularly in high-dimensional and complex datasets.

Inom analysen av kärnreaktorsäkerhet betecknar vi en olycka som allvarlig när en partiell härdsmälta och materialomplacering inleds. Forskare använder simuleringsverktyg som ANSYS och MELCOR för att studera dessa händelser på ett säkert sätt, vilket genererar stora och komplexa datamängder. I detta arbete tillämpade vi maskininlärningens förklarbarhet och tolkbarhet för att utvinna insikter från simuleringar av allvarliga olyckor för den nordiska kokvattenreaktorn (BWR) genom fem iterativa studier. För det första undersökte vi förklarbarheten hos beslutsträdsklassificeringsalgoritmen för att skilja mellan olyckstyper baserat på tidsberoende yttre temperatur på reaktortanken. För det andra generaliserade vi modellen för att skapa ett mer statistiskt robust och generiskt ramverk och introducerade det öppna ramverket Decision Tree Insights (https://github.com/KHossny/DTIA), som Analytics (DTIA) kombinerar förklarbarhet, tolkbarhet och statistisk robusthet. För det tredje tillämpade vi DTIA på högdimensionella data från MELCOR:s COR-paket för ett totalt strömavbrott kombinerat med ett kylvätskeförlustscenario (SBO + LOCA) i en nordisk BWR, vilket avslöjade nya fynd. För det fjärde använde vi DTIA för att jämföra strukturella variabler i reaktortankens nedre del under SBO- och SBO + LOCAförhållanden. Slutligen kopplade vi DTIA till K-Means-klustring för att hantera behovet av märkta data, vilket avslöjade tidigare förbisedda händelser som smältning av kapseln. Vi drog slutsatsen att de mönster som identifieras av maskininlärning vid koppling mellan indata och utdata kan avslöja insikter som tidigare förbises, särskilt i högdimensionella och komplexa datamängder.