CN108804743A - 一种核事故源项反演方法 - Google Patents
一种核事故源项反演方法 Download PDFInfo
- Publication number
- CN108804743A CN108804743A CN201810312018.3A CN201810312018A CN108804743A CN 108804743 A CN108804743 A CN 108804743A CN 201810312018 A CN201810312018 A CN 201810312018A CN 108804743 A CN108804743 A CN 108804743A
- Authority
- CN
- China
- Prior art keywords
- neural network
- nuclear accident
- population
- source term
- mea
- 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
Links
Classifications
-
- 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
本发明公开了一种核事故源项反演方法,该方法的主要步骤为:首先,确定核事故源项反演的目标信号并用PCA法提取环境影响因素中的主要影响因素作为输入变量;接着,确定BP神经网络拓扑结构并对输入变量进行归一化处理;然后,确定BP神经网络模型的隐含层节点数并训练神经网络模型,调试出最优参数;最后,利用经MEA法优化的BP神经网络权值和阈值建立PCA‑MEA‑BP神经网络核事故反演模型,并与未优化的BP神经网络模型结果进行对比分析。本发明用PCA法提取有效特征量,提高了分类精度,减少了神经网络的训练时间,简化了反演模型结构;此外,MEA算法优化神经网络权值和阈值,有效降低了网络不稳定性,提高了反演模型的可用性。
Description
技术领域
本发明涉及一种核电厂事故源项反演方法。
背景技术
2011年3月11日,日本发生里氏9.0级大地震,地震后继发海啸,导致了福岛核电厂发生重大核事故,大量放射性物质释放到环境中,对周围区域的公众健康和生态系统造成严重危害。事故早期全厂断电,堆芯受损情况不明,不能通过堆芯的运行参数和损坏程度有效的估计源项,但根据核电厂周围的监测数据与大气扩散模型相结合可以反演出源项。核事故情况下,提高源项反演的速度和精度有助于对核事故级别的准确判定,采取科学的应急措施做出准确的事故后果评价。因此,构建合理的核事故源项反演模型具有重要意义。
在目前常用的源项反演方法中,误差反向传播算法(Error Back propagation,BP)神经网络具有很强的处理非线性问题的能力,具有高容错、自组织、自适应和自学习功能,常用于研究复杂的非线性预测问题,如大气污染物浓度的变化规律的预测,遥感影像分类应用,水库入库水量预测等。核事故源项反演属于复杂的非线性问题,难以用数学方法准确建模,在这种情况下,适合用BP神经网络算法来实现核事故源项的预测。但是,BP神经网络算法存在一定局限性,其易陷入局部极小点,难以搜索到全局最优点,往往达不到预先设定的预测精度,且收敛速度过慢,最终易导致训练学习过程失败。
发明内容
本发明为解决上述问题提出了一种核事故源项反演方法,该方法简化了模型结构并加入优化参数的MEA算法程序,收敛速度快、精度高、稳定性好。
本发明的技术方案为:
一种核事故源项反演方法,包括以下步骤:
第一步,确定核事故源项反演的目标信号和环境影响因素,提取环境影响因素中的主要影响因素并作为输入变量;
第二步,确定BP神经网络拓扑结构,对输入变量进行归一化处理;
第三步,确定BP神经网络的隐含层节点数,选取最优学习率、传递函数、训练函数等参数;
第四步,建立BP神经网络核事故源项反演模型,训练数据并计算模型反演误差;
第五步,进行MEA算法,在MATLAB中编写初始种群产生函数initpop_generate(popsize()产生初始种群,编写子种群产生函数subpop_generate()产生优胜子种群和临时子种群;
第六步,子种群趋同操作,MATLAB编写种群成熟判别函数ismature(),判断各个子种群趋同操作是否完成;
第七步,子种群异化操作,趋同操作完成后,执行异化操作,同时根据异化操作的结果,补充新的子种群;
第八步,解码最优个体,当MEA思维进化算法满足迭代停止条件时,输出最优个体,并按照编码规则进行解码,产生BP神经网络的最优权值和阈值;
第九步,建立PCA-MEA-BP神经网络,将最优权值和阈值代入BP神经网络中,构建PCA-MEA-BP神经网络核事故反演模型,进行源项反演测试,并与未优化的BP神经网络模型的结果进行分析讨论。
作为本发明的进一步改进,在第一步中,将核事故发生后I-131的释放率设定为反演模型的目标信号,核电厂外监测到的气象参数等作为环境影响因素,运用PCA法提取环境影响因素中的主要影响因素。
作为本发明的进一步改进,在第二步中,确定BP神经网络为单隐含层拓扑结构,用MATLAB中BP神经网络工具箱对输入变量进行归一化处理,使数据处于-1~1之间,提高程序运行时的收敛速度。
作为本发明的进一步改进,在第三步中,选取隐含层节点数45,学习率0.5,传递函数logsig和purelin,训练函数trainlm。
作为本发明的进一步改进,在第三步中,还加入动量因子来调节反馈,以更好解决BP神经网络训练过程中网络易陷入局部最小的问题,动量因子数值通过调试确定。
本发明与现有技术相比的有益效果在于:
本发明的方法较全面地考虑了影响核事故源项的环境因素,用PCA法提取环境因素中的有效特征量,与BP神经网络相结合,可消除BP网络输入间的相关性,提高分类精度,减少神经网络的训练时间,简化反演模型结构;
针对BP神经网络模型对初始权值和阈值敏感、易陷入局部极小值和收敛速度慢的问题,用MEA算法对神经网络初始权值和阈值进行优化,得到最优权值和阈值,可有效降低网络不稳定性,提高反演模型的可用性,从而对事故发生时周围环境进行较为真实的模拟,快速准确地获得事故源项信息,为缓解事故危害提供更科学合理的决策支持。
附图说明
图1是本发明的源项反演模型的设计流程图;
图2是本发明的BP神经网络模型结构图;
图3是本发明的实施方式BP神经网络模型源项反演测试误差图;
图4是本发明的实施方式PCA-MEA-BP模型源项反演测试误差图;
图5是本发明实施方式PCA-MEA-BP模型与BP神经网络模型源项反演测试结果比较图;
图中标识:X1...Xi-2,Xi-1,Xi为神经网络的输入层;Z为神经网络的输出层;T为神经网络的目标输出。
具体实施方式
如图1的流程图所示,本发明主要包括九个步骤,具体如下:
步骤一:确定核事故源项反演的目标信号和环境影响因素,运用PCA法提取核事故环境影响因素中的主要影响因素;
在国际核事件分级表中,均以I-131的释放量作为严重事故的分级依据,故本发明以I-131的释放率为目标信号,即神经网络输出层为1个神经网络单元;
表1单核素核事故源项反演部分数据
本发明以2011年福岛核事故中I-131的释放率范围及美国《反应堆安全研究》中压水堆事故释放类PWR1-PWR9数据为参考值,通过InterRAS(International radiologicalassessment systerm)相应模块输入风速、风向、大气稳定度、降水类型,按实际可能进行组合后由ST-DOSE模块得到1.0km、2.0km、5.0km、25.0km和50.0km距离处的剂量率,模拟核事故发生后场外固定监测点1小时监测到的γ剂量率。为方便后期数据处理,将大气稳定度用1、2、3、4、5、6、7代替;将无降水、小雨、中雨、大雨、小雪、中雪、大雪7种降水状况也用1,2,3,4,5,6,7代替。综上所述,影响源项反演的因素有:释放高度、监测点的风速、风向、大气稳定度、混合层高度、降水类型、5个顺风距离处的γ辐射剂量率,部分数据见表1。
在Matlab中对环境影响因素按以下步骤提取主成分:
(1)原始数据标准化;(2)求相关系数矩阵R;(3)求矩阵R的特征值和相应的特征向量及贡献率。由表2可以看出,前6个主成分的累计贡献率已达到99%以上,故原来的11项指标可由6个主成分代替,将这6个主成分作为输入变量。
表2主成分及其贡献率
步骤二:确定BP神经网络拓扑结构,对输入变量进行归一化处理;
本发明采用6个输入神经单元,1个输出神经单元,为单隐含层拓扑结构。为了数据计算方便,保证程序运行时收敛加快,在MATLAB中调用mapminmax函数对核事故源项目标及影响因素数据做归一化处理,使数据处于-1~1之间。
步骤三:确定BP神经网络的隐含层节点数,调试出最优学习率、传递函数、训练函数等参数;
隐含层节点数太少,神经网络不能进行训练或网络性能很差;隐层节点数太多,减小网络的系统误差的同时也延长网络训练时间,容易陷入局部极小点得不到最优点,出现“过拟合”现象。经调试,选取隐含层节点数45,学习率0.5,传递函数logsig和purelin,训练函数trainlm。为更好解决BP网络训练过程中网络容易陷入局部最小的缺陷,本方法中加入动量因子0.9来调节反馈,使网络重新震荡起来。
步骤四:建立用于核事故源项反演BP神经网络模型,如图2所示;训练数据并计算模型反演误差;
步骤五:进行MEA算法;
在解空间内随机生成一定规模的个体,调用函数initpop=initpop_generate(popsize,S1,S2,S3,P,T)产生初始种群,其中,popsize(种群规模大小)设置为200;S1(BP神经网络输入层神经元个数)为6;S2(BP神经网络隐含层节点数)取45;S3(BP神经网络输出层神经元个数)为1;P为训练集样本输入矩阵;T为训练集样本输出矩阵。调用subpop=subpop_generate(center,SG,S1,S2,S3,P,T)产生优胜子种群和临时子种群,其中,center为子种群的中心;SG(子种群大小)为20;迭代次数设置为100。
步骤六,子群体趋同过程;
利用函数[flag,index]=ismature(pop)判断各个子种群趋同操作是否完成,其中,pop为待判别的子种群;flag为种群成熟标志:若flag=0,则子种群不成熟,若flag=1,则子种群成熟;index为子种群中得分最高的个体对应的索引号。
步骤七,子种群异化操作;
子群体成熟后,将各个子群体的得分在全局公告板上张贴,子群体之间执行异化操作,完成优胜子群体与临时子群体间的替换、废弃、子群体中个体释放的过程。
步骤八,解码最优个体;
当EMA思维进化算法满足迭代停止条件时,输出最优个体,并按照编码规则进行解码,产生BP神经网络的最优权值和阈值。前S1*S2个编码为W1(输入层到隐含层权值),接着的S2*S3个编码为W2(隐含层到输出层权值),接着的S2个编码为B1(隐含层阈值),接着的S3个编码为B2(输出层阈值)。
步骤九,建立PCA-MEA-BP神经网络;
将最优权值和阈值代入BP神经网络中,构建PCA-MEA-BP神经网络核事故反演模型,进行源项反演测试,并与未优化的BP神经网络模型的结果进行分析讨论。本发明选用1770组数据分别输入到BP神经网络模型和PCA-MEA-BP神经网络中进行测试,对比结果如表3所示:
表3单核素核事故反演模型对比结果
由图3可知,70.11%样本的预测误差小于0.25;在图4中,预测误差小于0.25的样本达到总测试样本的87.37%,说明PCA-MEA-BP模型源项反演结果与实际输入源项符合较好。
图5为在1770组样本数据中随机选取100组样本的预测误差进行分析的结果。BP神经网络平均测试误差为0.2378,PCA-MEA-BP神经网络平均误差仅为0.0776,相比于BP神经网络模型,PCA-MEA-BP神经网络反演模型的误差更小,稳定性更好。
经过主成分分析法降维处理,用MEA思维进化算法优化的BP神经网络核事故源项反演模型,能够较好的反演事故中碘-131的释放率,可对源项进行快速准确的估算,为核事故后果评价及应急决策提供了更可靠的依据。
Claims (5)
1.一种核事故源项反演方法,其特征在于,该方法包括以下步骤:
第一步,确定核事故源项反演的目标信号和环境影响因素,提取环境影响因素中的主要影响因素并作为输入变量;
第二步,确定BP神经网络拓扑结构,对输入变量进行归一化处理;
第三步,确定BP神经网络的隐含层节点数,选取最优学习率、传递函数、训练函数等参数;
第四步,建立BP神经网络核事故源项反演模型,训练数据并计算模型反演误差;
第五步,进行MEA算法,在MATLAB中编写初始种群产生函数initpop_generate(popsize()产生初始种群,编写子种群产生函数subpop_generate()产生优胜子种群和临时子种群;
第六步,子种群趋同操作,MATLAB编写种群成熟判别函数ismature(),判断各个子种群趋同操作是否完成;
第七步,子种群异化操作,趋同操作完成后,执行异化操作,同时根据异化操作的结果,补充新的子种群;
第八步,解码最优个体,当MEA思维进化算法满足迭代停止条件时,输出最优个体,并按照编码规则进行解码,产生BP神经网络的最优权值和阈值;
第九步,建立PCA-MEA-BP神经网络,将最优权值和阈值代入BP神经网络中,构建PCA-MEA-BP神经网络核事故反演模型,进行源项反演测试,并与未优化的BP神经网络模型的结果进行比较。
2.根据权利要求1所述的一种核事故源项反演方法,其特征在于,在第一步中,将核事故发生后I-131的释放率设定为反演模型的目标信号,核电厂外监测到的气象参数等作为环境影响因素,运用PCA法提取环境影响因素中的主要影响因素。
3.根据权利要求1或2所述的一种核事故源项反演方法,其特征在于,在第二步中,确定BP神经网络为单隐含层拓扑结构,用MATLAB中BP神经网络工具箱对输入变量进行归一化处理,提高程序运行时的收敛速度。
4.根据权利要求3所述的一种核事故源项反演方法,其特征在于,在第三步中,选取隐含层节点数45,学习率0.5,传递函数logsig和purelin,训练函数trainlm。
5.根据权利要求4所述的一种核事故源项反演方法,其特征在于,在第三步中,还加入动量因子来调节反馈,动量因子数值通过调试确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810312018.3A CN108804743A (zh) | 2018-04-09 | 2018-04-09 | 一种核事故源项反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810312018.3A CN108804743A (zh) | 2018-04-09 | 2018-04-09 | 一种核事故源项反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108804743A true CN108804743A (zh) | 2018-11-13 |
Family
ID=64095587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810312018.3A Pending CN108804743A (zh) | 2018-04-09 | 2018-04-09 | 一种核事故源项反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804743A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558677A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种基于数据驱动的热轧板凸度预测方法 |
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 |
CN111540491A (zh) * | 2020-05-14 | 2020-08-14 | 中国核动力研究设计院 | 一种棒状燃料源项释放特性研究实验装置及其使用方法 |
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376361A (zh) * | 2014-10-15 | 2015-02-25 | 南京航空航天大学 | 一种基于bp神经网络算法的核事故源项反演方法 |
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN106447092A (zh) * | 2016-09-12 | 2017-02-22 | 浙江工业大学 | 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 |
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN107480781A (zh) * | 2017-03-02 | 2017-12-15 | 南京航空航天大学 | 神经网络自适应卡尔曼滤波的核事故源项反演方法 |
-
2018
- 2018-04-09 CN CN201810312018.3A patent/CN108804743A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376361A (zh) * | 2014-10-15 | 2015-02-25 | 南京航空航天大学 | 一种基于bp神经网络算法的核事故源项反演方法 |
CN105988146A (zh) * | 2015-01-29 | 2016-10-05 | 中国科学院空间科学与应用研究中心 | 一种星载微波辐射计的应用数据处理方法 |
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
CN106447092A (zh) * | 2016-09-12 | 2017-02-22 | 浙江工业大学 | 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法 |
CN107480781A (zh) * | 2017-03-02 | 2017-12-15 | 南京航空航天大学 | 神经网络自适应卡尔曼滤波的核事故源项反演方法 |
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
Non-Patent Citations (4)
Title |
---|
LING Y , JIA W , SHAN Q , ET AL.: "Study on the Project of Rapid Calculation of Radiation Doses during a Nuclear Accident in Daya Bay Nuclear Power Plant", 《ENERGY PROCEDIA》 * |
WEIXIN_DAIZUO166: "基于主成分(pca)与思维进化(mea)优化神经网络算法的股票预测", 《HTTPS://BLOG.CSDN.NET/U014356002/ARTICLE/DETAILS/53144700?LOCATIONNUM=15&FPS=1》 * |
侯闻宇;凌永生;赵丹;单卿;黑大千;贾文宝: "GA-BP算法应用于核事故源项反演的研究", 《安全与环境学报》 * |
张雪慧; 官莉; 王振会; 韩静: "利用人工神经网络方法反演大气温度廓线", 《气象》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109558677A (zh) * | 2018-11-29 | 2019-04-02 | 东北大学 | 一种基于数据驱动的热轧板凸度预测方法 |
CN111540491A (zh) * | 2020-05-14 | 2020-08-14 | 中国核动力研究设计院 | 一种棒状燃料源项释放特性研究实验装置及其使用方法 |
CN111540491B (zh) * | 2020-05-14 | 2022-04-01 | 中国核动力研究设计院 | 一种棒状燃料源项释放特性研究实验装置及其使用方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804743A (zh) | 一种核事故源项反演方法 | |
CN109242033B (zh) | 晶片缺陷模式分类方法及装置、存储介质、电子设备 | |
CN103761537B (zh) | 基于低秩优化特征字典模型的图像分类方法 | |
CN104376361A (zh) | 一种基于bp神经网络算法的核事故源项反演方法 | |
CN110969262A (zh) | 一种变压器故障诊断方法 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN106127242A (zh) | 基于集成学习的年极端降水预测系统及其预测方法 | |
CN111275252A (zh) | 基于rga-bpnng的爆破峰值速度预测方法、装置及介质 | |
CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
CN112799130A (zh) | 一种基于深度学习的地震波振幅预测方法 | |
CN106971066A (zh) | 基于神经网络模型预报地磁暴的方法 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
Kim et al. | A surrogate modeling for storm surge prediction using an artificial neural network | |
CN111090747A (zh) | 一种基于神经网络分类的电力通信故障应急处置方法 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN113743750A (zh) | 核电厂工艺系统过程风险评估系统及方法 | |
CN108846476A (zh) | 一种基于卷积神经网络的智能终端安全等级分类方法 | |
CN115099499A (zh) | 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 | |
CN115062954A (zh) | 应用于工程建设的多维度风险评估方法、装置和设备 | |
CN116883709A (zh) | 基于通道注意力机制的碳酸盐岩缝洞识别方法及系统 | |
CN113657703A (zh) | 一种区域台风灾害刚韧性系统动力学模拟方法 |
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: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |