CN108829987A - 一种数据驱动型概率评估方法 - Google Patents

Abstract

本发明公开了一种数据驱动型概率评估方法，该方法用于反应堆冷却剂系统动力分析，所述方法包括：利用有限元计算程序建立描述主系统关键参数到载荷分配的输入输出关系；通过参数空间中的采样，建立由大量样本点组成的数据库，通过相关评价规范和设计规格说明，对数据进行标签赋予；基于所得数据库，应用机器学习中的回归和分类算法，建立输入输出的代理模型；计算参数空间中部件失效的边界，并获得关键参数和失效概率的对应关系；对于新的参数组合，利用代理模型和失效边界，可快速对主系统的载荷分配和部件失效概率进行评估，为反应堆冷却剂系统关键参数的优化提供了支撑。

Description

一种数据驱动型概率评估方法

技术领域

本发明涉及反应堆结构力学领域，具体涉及一种用于反应堆冷却剂系统动力分析的概率评估方法，用于反应堆冷却剂系统的动力分析和载荷分配计算。

背景技术

反应堆冷却剂系统(主系统)的动力分析和载荷分配计算是反应堆结构设计中的重要环节，是对结构安全性评估的主要技术手段。主系统的动力分析和载荷分配计算涉及多学科、多物理场、多状态耦合，在建模计算中通常需要在计算方法、计算量、计算精度、建模方式等方面进行综合考虑和优化。

工程上对反应堆主系统关键部件的力学评估主要通过两种方法开展：一种是建立整个系统的详细的三维模型，通过动力分析对关键部件的应力直接获取；另一种通过简化建模的方式，首先得到主系统的主要载荷分配，然后通过部件的详细模型，将求得的载荷分配作为输入，进一步对部件的动力响应进行评价。这两种方式均通过物理数值模型对主系统的动力响应进行计算，每次计算需要应用有限元程序对系统的动力学方程进行积分计算。虽然第二种方法相对降低了动力分析的计算量，但若发生主系统关键参数变更，则需要重新进行载荷分配和部件应力评定的计算。因此，基于物理模型的动力分析和载荷分析计算方法，对可能存在参数变更的系统而言，存在灵活性较低，计算代价较大等问题。

现有的动力分析和载荷分配计算主要基于确定性理论展开，即认为主系统的输入和参数为定值，进而计算得到的载荷分配和动力响应也为确定值。尽管从公开发表的文献中可找到考虑输入和参数不确定性情况下对载荷分配的概率描述方法，但在反应堆冷却剂系统中,缺乏描述相关参数和输入不确定性的数据库，且相关随机动力学的分析方法无法适应工程需求。

综上所述，上述现有技术至少存在如下技术问题：

现有的主系统动力分析计算主要基于确定性理论，没有建立输入输出数据库。在发生主系统关键参数变更时，需要重新对主系统的动力响应进行计算，单次计算时间较长，无法快速对新参数下主系统的动力响应进行评估。这种基于物理和数值模型的动力分析和载荷分布计算无法适用于需要多次迭代的参数优化过程。此外，确定性分析无法确定由于模型不确定性和载荷不确定性而导致的部件失效的概率分布，无法考察关键参数是否对部件失效的贡献度和统计分布。

发明内容

本发明针对反应堆冷却剂系统在极端设计条件下的动力分析和载荷分配计算，提供了一种数据驱动型的概率力学评估方法，解决了当前工程实践中对主系统力学计算缺乏概率性评估的现状。本发明对由于设计变更而导致的主系统关键参数变化下载荷分配的概率评估提供了技术支持。该技术手段避免了复杂耗时的动力计算过程，可通过已有参数到载荷的输入输出数据库，配合机器学习中的回归和分类算法，对主系统关键参数组合下的载荷与部件失效判断进行快速概率评估，为反应堆冷却剂系统关键参数的优化提供了支撑。同时，本发明所提出的数据驱动型概率评估方法，也可推广至其他复杂系统的设计和分析中。

本发明通过下述技术方案实现：

一种数据驱动型概率评估方法，其特征在于，该方法用于反应堆冷却剂系统的动力分析，所述方法包括以下步骤：

1)基于有限元分析建立从主系统关键参数到主系统关键部件载荷分配的输入输出关系；

2)通过参数空间中的采样，建立由大量样本点组成的数据库，并基于评定指标，赋予数据库中的样本点标签属性；

3)基于所得数据库，采用回归算法对数据库中的输入输出关系进行拟合，得到输入输出关系的代理模型；采用分类算法，计算参数空间中主系统关键部件的失效边界，并获得关键参数和失效概率的对应关系；

4)对新的参数组合，利用代理模型和失效边界，对主系统关键部件的载荷分配和关键部件失效概率进行评估；

5)如果评估结果不满足评定指标，则调整主系统关键参数并重新进行概率评估；如果评估结果满足评定指标，则输出最优参数和评估结果。

具体的，步骤3)中得到的代理模型为：y＝F(x)+E(1)，

式中，x为描述主系统关键参数的n维向量，y为主系统关键部件所受载荷，E为代理模型中由于随机或不确定性因素而导致的计算误差。

具体的，步骤3)中利用公式(2)-公式(5)，计算参数空间中部件失效的边界，并获得关键参数和失效概率的对应关系，

式中，h为定义部件失效边界的d维基函数向量，w为d维失效边界的参数向量，L为失效与否的标签值，P为在给定关键参数分布和失效边界条件下部件发生失效的概率，w*为满足最大似然准则的失效边界参数向量，λ₁＝0.1和λ₂＝0.01为机器学习中为防止过度拟合而设定的正则化参数。

具体的，所述主系统关键参数包括：主设备支承刚度和支承的布置位置。

具体的，所述失效边界的基函数向量为：h＝[1,x₁,...,x_n,(x₁)²,...,(x_n)²,...]^T。

具体的，所述评定指标包括：ASME规范、RCC-M规范或相关设备的设计规格书。

本发明具有如下的优点和有益效果：

1、本发明提供的一种数据驱动型概率评估方法，利用已有主系统关键参数到关键部件载荷的输入输出数据库，结合代理模型，可快速评估新参数条件下系统的载荷分配情况。

2、针对通过代理模型所得到的载荷分配情况，可对部件受载的失效情况进行概率评估，对参数的优化提供方向性指导。

3、所有过程由计算机程序实现，计算结果可靠，可用于指导主系统关键参数的优化和结构的力学设计。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明实施例中概率评估方法流程图。

图2为本发明实施例中所述的反应堆冷却剂系统动力分析模型及关键参数所在位置的示意。

图3为本发明实施例中建立输入输出代理模型的神经网络模型示意图。

图4为本发明实施例中进行分类算法应用的链接函数示意图。

图5为本发明实施例中关键参数所对应下部横向支承失效与否的分布情况。

图6为本发明实施例中关键参数所对应下部横向支承未失效的概率评估。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本实例针选取一种反应堆冷却剂系统作为研究对象，主系统动力分析计算模型如图2所示。本申请实例所选取的主系统关键参数为4种支承的刚度，关键参数的信息见表1，开展概率评价的部件为下部横向支承。

表1主系统关键参数

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

S10，建立主系统动力分析的计算模型，基于有限元分析搭建描述从系统关键参数到系统关键部件载荷分配的输入输出关系。

在步骤S10后，本申请实施例的方法便进入步骤S20，即：通过参数空间中的采样，反复调用动力分析计算程序，获得包含大量样本点的数据库。每一个样本点包括一组关键参数(如表1所示的刚度输入参数)以及该组关键参数下计算得出的主系统关键部件的载荷分配情况(如表1所示支承位置的载荷输出)；数据库为多组样本点组成的数据池，即描述输入输出关系的集合。同时，按照设计标准和设计规格说明，对每个样本点对应下的部件受载情况进行失效评估，赋予样本点标签属性。该步骤形成了数据驱动分析的训练集。

在步骤S20后，本申请实施例的方法便进入步骤S301，即：通过回归算法对数据库中的输入输出关系(注：输入输出关系见上段文字描述)进行拟合，形成如公式(1)所示的代理模型。本实例所应用的回归算法为神经网络模型，神经网络模型示意图如图3所示。

在步骤S20后，本申请实施例的方法便进入步骤S302，即：利用公式(5)，通过分类算法对参数空间下由公式(2)所定义的部件失效边界进行确定。同时，利用公式(3)和(4)，对失效概率进行评估。本实例中分类算法所采用的链接函数(注：“链接函数”为分类算法中将物理变量的分布转换为概率分布的映射关系)定义见公式(4)，该链接函数的分布见图4。

在步骤S301和步骤302后，本申请实施例的方法便进入步骤S40，即：对新参数下主系统载荷分配和部件失效概率进行快速评估。

在步骤S40后，本申请实施例的方法便进入步骤S50，即：对所计算出的载荷分配及部件失效概率检查是否满足评定要求。

在步骤S50后，若新的参数组合不满足评定指标，本申请实施例的方法便进入步骤S60，即：重新调整关键参数并重新进入步骤S40进行载荷分配和部件失效概率的评估。

在步骤S50后，若新的参数组合满足评定指标，本申请实施例的方法便进入步骤S70，即：确定最优参数并输出评价结果。

具体针对本实施例来说，完成S20带标签和输入输出关系的数据库建立后，分别应用S301和S302进行回归和分类的机器学习，其中，图4为分类算法中所需要的链接函数，图5所建立数据库中关键参数所对应的部件失效情况分布，即数据样本点的标签属性，图6为参数空间下部件未失效的概率分布计算结果，在LLS、ILS和VS值较高的区域内，部件的未失效概率较高，可达98％以上。

其中：

y＝F(x)+E (1)

式中，x为描述主系统关键参数的n维向量，y为主系统关键部件所受载荷，E为代理模型中由于随机或不确定性因素而导致的计算误差，h为定义部件失效边界的d维基函数向量，w为d维失效边界的参数向量，L为失效与否的标签值，P为在给定关键参数分布和失效边界条件下部件发生失效的概率，w*为满足最大似然准则的失效边界参数向量，λ₁＝0.1和λ₂＝0.01为机器学习中为防止过度拟合而设定的正则化参数。

其中，在本申请实施例中，相关载荷评定要求和指标包括：ASME规范、RCC-M规范和相关设备的设计规格书等。

其中，在实际应用中，商用有限元软件包括：ANSYS、ABAQUS等，数值计算软件和编程语言包括：MATLAB、FORTRAN、C/C++、PYTHON等。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种数据驱动型概率评估方法，其特征在于，该方法用于反应堆冷却剂系统的动力分析，所述方法包括以下步骤：

1)基于有限元分析建立从主系统关键参数到主系统关键部件载荷分配的输入输出关系；

2)通过参数空间中的采样，建立由大量样本点组成的数据库，并基于评定指标，赋予数据库中的样本点标签属性；

3)基于所得数据库，采用回归算法对数据库中的输入输出关系进行拟合，得到输入输出关系的代理模型；采用分类算法，计算参数空间中主系统关键部件的失效边界，并获得关键参数和失效概率的对应关系；

4)对新的参数组合，利用代理模型和失效边界，对主系统关键部件的载荷分配和关键部件失效概率进行评估；

5)如果评估结果不满足评定指标，则调整主系统关键参数并重新进行概率评估；如果评估结果满足评定指标，则输出最优参数和评估结果。

2.根据权利要求1所述的一种数据驱动型概率评估方法，其特征在于，步骤3)中得到的代理模型为：y＝F(x)+E (1)，

式中，x为描述主系统关键参数的n维向量，y为主系统关键部件所受载荷，E为代理模型中由于随机或不确定性因素而导致的计算误差。

3.根据权利要求2所述的一种数据驱动型概率评估方法，其特征在于，步骤3)中利用公式(2)-公式(5)，计算参数空间中部件失效的边界，并获得关键参数和失效概率的对应关系，

式中，h为定义部件失效边界的d维基函数向量，w为d维失效边界的参数向量，L为失效与否的标签值，P为在给定关键参数分布和失效边界条件下部件发生失效的概率，w^*为满足最大似然准则的失效边界参数向量，λ₁＝0.1和λ₂＝0.01为机器学习中为防止过度拟合而设定的正则化参数。

4.根据权利要求1所述的一种数据驱动型概率评估方法，其特征在于，所述主系统关键参数包括：主设备支承刚度和支承的布置位置。

5.根据权利要求1所述的一种数据驱动型概率评估方法，其特征在于，所述失效边界的基函数向量为：h＝[1,x₁,...,x_n,(x₁)²,...,(x_n)²,...]^T。

6.根据权利要求1所述的一种数据驱动型概率评估方法，其特征在于，所述评定指标包括：ASME规范、RCC-M规范或相关设备的设计规格书。