CN107480781A - 神经网络自适应卡尔曼滤波的核事故源项反演方法 - Google Patents

神经网络自适应卡尔曼滤波的核事故源项反演方法 Download PDF

Info

Publication number
CN107480781A
CN107480781A CN201710800900.8A CN201710800900A CN107480781A CN 107480781 A CN107480781 A CN 107480781A CN 201710800900 A CN201710800900 A CN 201710800900A CN 107480781 A CN107480781 A CN 107480781A
Authority
CN
China
Prior art keywords
kalman filter
data
neutral net
nuclear accident
source term
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710800900.8A
Other languages
English (en)
Inventor
凌永生
赵丹
贾文宝
单卿
黑大千
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Publication of CN107480781A publication Critical patent/CN107480781A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明提供了一种神经网络自适应卡尔曼滤波的核事故源项反演方法，包括以下步骤：建立基于神经网络自适应卡尔曼滤波算法的核事故源项反演模型，确定神经网络结构的输入参数、输出参数；建立大气污染物扩散模型；确定自适应卡尔曼滤波模块的观测变量、系统变量、观测矩阵、状态转移矩阵及计算流程，最终得到神经网络自适应卡尔曼滤波核事故源项反演模型。该方法选用神经网络结合自适应卡尔曼滤波快速筛选事故时最优参数，以神经网络自学习不同天气状况下大气扩散过程代替简单近似模型，选用自适应算法可克服常规卡尔曼滤波算法在非线性变化条线下滤波误差大、滤波发散的缺陷，使其具有实时在线反演的特点，为核事故后果评价及应急决策提供依据。

Description

神经网络自适应卡尔曼滤波的核事故源项反演方法
技术领域
本发明涉及核事故源项反演领域，具体是一种神经网络自适应卡尔曼滤波的核事故源项反演方法。
背景技术
纵观世界核电史，共发生过三起严重事故：美国三里岛事故、前苏联切尔诺贝利事故、日本福岛核事故。尽管核电建设标准日益完善，设计不断改进，仍无法完全避免事故发生。当事故发生后，需要根据事故严重程度及时采取相应防护行动。对于防护行动来说，早期信息来自于核电厂工况状态及参量，中后期来自于环境监测数据。由于后果评价中源项的不确定性会导致事故级别难以确定，根据环境监测数据对事故源项进行反演的准确性和及时性在核应急中占有非常重要的地位。
核事故源项反演中，不确定性来源很多，通常为以下几个方面：1)源项不确定性，主要方面有源项释放时间特性、释放位置和建筑物尺寸等；2)监测数据不确定性，可能来源于人员或仪器设备造成的观测误差，浓度场或剂量场的非均匀性；3)气象数据不确定性；4)模式不确定性，从现实抽象出的模式在实际验证中由于条件限制不能进行得十分完善。
目前，核事故源项反演常用方法主要有：最优插值法、遗传算法、卡尔曼滤波算法、神经网络算法等。遗传算法通常针对线性系统单变量分析，应用简单，但对复杂情况处理能力不足；遗传算法可简单与其他扩散模式结合，通用性强，但是实际应用中容易产生早熟收敛，难以解决既使优良个体得以保留又维持群体多样性的问题。卡尔曼滤波算法需要预先确定模式预报误差和观测误差，适用于线性问题，对复杂的非线性变化具有无法快速收敛造成滤波误差较大甚至滤波发散的缺陷。人工神经网络算法具有高度容错性，具有自适应和自学习功能，可以研究复杂的非线性预测问题。
自适应卡尔曼滤波算法在进行滤波估计的同时不断对模型参数进行估计和修正，可克服常规卡尔曼滤波算法在非线性变化条线下滤波误差大、滤波发散的缺陷，广泛应用于GPS定位、雷达跟踪等领域。
发明内容
本发明为了解决现有源项反演中模式不确定性的问题，提供了一种神经网络自适应卡尔曼滤波的核事故源项反演方法能，能够快速的进行源项反演，准确的反演出核事故源项。
本发明提供的神经网络自适应卡尔曼滤波的核事故源项反演方法包括以下步骤：
1)根据非稳态拉格朗日烟团模型系统及高斯多烟团大气扩散模型，确定核事故时监测点数量、位置、分布信息，确定影响核事故源项反演关键参数；核事故源项释放率作为自适应卡尔曼滤波模块目标信号，为该模块输出信号；核事故源项释放率及自适应卡尔曼滤波模块观测矩阵数据作为神经网络模块目标信号；
2)确定神经网络模块结构，根据需求对历史数据进行数据处理，随机选择训练数据及测试数据，改变隐含层数、训练次数对训练数据进行训练，选择并确定神经网络最佳结构；
3)构建神经网络自适应卡尔曼滤波源项反演模块，选用反向预测自适应算法；
4)根据模型中训练数据结构对实时天气状况数据、实时监测值，进行预处理，获得反演数据；
5)用实时数据对基于神经网络自适应卡尔曼滤波的核事故源项反演模型进行实时跟踪反演计算。
进一步改进，神经网络模块输入参数为时间、风速、风向、稳定度、监测距离、温度、监测数据，输出参数为释放率、卡尔曼滤波观测矩阵数据，自适应卡尔曼滤波模块输入参数为监测数据、观测矩阵，输出参数为反演释放率。
进一步改进，在步骤2)中，所述隐含层数为56层，训练次数为50万次。
进一步改进，在步骤3)中，所述的反向预测自适应算法为，卡尔曼滤波每次迭代前增加神经网络测试步骤，每次迭代中增加计算滤波新息、滤波新息协方差、归一化新息平方步骤，并根据本时刻状态对前时刻状态进行反向预测，计算反向预测归一化新息平方，将反向预测归一化新息平方与归一化新息平方做比，与评估阈值进行比较，若大于评估阈值，对新息协方差进行调整，重新计算，反之输出数据并进入下一时间节点。
进一步改进，在步骤3)中，评估阈值为106。
本发明有益效果在于：
(1)核电站事故后果评价具有很多不确定性因素，其中释放源项及大气扩散是计算结果与真实值之间存在一定偏差的主要原因。而本发明的模型是基于神经网络自适应卡尔曼滤波模型，不需要考虑大气扩散等复杂过程，可根据事故场外监测点得到的环境监测数据对源项进行实时在线反演。
(2)一种基于神经网络自适应卡尔曼滤波算法的核事故源项反演的网络模型中以神经网络自学习代替固有的大气扩散模式，提高源项反演灵活性，减小源项实时反演计算量，加快计算速度。
(3)在基于神经网络自适应卡尔曼滤波算法的核事故源项反演的网络模型中，加入反向预测自适应过程调节卡尔曼滤波增益与协方差，增大卡尔曼滤波算法非线性条件下灵活性。
附图说明
图1为源项反演模型的设计流程图；
图2为神经网络模型的结构图；
图3为神经网络自适应卡尔曼滤波流程图
图4为I-131释放率的反演结果图；
图5为反演释放率的相对误差图。
具体实施方式
下面结合附图和具体实施方式对本发明作更进一步的说明。
本发明的神经网络模型的结构图如图2所示，设计流程图如图1所示，它包括以下步骤，具体实施如下：
1)根据非稳态拉格朗日烟团模型系统及高斯多烟团大气扩散模型，确定核事故时监测点数量、位置、分布等信息，确定影响核事故源项反演关键参数；核事故源项释放率作为自适应卡尔曼滤波模块目标信号，为该模块输出信号；核事故源项释放率及自适应卡尔曼滤波模块观测矩阵作为BP神经网络模块目标信号。
核电站事故后果评价具有很多不确定性因素，其中释放源项及大气扩散是计算结果与真实值之间存在一定偏差的主要原因。源项反演本身是一个复杂的非线性问题，常用大气扩散模型将实际条件简化，与真实状态有较大的误差。故通过应用神经网络对已有数据进行学习代替大气扩散模型。其模型结构的确定，需考虑对核事故源项反演影响重要的变量因素。
源项是指放射性物质从一特定的源中释放的情况，包括释放的核素种类、数量、释放率和释放方式。在事故后果评价中考虑的是最终向环境释放的核素，因此，比较重要的核素是产额较高、中等半衰期、辐射生物效应比较明显、气态或易挥发的核素。通常我们最关心的挥发性元素为碘的放射性同位素。碘同位素I-131释放量被用作度量事故严重程度的标准，例如，在国际核事件分级表中，严重事故均以碘-131的释放量作为分级判据。所以，考虑到源项反演模型的准确性和实际要求，本核事故源项反演的模型以核事故碘-131的释放率为重要研究对象。
事故发生后根据核事故设施周围的监测数据来估计事故源项，监测数据包括：监测点位置、放射性污染物浓度、事故发生时的气象条件(风向、风速、温度、降水类型等)。考虑到核事故应急的时间紧急性，从事故发生时开始每一分钟获得一组监测数据用于反演。因此，利用CALPUFF系统得到事故发生后24h固定监测点监测物每分钟监测浓度。确定影响源项反演的因素包括：观测时段所在的月、日、年、小时、温度(摄氏度)、降水量(mm)、观测站地面气压(毫巴mb)、相对湿度(％)、10m高处风向、风速、低云量、云底高度、经纬度、海拔、释放探空观测气球的时间、经流体动力学检测的层的气压、最大风速所在层的气压值、对流层顶的气压所在的层的气压、标准等压面数据(标准等压面是为分析大范围的大气状况所必须观测的等压面，包括1000、850、700、500、400、300、250、200、150、100、70、50、30、20、10hpa层)压力、层中观测高度、温度、露点温度、风向、风速等。其中，每12小时获得一组探空气象数据，每小时获得一组地表气象数据。
本发明以上海地区实际地形数据2016年1月26日探空数据、地表气象数据为实际数据，将实际温度(摄氏度)、降水量(mm)、观测站地面气压(毫巴mb)、相对湿度(％)、10m高处风向、风速、低云量、云底高度等数据，I-131的释放率从1000-9000g/s范围内间隔1000g/s共九组数据，输入CALPUFF，得到在3.5、3.6、3.7、3.8、3.9、4.0、4.1、4.2处事故发生后每分钟I-131监测数据，根据监测数据与释放率之间关系，计算出理想状态下观测矩阵数据，以此作为神经网络模块训练数据。由于在Matlab中数据以矩阵形式输入，所以为了后期处理方便，分别用1，2，3，4，5，6代替大气稳定度。部分原始探空气象数据见表1，其中，行标号说明如下：254代表定义一个新数据，1代表观测站定义行，2代表探测层检查行，3代表观测站定义和风速单位标记，4代表标准等压面数据所在行，5代表反应高空大气层结特征显著变化的层次，6代表温度和露点温度都缺失的数据所在层，7代表对流层顶所在层，8代表最大风速所在层，9代表地表层。
根据CALPUFF系统及高斯多烟团大气扩散模型，本发明将监测时间、风速、风向、稳定度、监测距离、温度、监测数据作为本核事故源项反演模型的输入特征变量，分别用X1，X2，……，X7表示，即神经网络模块的输入层包括7个神经网络单元。
2)确定神经网络模块输入输出参数、隐含层数、训练次数。影响源项反演的因素作为输入参数，期望获得的参数作为输出参数对历史数据进行数据处理，获得训练数据及测试数据。改变隐含层数、训练次数对训练数据进行训练，比较不同隐含层数、训练次数训练结果及测试误差，确定神经网络隐含层数、训练次数。
本发明利用CALPUFF模拟计算产生32442组模拟数据，其中32000组数据作为训练样本数据，另外442组数据作为测试样本数据。为了减少对网络模型训练的权值产生影响的奇异样本，从而减少奇异样本对本发明的网络模型的性能的影响，保正程序运行时收敛加快，同时针对Matlab中神经网络网络工具箱本身的函数特征，对输入层和输出层的样本数据进行归一化处理，使其分布在-1～1之间。归一化所用函数为Matlab中premnmx函数。
采用动量BP算法(momentum backpropagation，MOBP)算法,将32000组训练数据按矩阵形式[X1X2X3X4 X5X6X7]输入神经网络算法的核事故源项反演的网络模型的输入层。训练的收敛误差平方和取为0.001，训练的最大次数设为500000，多次运行得到网络学习率为0.01。
用预处理过后的训练样本对该网络模型进行训练，然后逐一增加隐含层的单元个数并重复训练，根据每次的训练结果比较模型中神经网络的训练所需的时间以及测试误差，确定最终隐含层的单元个数。
隐含层的单元个数的选择与应用对象的具体问题有关，在不同的情况下可以选择不同的节点数。隐含层的单元个数选择是个十分复杂的问题，往往需要根据设计者得经验和多次试验来确定，不存在一个理想的解析式来表示。一般来说神经网络的隐含层的单元个数太少，神经网络不能很好的建立复杂的映射关系，即BP神经网络的训练结果不好，或对于以前没有的样本不能得到合理的输出结果，容错性差；神经网络单元个数过多，使学习时间增加，并且可能出现“过拟合”现象。最后，可以根据测试结果比较网络的收敛速度和测试误差来确定隐含层的单元个数。
用步骤三中预处理过的32000组数据对基于神经网络自适应卡尔曼滤波算法的核事故源项反演的神经网络模块进行训练，逐一增加隐含层的单元个数并重复训练，通过比较网络的收敛速度以及预测误差，最终确定隐含层的单元个数。试验结果见表2。
3)构建神经网络自适应卡尔曼滤波源项反演模块。神经网络自适应卡尔曼滤波源项反演模块计算流程如下：本发明每次迭代前增加神经网络测试步骤，模拟计算出当前条件下观测矩阵代替一般固定的观测矩阵；每一时间节点获得测量数据后，根据测量数据与上一时刻预测测量数据计算得到滤波新息，根据滤波新息与上时刻状态更新方程计算得到状态更新方程；同时根据上时刻协方差预测本时刻先验协方差，进而得到本时刻新息协方差；由新息协方差与先验协方差得到增益，进而获得后验协方差；根据新息协方差与滤波新息获得本时刻归一化新息平方，卡尔曼滤波部分完成。
根据卡尔曼滤波部分状态更新方程反向逆推迁移时刻状态方程，并计算反向预测新息和反向预测归一化新息平方，反向预测部分完成。
将反向预测归一化新息平方与归一化新息平方做比，与评估阈值做比较，若大于评估阈值，则对新息协方差做调整，返回卡尔曼滤波计算部分，重新计算；若小于等于评估阈值，则输出反演数据，进入下一时间节点。神经网络自适应卡尔曼滤波模块计算流程图如图3所示。
4)根据模型中训练数据结构对实时天气状况数据、实时监测值，进行预处理，获得反演数据。
5)用实时数据对基于神经网络自适应卡尔曼滤波的核事故源项反演模型进行实时跟踪反演计算。对23小时内共1351组数据，I-131释放率反演结果如图4所示。所有数据完成反演时间不超过5s，反演结果分析如下，图5为I-131释放率反演结果相对误差，总平均相对误差为14.98％，其中，最小相对误差为1.6046×104％,，最大相对误差为151.98％，最大相对误差发生在释放率突变时。每次释放率发生突变，神经网络自适应卡尔曼滤波模型均可在三个时间节点内达到真实释放率附近。在时间节点为420-1050范围内，反演数据波动性较大，与真实数据相比误差较大，误差较大出现原因可能由于白天光照条件下大气扰动运动较大，模型较为复杂。
基于BP神经网络自适应卡尔曼滤波算法，应用BP神经网络、反向自适应算法、卡尔曼滤波算法较好对核事故时源项释放率进行实施反演。能较准确反演出核事故源项，为核事故后果评价及应急决策提供更加可靠的依据。
表1部分原始探空数据
表2神经网络训练与测试部分结果
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种神经网络自适应卡尔曼滤波的核事故源项反演方法，其特征在于包括以下步骤：
1）根据非稳态拉格朗日烟团模型系统及高斯多烟团大气扩散模型，确定核事故时监测点数量、位置、分布信息，确定影响核事故源项反演关键参数；核事故源项释放率作为自适应卡尔曼滤波模块目标信号，为该模块输出信号；核事故源项释放率及自适应卡尔曼滤波模块观测矩阵数据作为神经网络模块目标信号；
2）确定神经网络模块结构，根据需求对历史数据进行数据处理，随机选择训练数据及测试数据，改变隐含层数、训练次数对训练数据进行训练，选择并确定神经网络最佳结构；
3）构建神经网络自适应卡尔曼滤波源项反演模块，选用反向预测自适应算法；
4）根据模型中训练数据结构对实时天气状况数据、实时监测值，进行预处理，获得反演数据；
5）用实时数据对基于神经网络自适应卡尔曼滤波的核事故源项反演模型进行实时跟踪反演计算。
2.根据权利要求1所述的基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：神经网络模块输入参数为时间、风速、风向、稳定度、监测距离、温度、监测数据，输出参数为释放率、卡尔曼滤波观测矩阵数据，自适应卡尔曼滤波模块输入参数为监测数据、观测矩阵，输出参数为反演释放率。
3.根据权利要求1所述的基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：在步骤2）中，所述隐含层数为56层，训练次数为50万次。
4.根据权利要求1所述的基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：在步骤3）中，所述的反向预测自适应算法为，卡尔曼滤波每次迭代前增加神经网络测试步骤，每次迭代中增加计算滤波新息、滤波新息协方差、归一化新息平方步骤，并根据本时刻状态对前时刻状态进行反向预测，计算反向预测归一化新息平方，将反向预测归一化新息平方与归一化新息平方做比，与评估阈值进行比较，若大于评估阈值，对新息协方差进行调整，重新计算，反之输出数据并进入下一时间节点。
5.根据权利要求1所述的一种基于神经网络自适应卡尔曼滤波核事故源项反演的方法，其特征在于：在步骤3）中，评估阈值为106。
CN201710800900.8A 2017-03-02 2017-09-07 神经网络自适应卡尔曼滤波的核事故源项反演方法 Pending CN107480781A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017101199641 2017-03-02
CN201710119964 2017-03-02

Publications (1)

Publication Number Publication Date
CN107480781A true CN107480781A (zh) 2017-12-15

Family

ID=60584660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710800900.8A Pending CN107480781A (zh) 2017-03-02 2017-09-07 神经网络自适应卡尔曼滤波的核事故源项反演方法

Country Status (1)

Country Link
CN (1) CN107480781A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804743A (zh) * 2018-04-09 2018-11-13 南京航空航天大学 一种核事故源项反演方法
CN109409598A (zh) * 2018-10-23 2019-03-01 河南工业大学 基于svm和卡尔曼滤波的路段行程时间预测方法及装置
CN109740103A (zh) * 2018-11-28 2019-05-10 中国辐射防护研究院 一种核事故源项反演方法及系统
CN109977544A (zh) * 2019-03-26 2019-07-05 华南理工大学 一种气载放射性核素131i在中尺度范围内弥散的模拟方法
CN111126591A (zh) * 2019-10-11 2020-05-08 重庆大学 一种基于空间约束技术的大地电磁深度神经网络反演方法
CN111666718A (zh) * 2020-06-08 2020-09-15 南华大学 核设施源项活度智能反演方法、装置、设备及存储介质
CN113094643A (zh) * 2020-01-08 2021-07-09 清华大学 放射性元素释放率的预测方法、装置、设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933294A (zh) * 2015-05-25 2015-09-23 苏州热工研究院有限公司 放射性物质迁移和传播评估模型构建方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933294A (zh) * 2015-05-25 2015-09-23 苏州热工研究院有限公司 放射性物质迁移和传播评估模型构建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
唐秀欢 等: "卡尔曼滤波反演核设施核事故中核素释放率的研究", 《原子能科学技术》 *
李中志 等: "基于反向预测卡尔曼滤波自适应算法研究", 《计算机工程与应用》 *
李忠良 等: "基于新息的神经网络自适应卡尔曼滤波", 《湖南工业大学学报》 *
赵丹 等: "基于BP神经网络的核事故多核素源项反演方法", 《南京航空航天大学学报》 *
黄中华 等: "《环境模拟与评价》", 31 August 2015, 北京航空航天大学出版社 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804743A (zh) * 2018-04-09 2018-11-13 南京航空航天大学 一种核事故源项反演方法
CN109409598A (zh) * 2018-10-23 2019-03-01 河南工业大学 基于svm和卡尔曼滤波的路段行程时间预测方法及装置
CN109740103A (zh) * 2018-11-28 2019-05-10 中国辐射防护研究院 一种核事故源项反演方法及系统
CN109740103B (zh) * 2018-11-28 2022-08-23 中国辐射防护研究院 一种核事故源项反演方法及系统
CN109977544A (zh) * 2019-03-26 2019-07-05 华南理工大学 一种气载放射性核素131i在中尺度范围内弥散的模拟方法
CN111126591A (zh) * 2019-10-11 2020-05-08 重庆大学 一种基于空间约束技术的大地电磁深度神经网络反演方法
CN111126591B (zh) * 2019-10-11 2023-04-18 重庆大学 一种基于空间约束技术的大地电磁深度神经网络反演方法
CN113094643A (zh) * 2020-01-08 2021-07-09 清华大学 放射性元素释放率的预测方法、装置、设备和介质
CN113094643B (zh) * 2020-01-08 2022-05-27 清华大学 放射性元素释放率的预测方法、装置、设备和介质
CN111666718A (zh) * 2020-06-08 2020-09-15 南华大学 核设施源项活度智能反演方法、装置、设备及存储介质
CN111666718B (zh) * 2020-06-08 2021-10-22 南华大学 核设施源项活度智能反演方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107480781A (zh) 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN109709577A (zh) 一种基于WRF-Chem模式的气溶胶激光雷达反演PM2.5的三维变分同化方法
Vanem A regional extreme value analysis of ocean waves in a changing climate
CN113496104A (zh) 基于深度学习的降水预报订正方法及系统
CN107193060B (zh) 一种多路径台风风暴潮快速预测方法及系统
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
CN104376361A (zh) 一种基于bp神经网络算法的核事故源项反演方法
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
EP4303785A1 (en) Reservoir flow rate regulating method and apparatus, electronic device, and storage medium
Yang et al. A rapid forecasting and mapping system of storm surge and coastal flooding
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
Otache et al. ARMA modelling of Benue River flow dynamics: comparative study of PAR model
Hennayake et al. Machine learning based weather prediction model for short term weather prediction in Sri Lanka
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN114676621A (zh) 基于深度学习权重负载提高陆地水储量异常准确性方法
Bezuglov et al. Multi-output artificial neural network for storm surge prediction in north carolina
CN113962426A (zh) 一种近海水上通航安全智能预报方法和装置
CN114139590A (zh) 用于估算海洋温度的方法
CN117744849A (zh) 基于混合深度神经网络的pm2.5浓度预测方法、系统及设备
Rohaimi et al. 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang
CN117113828A (zh) 一种基于船基走航式观测的数值预报订正方法
CN110083918A (zh) 一种车载局部短临预警发布方法
CN115345245A (zh) 一种基于随机森林和迁移学习的热带气旋快速加强预报方法
Michaelides et al. Investigation of trends in synoptic patterns over Europe with artificial neural networks
CN114693022A (zh) 一种基于深度学习的分布式光伏出力估算方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171215

RJ01 Rejection of invention patent application after publication