CN108885912B - 通过使用重复交叉验证来设置相关公差极限的系统及其方法 - Google Patents

通过使用重复交叉验证来设置相关公差极限的系统及其方法 Download PDF

Info

Publication number
CN108885912B
CN108885912B CN201680084392.1A CN201680084392A CN108885912B CN 108885912 B CN108885912 B CN 108885912B CN 201680084392 A CN201680084392 A CN 201680084392A CN 108885912 B CN108885912 B CN 108885912B
Authority
CN
China
Prior art keywords
normality
check
95dnbr
parametric method
value
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.)
Active
Application number
CN201680084392.1A
Other languages
English (en)
Other versions
CN108885912A (zh
Inventor
金康訓
金秉奭
南基日
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.)
Kepco Nuclear Fuel Co Ltd
Original Assignee
Kepco Nuclear Fuel Co Ltd
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 Kepco Nuclear Fuel Co Ltd filed Critical Kepco Nuclear Fuel Co Ltd
Publication of CN108885912A publication Critical patent/CN108885912A/zh
Application granted granted Critical
Publication of CN108885912B publication Critical patent/CN108885912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G21C17/10—Structural combination of fuel element, control rod, reactor core, or moderator structure with sensitive instruments, e.g. for measuring radioactivity, strain
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Complex Calculations (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及通过使用重复交叉验证来设置相关公差极限的系统及其方法，在相关性系数的拟合和设定公差极限时，为了防止由于偶然或者人为介入导致资料特性歪曲以及由此带来的危险性，并且量化影响，从而通过使用重复交叉验证来设置相关公差极限的系统及其方法。根据本发明的通过使用重复交叉验证来设置相关公差极限的系统包括：变量提取单元，区分训练集和校验集，拟合相关性系数，从而提取变量；正态性检验单元，检验基于变量提取结果的正态性；DNBR极限单元，根据是否具有正态性，检验是否为相同群体，决定偏离泡核沸腾比的允许阈值；以及，控制单元。

Description

通过使用重复交叉验证来设置相关公差极限的系统及其方法
技术领域
本发明涉及通过使用重复交叉验证来设置相关公差极限的系统及其方法，更加详细地，在拟合相关性系数和设置相关公差极限时，为了防止由于偶然或者人为介入导致资料特性歪曲以及由此带来的危险性，并且量化影响，从而通过使用重复交叉验证来设置相关公差极限的系统及其方法。
背景技术
目前，根据韩国公开专利第2011-0052340号，公开了一种用于评价堆芯状态的停止设定值的方法，对于600多个堆芯状态中的每一个堆芯的状态，利用事先算出的中子束分布信息、局部过输出保护用计测器信息和热工水力信息，计算停止设定值，之后，导出局部过输出保护用计测器的信号分布信息与停止设定值之间的拟合相关性系数，从而可以仅根据计测器信号分布即可决定对应于各反应堆状态的停止设定值。
以前为了针对过适危险性，执行了一天一次的相关性系数拟合或者以受限的情况下的数据划分(Data Partitioning：Training set vs Validation set)为基准执行了相关性系数的拟合，或者按照单独操作具有相同的设计或者类似的设计特性的独立的实验资料群的水平，结束相关业务后以分散的资料群为对象，单独进行简单的统计分析，从而设定相关公差极限以及适用范围。
对于受限的情况，基于分散的资料的相关性系数的拟合和公差极限的设定，存在无法防止由于偶然或者人为介入导致资料特性歪曲以及由此带来的危险性或者无法实现其影响的定量化的问题。
并且，在单独操作具有相同设计或者类似的设计特性的独立的实验资料群时，由于潜在地包括实验资料的再现性范围以及细节设计特性的差异带来的影响，从而在划分过适危险度及其影响时受到一定的极限，一定会增加实验资料的追加生产所需的费用。
发明内容
技术问题
本发明是鉴于上述问题提出的，本发明的目的在于提供通过使用重复交叉验证来设置相关公差极限的系统及其方法，在遵守技术/规定条件的范围内，执行相关性系数的拟合和公差极限的设定或者验证其有效性。
另外，还提供防止由于偶然或者人为介入导致资料特性歪曲以及由此带来的危险性，并且量化影响的通过使用重复交叉验证来设置相关公差极限的系统及其方法。
技术问题解决手段
根据本发明的通过使用重复交叉验证来设置相关公差极限的系统包括：变量提取单元100，用于通过区分训练集和校验集，并拟合相关性系数，从而提取变量；正态性检验单元200，对上述变量提取结果执行正态性检验；DNBR极限单元300，根据是否具有所述正态性，决定偏离泡核沸腾比的允许阈值；以及，控制单元400，用于控制所述变量提取单元、正态性检验单元、DNBR极限单元。
变量提取单元100可以包括：初始化模块110，区分训练集和校验集，从全部数据库中(Full DB)提取诸如初始数据库(Initial DB)等的运行(Run)ID；相关性系数拟合模块120，用于执行初始训练集的相关性系数的拟合(Fitting)；提取模块130，用于通过将所述相关公式系数拟合结果应用于训练集，提取每一个单独Run ID的最大测量值/预测值(M/P)；位置和统计量变化判断模块140，用于判断是否存在提取的最大M/P的位置变化或者M/P平均的统计量变化；以及，变量提取模块150，通过将相关性系数的拟合结果应用于校验集，提取相当于最大M/P的变量。
正态性检验单元200执行正态性检查时，在训练集与校验集具有相同群体的情况下，基于对于将所述训练集和校验集合在一起的数据集的正态性检查，可以通过参数方法或者非参数方法判断提取的M/P的正态性。
并且，正态性检验单元200执行正态性检验时，在训练集与校验集不具有相同群体的情况下，仅以所述校验集为基准，根据提前已执行的正态分布检验结果，可以通过参数方法或者非参数方法判断提取的M/P的正态性。
DNBR极限单元300可以包括：输出模块310，对于单独的Case执行基于参数方法和非参数方法的相同群体检查，根据Poolable Set M/P和校验集M/P是否具有正态性，输出针对单独的Case的95/95DNBR Value Distribution；以及，极限决定模块320，根据所述输出模块是否具有正态性，针对单独的案例(Cases)，计算基于参数方法的95/95DNBR值或者基于非参数方法的95/95DNBR值，根据N个案例(N Case)的95/95DNBR值分布，决定基于参数方法的95/95DNBR极限(Limit)，或者决定基于非参数方法的95/95DNBR极限(Limit)。
另一方面，根据由权利要求1所述的通过使用重复交叉验证来设置相关公差极限的系统的控制单元来执行的通过使用重复交叉验证来设置相关公差极限的方法，包括：(a)所述控制单元区分训练集和校验集，拟合相关性系数，从而提取变量的步骤；(b)所述控制单元基于上述变量提取结果判断正态性的步骤；以及，(c)所述控制单元根据是否具有所述正态性，决定偏离泡核沸腾比的允许阈值的步骤。
第(a)步骤可以包括：(a-1)通过区分训练集和校验集，从Full DB中提取诸如Initial DB等Run ID的初始化步骤；(a-2)进行初始训练集相关性系数的拟合(Fitting)的相关性系数拟合步骤；(a-3)将所述相关性系数拟合结果应用于训练集，提取最大M/P的提取步骤；(a-4)判断是否存在提取的最大M/P的位置和统计量变化的，位置和统计量变化判断步骤；以及，(a-5)以相关性系数拟合结果应用于校验集，提取相当于最大M/P的变量的变量提取步骤。
在第(b)步骤进行正态性检验时，在训练集与校验集是具有相同群体的情况下，基于对于将所述训练集和校验集合在一起的数据集的正态性检验，可以通过参数方法或者非参数方法判断提取的M/P的正态性。
并且，在第(b)步骤进行正态性检验时，在训练集与校验集不具有相同群体的情况下，仅以所述校验集为基准，根据提前已执行的正态分布检查结果，可以通过参数方法或者非参数方法判断提取的M/P的正态性。
另外，第(c)步骤可以包括：(c-1)所述控制单元对于单独的Case，基于参数方法和非参数方法执行相同群体检查，根据Poolable Set M/P和校验集M/P是否具有正态性，输出针对单独的Case的95/95DNBR Value Distribution的输出步骤；以及，(c-2)所述控制单元根据是否具有所述正态性，针对单独的Cases，计算基于参数方法的95/95DNBR Value或者基于非参数方法的95/95DNBR Value，根据N Case的95/95DNBR Value Distribution，决定基于参数方法的95/95DNBR Limit，或者决定基于非参数方法的95/95DNBR Limit的步骤。
发明的效果
根据如上所述，在相关性系数的拟合和公差极限的设定中，具有防止由于偶然或者人为介入导致资料特性歪曲以及由此带来的危险性，并且量化影响的效果。
附图说明
图1是示出根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的构成图。
图2是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的变量提取单元的动作示意图。
图3是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的正态性检验单元以及DNBR极限单元的动作示意图。
图4是示出利用根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的方法的整体流程图。
图5是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的概念性结果示意图。
图6是示出根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的相关公式M/P概率分布以及公差极限概念的曲线图。
图7是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的变量提取单元，示出变量提取单元提取的平均变量分布的曲线图。
具体实施方式
本发明的具体特征以及优点将通过下面的关于附图的详细说明变得更加明确。在进行说明之前，需要说明的是，在判断与本发明相关的公知功能及其构成的具体说明有可能混淆本发明的宗旨时，省略其具体说明。
下面，参照附图详细说明本发明。
图1是示出根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的构成图。图2是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的变量提取单元的提取过程示意图。图3是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的正态性检验单元以及DNBR极限单元的动作示意图。
如图1示出，根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统包括变量提取单元100、正态性检验单元200、DNBR极限单元300以及控制单元400。
首先，变量提取单元100具有执行区分训练集(Training set)和校验集(Validation set)，拟合相关公式系数，重复N次提取变量的过程的功能。
用于执行这样的功能的变量提取单元100包括初始化模块110、相关性系数拟合模块120、提取模块130、位置以及统计量变化判断模块140以及变量提取模块150。
初始化模块110区分训练集和校验集，校验集是在Validation Initial set从Full DB中提取诸如Initial DB等的Run ID，训练集是在Training Initial set从Full DB中提取诸如Initial DB等的Run ID。
相关性系数拟合模块120执行Training Initial Set相关性系数的拟合(Fitting)。
提取模块130将相关性系数拟合结果应用于训练集，提取每一个单独的Run ID的最大M/P。其中，根据本实施例的相关公式是临界热通量(Critical Heat Flux，CHF)相关公式，提取每一个单独的Run ID的最大统计量(M/P平均)。
位置和统计量变化判断模块140判断是否存在提取的最大M/P的位置变化或者M/P平均等的统计量变化，当存在位置变化时，可以在Training Initial Set重复相关性系数拟合(Fitting)步骤，直到提取的最大M/P没有位置变化，并且，当存在统计量变化时，可以在Training Initial Set重复相关性系数拟合(Fitting)步骤，直到提取的最大M/P没有统计量变化。
变量提取模块150将相关性系数拟合结果应用于校验集，提取相当于最大M/P的变量，重复N次(N Case)从初始化模块到变量提取模块的动作，并存储结果。
其中，“N”的设定可以执行为5、10、20、100、200、500、1000、5000或者其以上，代表性的实施例中的1000次左右也比较适合。
图5是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的概念性结果示意图。
代表性实施例中的概念性结果如下表1以及图5所示。
表1
Figure BDA0001820259270000071
上表中，*表示非参数分位数。
正态性检验单元200实现执行对于通过了位置和统计量变化判断模块140的提取模块的结果(训练集的每一个单独的Run ID的最大M/P)和变量提取单元150的结果(校验集的每一个单独的Run ID的最大M/P)或者对于Poolable set等的正态性的检查功能和对于在DNBR极限单元产生的95/95DNBR Distribution的正态性检验的功能。
DNBR极限单元300对于单独的Case执行基于参数方法和非参数方法的相同群体检查，根据是否具有Poolable Set M/P的正态性和校验集M/P的正态性，产生针对单独的Case的95/95DNBR Value，基于此，输出针对N Case的95/95DNBR Value Distribution，并且根据是否具有正态性，决定基于参数方法的95/95DNBR Limit或者决定基于非参数方法的95/95DNBR Limit。
通过这样的DNBR极限单元300，决定基于利用分布的95/95基准(95％可靠性以及95％概率)的终极的公差极限，从而可以防止资料特性的歪曲及其导致的危险性，并且量化影响。
用于执行这样的功能的DNBR极限单元300包括输出模块310以及极限决定模块320。
输出模块310针对单独的Case执行基于参数方法和非参数方法的相同群体检查，并且输出根据是否具有Poolable Set M/P的正态性和校验集M/P的正态性，利用极限决定模块320计算的基于参数方法的95/95DNBR Value或者基于非参数方法的95/95DNBRValue，并且基于此，可以输出针对N Case的95/95DNBR Value Distribution，另外，极限决定模块320构成为根据输出模块310是否具有正态性，针对单独的Cases，计算基于参数方法的95/95DNBR Value或者基于非参数方法的95/95DNBR Value，对于针对N Case的95/95DNBR Value Distribution，决定基于参数方法的95/95DNBR Limit或者决定基于非参数方法的95/95DNBR Limit。
作为参考，DNBR是CHF相关公式极限DNBR，是评价核燃料棒表面是否发生CHF的量化基准值，通过统计评价CHF相关公式的预测不确定性来决定该值。根据对于反应堆核心的热设计标准，CHF相关公式的极限DNBR应该设定为在95％以上的可信度水平上不发生CHF的概率达到95％以上。DNBR被定义为CHF预测值(＝P)和实际局部热流速(＝A)之比。即、DNBR＝P/A。在CHF实验条件下，实际局部热流速与CHF测量值(＝M)相同，所以DNBR具有与P/M相同的意思。在一定的局部热工水力条件下，基于相关公式可预测的CHF(P)始终计算出一定的值，但是，在该条件下实际测量到的CHF(M)由于物理性现象的随机性，有可能具有任意值。从这样的观点出发，作为用于DNBR的统计评价的随机变量(random variable)选择了M/P。如果要满足对于CHF的设计标准，则需要在任意的运行条件下，实际局部热流速低于该条件下测量到的临界热流速。即、A<M，其中，鉴于M的不确定性，按照95/95设计标准，所述条件可以表示为如下。
A<M(95/95lower limit)
将上式两侧除以P，之后应用DNBR＝P/A，则变为
Figure BDA0001820259270000081
由此可以得到，相关公式极限DNBR(DNBRCL)被定义为
Figure BDA0001820259270000082
对于M/P的95/95下限值，从根据M/P标本估计评价总体的统计量的公差极限(tolerance limit)如图6决定。
图6是示出根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的相关公式M/P概率分布以及公差极限概念的曲线图。
控制单元400控制变量提取单元100、控制正态性检验单元200以及控制DNBR极限单元300。
下面说明根据这样的控制单元的控制信号，利用根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的方法。
图4是示出利用根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的方法的流程图。
首先，控制单元区分训练集(Set)和校验集(Set)，拟合相关性系数，提取变量(a)。
其次，控制单元检验变量提取结果的正态性(b)。
另外，控制单元根据(b)步骤的是否具有正态性，决定偏离泡核沸腾比的允许阈值(c)。
在(a)步骤，进行相关性系数拟合以及变量提取过程为①首先，利用训练集(T：Training data set)和校验集(V：Validation data set)，区分数据(DataPartitioning)。②其次，执行相关性系数的拟合，拟合执行到不存在T的每一个单独Run ID的最大M/P的位置或者统计量变化为止。③其次，计算以及提取V的每一个单独Run ID的最大M/P，④存储T以及V的每一个单独Run ID的M/P。⑤其次，将1～4过程重复N次(N case)。
(a)步骤的变量提取过程，经过区分训练集和校验集，并且从Full DB中提取诸如Initial DB等的Run ID的初始化步骤(a-1)，执行初始训练集相关性系数的拟合(Fitting)(a-2)。其次，将相关性系数拟合结果应用于训练集，提取最大M/P(a-3)。其次，判断是否存在提取的最大M/P位置以及统计量变化(a-4)，并且重复进行相关性系数的拟合，直到不存在提取的最大M/P为止或者统计量变化为止。其次，在不存在提取的最大M/P为止或者统计量变化时，以相关公式系数拟合结果应用于校验集，进行提取相当于最大M/P的变量的变量提取(a-5)。
在(b)步骤，⑥其次，检查对于单独的Case的T以及V的M/P分布的正态性。⑦其次，在检查每一个单独的Case的相同群体时，在T以及V为正态分布的情况下，按照参数方法执行检查，在T或者V不是正态分布的情况下，按照非参数方法执行检查。⑧在计算每一个单独的Case的95/95DNBR Value时，在T与V为相同群体的情况下，以将T和V合在一起的资料群为基准决定。其中，可以在执行对于合在一起的资料群的正态性检验后，根据结果来采用参数或者非参数方法。在T与V不是相同群体的情况下，仅以V为基准决定。这时，可以基于已经执行的正态分别检查结果来采用参数或者非参数方法。⑨基于⑧的结果，针对T、V、Poolable、Non-Poolable、Combined(poolabe+non-poolable)，产生95/95DNBR Value Distribution。⑩对于⑨，检查正态性。
并且，在(b)步骤的正态性检验中，执行对于单独的Case的训练集和校验集的正态性检验，按照参数方法或者非参数方法，判断提取的M/P的正态性。
在(c)步骤，计算95/95DNBR Limit，在⑩中为正态分布时，按照参数方法计算，在⑩中不是正态分布时，按照非参数方法计算。在决定95/95DNBR Limit时，作为一实施例，将“Combined”分布的95/95公差设定为1.1234→1.124，作为另一实施例，将“Validation”分布的平均设定为1.1337→1.134。
另外，在(c)步骤，根据是否具有基于参数方法和非参数方法的Poolable Set M/P的正态性和Validation Set M/P的正态性，基于对于单独的Case的95/95DNBR Value，输出对于N Case的95/95DNBR Value Distribution(c-1)，根据是否具有正态性，决定基于参数方法的95/95DNBR Limit或者决定基于非参数方法的95/95DNBR Limit(c-2)。
在本发明一实施例中，在设定N时的Data Partitioning是随机性(random)的，并且可以包括k-folds(k个小组按照彼此不重复的方式进行data partitioning，以k-1个小组作为训练集，以一个小组作为校验集，重复k次)。另外，对于本实施例中的执行对象变量，除了M/P之外，还可以利用M/P-1、M-P或者P/M、P/M-1、P-M至P-等进行公差极限的设定以及验证。
在其它实施例中，作为所提供的代表性实施例的扩展，对于N Case的重复，可以执行到“产生对于N case的95/95DNBR Value Distribution”之前，还可以针对TrainingData Set和Vailidation Data Set的两种数据集，分别分析“95/95DNBR ValueDistribution”或者针对每一个单独的Case的相同群体的情况和不是相同群体的情况的组合进行分析。
表2
Figure BDA0001820259270000111
基于根据本发明的通过使用重复交叉验证来设置相关公差极限的系统的作用实现的效果是将公差极限比现有技术最多降低了2.5％，公差极限的降低可以应用于安全程度(margin of safety)的增加或者实际性能的提高。具有比国际技术水平最多改善5％的效果。
表3
Figure BDA0001820259270000121
*与国内技术水平的对比
图7是根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统的变量提取单元，示出变量提取单提取的平均变量分布的曲线图。
这样的图7是与图5的分类对应地示出了从图2的结果通过图3以及图4的过程产生的N case的两个Data set(training以及validation)提取的平均变量(M/P)。
根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统，以图3为基准，可以进行N case的Training以及Validation Dataset的M/P之间的相同群体检查(参数方法或者非参数方法)。
并且，在具有相同群体和不具有相同群体的情况下产生95/95DNBR Values的过程的特征在于采用参数方法或者非参数方法，并且特征还在于根据95/95DNBR Values的分布可以决定95/95DNBR limit。
根据本发明一实施例的通过使用重复交叉验证来设置相关公差极限的系统①首先，按照训练集(T：Training data set)和校验集(V：Validation data set)区分数据(Data Partitioning)。
②其次，执行相关性系数的拟合，拟合执行到不存在T的每一个单独RunID的最大M/P的位置或者统计量变化为止。
③其次，计算以及提取V的每一个单独Run ID的最大M/P，
④存储T以及V的每一个单独Run ID的M/P。
⑤其次，将1～4过程重复N次(N case)。
⑥其次，检查对于单独的Case的T以及V的M/P分布的正态性。
⑦其次，在检查每一个单独的Case的相同群体时，在T以及V为正态分布的情况下，按照参数方法进行检查，在T或者V不是正态分布时，按照非参数方法进行检查。
⑧在计算每一个单独的Case的95/95DNBR Value时，在T和V为相同群体的情况下，以将T和V合在一起的资料群为基准决定。其中，可以在执行对于合在一起的资料群的正态性检验后，根据结果，采用参数或者非参数方法。
在T和V不是相同群体的情况下，仅以V为基准决定。这时，根据已经执行的正态分布检查结果，可以采用参数或者非参数方法。
⑨基于⑧的结果，针对T、V、Poolable、Non-Poolable、Combined(poolabe+non-poolable)产生95/95DNBR Value Distribution。
⑩对于⑨，检查正态性。
Figure BDA0001820259270000141
在计算95/95 DNBR Limit时，在⑩中为正态分布的情况下，采用参数方法计算，在⑩中不是正态分布时，采用非参数方法计算。
Figure BDA0001820259270000142
在决定95/95 DNBR Limit时，作为一实施例，将“Combined”的分布的95/95公差设定为1.1234→1.124，作为另一实施例，将“Validation”分布的平均设定为1.1337→1.134。
附图标记
100：变量提取单元 110：初始化模块
120：相关性拟合模块 130：提取模块
140：位置和统计量变化判断模块 150：变量提取模块
200：正态性检验单元 300：DNBR极限单元
310：输出模块 320：极限决定模块

Claims (6)

1.一种通过使用重复交叉验证来设置相关公差极限的系统，其特征在于，包括：
变量提取单元(100)，用于通过区分训练集和校验集，并拟合相关性系数，从而提取变量；
正态性检验单元(200)，对上述变量提取结果执行正态性检验；以及
偏离泡核沸腾比(DNBR)极限单元(300)，根据是否具有所述正态性，决定偏离泡核沸腾比的允许阈值，
所述变量提取单元(100)包括：
初始化模块(110)，用于区分训练集和校验集，从全部数据库中提取初始数据库的运行ID；
相关性系数拟合模块(120)，用于执行初始训练集的相关性系数的拟合；
提取模块(130)，用于通过将所述相关性系数的拟合结果应用于训练集，提取每一个单独运行ID的最大测量值/预测值；
位置和统计量变化判断模块(140)，用于判断是否存在提取的最大测量值/预测值的位置变化或测量值/预测值平均的统计量变化；以及
变量提取模块(150)，通过将相关性系数的拟合结果应用于校验集，提取相当于最大测量值/预测值的变量，
所述DNBR极限单元(300)包括：
输出模块(310)，对于单独案例执行基于参数方法和非参数方法的相同群体检验，根据池化集(poolable set)测量值/预测值和校验集测量值/预测值是否具有正态性，输出针对单独案例的95/95DNBR值分布；以及
极限决定模块(320)，根据所述输出模块是否具有正态性，针对单独案例，计算基于参数方法的95/95DNBR值或者基于非参数方法的95/95DNBR值，根据N个案例的95/95DNBR值分布，决定基于参数方法的95/95DNBR极限，或者决定基于非参数方法的95/95DNBR极限。
2.根据权利要求1所述的通过使用重复交叉验证来设置相关公差极限的系统，其特征在于，
当所述正态性检验单元(200)执行正态性检验时，在所述训练集与所述校验集具有相同群体的情况下，基于对于将所述训练集和校验集合在一起的数据集的正态性检验，通过参数方法或非参数方法判断提取的测量值/预测值的正态性。
3.根据权利要求1所述的通过使用重复交叉验证来设置相关公差极限的系统，其特征在于，
当所述正态性检验单元(200)执行正态性检验时，在所述训练集与所述校验集不具有相同群体的情况下，仅以所述校验集为基准，根据提前已执行的正态分布检验，通过参数方法或者非参数方法判断提取的测量值/预测值的正态性。
4.一种通过使用重复交叉验证来设置相关公差极限的方法，所述方法由权利要求1所述的通过使用重复交叉验证来设置相关公差极限的系统的控制单元来执行，其特征在于，包括：
(a)通过所述控制单元区分训练集和校验集，拟合相关性系数，从而提取变量的步骤；
(b)通过所述控制单元对上述变量提取结果执行正态性检验的步骤；以及
(c)通过所述控制单元，根据是否具有所述正态性，决定偏离泡核沸腾比的允许阈值的步骤，
所述第(a)步骤包括：
(a-1)通过所述控制单元区分训练集和校验集，从全部数据库中提取初始数据库的运行ID的初始化步骤；
(a-2)通过所述控制单元进行初始训练集相关性系数的拟合的相关性系数拟合步骤；
(a-3)通过所述控制单元将所述相关性系数拟合结果应用于训练集，提取最大测量值/预测值的提取步骤；
(a-4)通过所述控制单元判断是否存在提取的最大测量值/预测值的位置和统计量变化的位置和统计量变化判断步骤；以及
(a-5)通过所述控制单元将相关性系数拟合结果应用于校验集，提取相当于最大测量值/预测值的变量的变量提取步骤，
所述第(c)步骤包括：
(c-1)通过所述控制单元对于单独案例执行基于参数方法和非参数方法的相同群体检验，根据池化集(poolable set)测量值/预测值和校验集测量值/预测值是否具有正态性，输出针对单独案例的95/95DNBR值分布的输出步骤；以及
(c-2)通过所述控制单元根据输出模块是否具有正态性，针对单独案例，计算基于参数方法的95/95DNBR值或者基于非参数方法的95/95DNBR值，根据N个案例的95/95DNBR值分布，决定基于参数方法的95/95DNBR极限，或者决定基于非参数方法的95/95DNBR极限的步骤。
5.根据权利要求4所述的方法，其特征在于，
在所述第(b)步骤中进行正态性检验时，在所述训练集与所述校验集具有相同群体的情况下，所述控制单元基于对于将所述训练集和校验集合在一起的数据集的正态性检验，通过参数方法或非参数方法判断提取的测量值/预测值的正态性。
6.根据权利要求4所述的方法，其特征在于，
在所述第(b)步骤中进行正态性检验时，在所述训练集与所述校验集不具有相同群体的情况下，所述控制单元仅以所述校验集为基准，根据提前已执行的正态分布检验，通过参数方法或者非参数方法判断提取的测量值/预测值的正态性。
CN201680084392.1A 2016-04-06 2016-04-26 通过使用重复交叉验证来设置相关公差极限的系统及其方法 Active CN108885912B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020160042413A KR101687169B1 (ko) 2016-04-06 2016-04-06 반복 교차검증을 이용한 상관식 공차한계 설정시스템 및 그 방법
KR10-2016-0042413 2016-04-06
PCT/KR2016/004340 WO2017175908A1 (ko) 2016-04-06 2016-04-26 반복 교차검증을 이용한 상관식 공차한계 설정시스템 및 그 방법

Publications (2)

Publication Number Publication Date
CN108885912A CN108885912A (zh) 2018-11-23
CN108885912B true CN108885912B (zh) 2022-05-06

Family

ID=57735657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680084392.1A Active CN108885912B (zh) 2016-04-06 2016-04-26 通过使用重复交叉验证来设置相关公差极限的系统及其方法

Country Status (8)

Country Link
US (1) US20180190399A1 (zh)
EP (1) EP3293737B1 (zh)
JP (1) JP6626586B2 (zh)
KR (1) KR101687169B1 (zh)
CN (1) CN108885912B (zh)
CA (1) CA2985993C (zh)
RU (1) RU2720586C9 (zh)
WO (1) WO2017175908A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10028220B2 (en) 2015-01-27 2018-07-17 Locix, Inc. Systems and methods for providing wireless asymmetric network architectures of wireless devices with power management features
US10504364B2 (en) 2016-01-05 2019-12-10 Locix, Inc. Systems and methods for using radio frequency signals and sensors to monitor environments
US10455350B2 (en) 2016-07-10 2019-10-22 ZaiNar, Inc. Method and system for radiolocation asset tracking via a mesh network
US11170073B2 (en) 2017-08-24 2021-11-09 Westinghouse Electric Company Llc Sequential embedding statistical analysis for multidimensional tolerance limits
CN110633454B (zh) * 2019-09-19 2022-10-21 中国核动力研究设计院 一种基于修正法的chf关系式dnbr限值统计学确定方法
CN110727920B (zh) * 2019-09-19 2022-08-19 中国核动力研究设计院 一种基于分组法的chf关系式dnbr限值统计学确定方法
KR102148777B1 (ko) * 2019-11-13 2020-08-27 한전원자력연료 주식회사 통계적 방법을 이용한 기준 열적여유도 분석모형 과출력 벌점 산출 시스템
KR102296871B1 (ko) * 2020-06-09 2021-08-31 서울대학교산학협력단 하이브리드 피로 균열 성장 예측 방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4318778A (en) * 1973-05-22 1982-03-09 Combustion Engineering, Inc. Method and apparatus for controlling a nuclear reactor
US5745538A (en) * 1995-10-05 1998-04-28 Westinghouse Electric Corporation Self-powered fixed incore detector
KR20010039442A (ko) * 1999-10-30 2001-05-15 이종훈 노심감시계통에서 가상 핵계측기를 이용한 축방향 출력분포 계산 방법
KR20040099884A (ko) * 2003-05-20 2004-12-02 한국원자력연구소 통합형 실시간 원자로 열적 보호시스템
KR20060076466A (ko) * 2004-12-29 2006-07-04 두산중공업 주식회사 노심보호연산기계통
CN101267362A (zh) * 2008-05-16 2008-09-17 亿阳信通股份有限公司 一种性能指标值正常波动范围的动态确定方法及其装置
CN102054538A (zh) * 2009-10-30 2011-05-11 中国广东核电集团有限公司 压水堆核电站百万千瓦机组完全低中子泄漏先进四分之一换料方法及其安全分析系统
CN105203869A (zh) * 2015-09-06 2015-12-30 国网山东省电力公司烟台供电公司 一种基于极限学习机的微电网孤岛检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6061412A (en) * 1995-10-05 2000-05-09 Westinghouse Electric Company Llc Nuclear reaction protection system
US5912933A (en) * 1997-12-04 1999-06-15 General Electric Company Method and system for direct evaluation of operating limit minimum critical power ratios for boiling water reactors
US9330127B2 (en) * 2007-01-04 2016-05-03 Health Care Productivity, Inc. Methods and systems for automatic selection of classification and regression trees
FR2914103B1 (fr) * 2007-03-19 2009-12-18 Areva Np Procede de determination de la distribution de puissance volumique du coeur d'un reacteur nucleaire
CN101419291A (zh) * 2008-11-03 2009-04-29 重庆大学 一种基于超高速数据采集卡的多适性核信号处理系统
US20110112995A1 (en) * 2009-10-28 2011-05-12 Industrial Technology Research Institute Systems and methods for organizing collective social intelligence information using an organic object data model
KR101083155B1 (ko) * 2009-11-12 2011-11-11 한국전력공사 노심상태에 대응하는 국부과출력 정지설정치를 결정하는 방법
JP5642460B2 (ja) * 2010-09-03 2014-12-17 三菱重工業株式会社 限界熱流束予測装置、限界熱流束予測方法、安全評価システム及び炉心燃料評価監視システム
KR101626722B1 (ko) * 2015-07-13 2016-06-01 한국수력원자력 주식회사 원자력 발전소의 노심손상 방지를 위해 사용되는 기기들의 공간적 배치 적정성 평가 시스템 및 그 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4318778A (en) * 1973-05-22 1982-03-09 Combustion Engineering, Inc. Method and apparatus for controlling a nuclear reactor
US5745538A (en) * 1995-10-05 1998-04-28 Westinghouse Electric Corporation Self-powered fixed incore detector
KR20010039442A (ko) * 1999-10-30 2001-05-15 이종훈 노심감시계통에서 가상 핵계측기를 이용한 축방향 출력분포 계산 방법
KR20040099884A (ko) * 2003-05-20 2004-12-02 한국원자력연구소 통합형 실시간 원자로 열적 보호시스템
KR20060076466A (ko) * 2004-12-29 2006-07-04 두산중공업 주식회사 노심보호연산기계통
CN101267362A (zh) * 2008-05-16 2008-09-17 亿阳信通股份有限公司 一种性能指标值正常波动范围的动态确定方法及其装置
CN102054538A (zh) * 2009-10-30 2011-05-11 中国广东核电集团有限公司 压水堆核电站百万千瓦机组完全低中子泄漏先进四分之一换料方法及其安全分析系统
CN105203869A (zh) * 2015-09-06 2015-12-30 国网山东省电力公司烟台供电公司 一种基于极限学习机的微电网孤岛检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RTDP方法在大型先进压水堆热工设计中的应用初步研究;杨萍 等;《原子能科学技术》;20130731;第47卷(第7期);第1182-1186页 *

Also Published As

Publication number Publication date
RU2018138509A (ru) 2020-04-30
JP6626586B2 (ja) 2019-12-25
CA2985993C (en) 2021-05-18
US20180190399A1 (en) 2018-07-05
EP3293737B1 (en) 2020-05-06
RU2720586C2 (ru) 2020-05-12
JP2019510980A (ja) 2019-04-18
CA2985993A1 (en) 2017-10-12
EP3293737A4 (en) 2019-01-23
EP3293737A1 (en) 2018-03-14
CN108885912A (zh) 2018-11-23
RU2018138509A3 (zh) 2020-04-30
RU2720586C9 (ru) 2020-09-18
KR101687169B1 (ko) 2016-12-16
WO2017175908A1 (ko) 2017-10-12

Similar Documents

Publication Publication Date Title
CN108885912B (zh) 通过使用重复交叉验证来设置相关公差极限的系统及其方法
CN108053318B (zh) 一种对异常交易进行识别的方法及装置
CN102509044B (zh) 一种基于鼠标行为特征的密码认证方法
CN110034921A (zh) 基于带权模糊hash的webshell检测方法
CN116702156B (zh) 信息安全风险评价系统及其方法
CN106529283B (zh) 一种面向软件定义网络的控制器安全性定量分析方法
CN109726737B (zh) 基于轨迹的异常行为检测方法及装置
KR101229553B1 (ko) 원전의 확률론적 안전성 평가에 대한 성공기준 분석 시스템 및 그 방법
CN116668039A (zh) 基于人工智能的计算机远程登录识别系统及方法
CN112464297B (zh) 硬件木马检测方法、装置及存储介质
CN111784404B (zh) 一种基于行为变量预测的异常资产识别方法
Apley et al. Robustness comparison of exponentially weighted moving-average charts on autocorrelated data and on residuals
CN110362987A (zh) 一种密码强度的轻量级评估算法
US11031147B2 (en) System for setting tolerance limit of correlation by using repetitive cross-validation and method thereof
Zio et al. Bootstrap and Order Statistics for Quantifying Thermal‐Hydraulic Code Uncertainties in the Estimation of Safety Margins
WO2020105179A1 (ja) 情報処理装置、制御方法、及びプログラム
CN114510720A (zh) 一种基于特征融合和NLP技术的Android恶意软件分类方法
Hwang et al. A development of component vulnerability analysis program for armored fighting vehicle using criticality based on FMECA
CN115422555B (zh) 后门程序检测方法、装置、电子设备及存储介质
KR101933283B1 (ko) 프로세스 모델 검증 장치 및 방법
Lyubchenko et al. Monte Carlo simulation model for estimation of reliability indexes of electronic means
Statistics One-sample t-test
CN118631528A (zh) 一种融合卷积神经网络和随机森林的网络入侵检测方法
CN118074935A (zh) 工业控制网络的网络行为检测方法、装置及电子设备
KR20220084567A (ko) 비지도 학습 기반의 빌딩에 발생하는 압력 패턴을 분석하기 위한 장치 및 이를 위한 방법

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
GR01 Patent grant
GR01 Patent grant