CN109285612A - 一种密度测量装置 - Google Patents

一种密度测量装置 Download PDF

Info

Publication number
CN109285612A
CN109285612A CN201710603364.2A CN201710603364A CN109285612A CN 109285612 A CN109285612 A CN 109285612A CN 201710603364 A CN201710603364 A CN 201710603364A CN 109285612 A CN109285612 A CN 109285612A
Authority
CN
China
Prior art keywords
unit
data
heat flux
flux density
critical heat
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
CN201710603364.2A
Other languages
English (en)
Inventor
周尧
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201710603364.2A priority Critical patent/CN109285612A/zh
Publication of CN109285612A publication Critical patent/CN109285612A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种密度测量装置，包括：探测单元，通过各种传感器和探测器测量核反应堆的各种参数，并把相应参数转变为电信号输出；输入单元，连接探测装置，将探测装置的电信号存入预处理单元；预处理单元，对数据信号进行筛选，剔除一些错误的数据后，存入密度数据库；计算单元，根据预处理单元筛选后的测量数据实时计算出相应的密度值；自学习单元，对临界热流密度数据库中的数据进行运算，根据误差最小原理不断修正计算模型；反馈单元，将自学习过程结果返回给计算单元；输出单元，将计算单元所得的临界热流密度结果显示出来。

Description

一种密度测量装置
技术领域
本发明涉及核工程领域，特别是涉及一种临界热流密度测量装置。
背景技术
为解决人类日益增大的能源需求，核能被越来越多的使用。在利用核能的时候，安全问题不容忽视。临界热流密度（Critical Heat Flux, 简写为CHF）是确保换热系统安全的重要限制性参数之一。而对CHF的研究，涉及核反应堆工程、工程热物理、安全工程、非线性动力系统、非平衡态热力学等多个学科领域。有必要将换热系统视为一个动力系统，从最基本的质能传递关系式出发，围绕其非线性特征，揭示事故发生的规律，然后利用人工智能技术，综合多种相关因素，形成其安全性的有关监测方法。而反应堆ＣＨＦ现象具有多变性。ＣＨＦ形成过程中，各物理量在总体上表现出一定的规律性，而某一物理量或多个物理量的瞬时值却往往表现出一定的随机性。棒的形状、大小等几何尺寸及物理性质，冷却剂过冷度、流速、成分，棒束格架等多种因素都影响到ＣＨＦ。
目前，人们对CHF的预测方法进行了大量的实验和研究，得到很多的经验关系式，比如W-3经验公式。但这些经验关系式缺乏物理机理模型支持，应用范围狭窄。用于一些反应堆的安全分析系统中的模型取决于控制CHF的机理，而机理往往是与相关影响参数有很强的非线性关系。在反应堆瞬态过程中，运行参数不断变化，CHF的测量需要建立耦合不同影响参数的的非线性计算模型。
发明内容
本发明解决的技术问题是提供一种出错率低、反应速度快、应用范围广的ＣＨＦ的测量装置。
为解决上述技术问题，本发明采用的技术方案是：一种密度测量装置，包括：探测单元，通过各种传感器和探测器测量核反应堆的各种参数，并把相应参数转变为电信号输出；输入单元，连接探测装置，将探测装置的电信号存入预处理单元；预处理单元，对数据信号进行筛选，剔除一些错误的数据后，存入临界热流密度数据库；计算单元，根据预处理单元筛选后的测量数据实时计算出相应的临界热流密度值；自学习单元，对临界热流密度数据库中的数据进行运算，根据误差最小原理不断修正计算模型；反馈单元，将自学习过程结果返回给计算单元；输出单元，将计算单元所得的临界热流密度结果显示出来。
进一步地，所述探测装置包括压力探测器、质量流量探测器、含汽率探测器和温度探测器。
作为改进之一地，所述存储单元、预处理单元、计算单元、反馈单元和自学习单元可以集成到计算机中。
作为改进之一地，所述临界热流密度数据库存储有临界热流密度查询表的数据、运行时系统的测量数据和自学习获得的数据。
作为改进之一地，所述自学习单元采用支持向量机技术，同时具有查询、数据分析、知识发现的功能。将数据库中反馈的数据进行自学习和对数据进行知识发现，不断修正样本集和计算模型。
作为改进之一地，所述计算模型是通过支持向量机技术对临界热流密度及其可测量的相关影响参数进行训练得到的，可很好地建立起临界热流密度与相关影响参数之间的非线性关系。这些影响参数包括压力、质量流量、含汽率、温度等。
与现有技术相比，有益效果是：
（1）运用支持向量机技术，能实现CHF实时计算模型，输出有界的非线性映射，以构成描述CHF的非线性计算模型，具有高度容错性；
（2）本发明提供的智能临界热流密度测量系统能与计算机系统并行处理，运行速度快，反应时间短；
（3）实际探测到ＣＨＦ产生时的物理量有很大的变化性，这就要求模式识别过程具有较强的模糊类比、识别和容错能力。模糊理论、支持向量机技术具有样本自学习能力、高容错性，是实现复杂模式分类与辩识的有效工具。将模糊逻辑理论、支持向量机与上述的ＣＨＦ理论和基础数据等有机结合，形成真正的智能预测技术。本装置所建立的数据库及其计算单元，具有较好的自学习能力，成为智能CHF测量系统；
（4）本装置采用模糊判断，可以避免因不同反应堆ＣＨＦ状态及变化的不同带来的错误，增加其通用性。
具体实施方式
本发明包括：探测单元，通过各种传感器和探测器测量核反应堆的各种参数，并把相应参数转变为电信号输出；输入单元，连接探测装置，将探测装置的电信号存入预处理单元；预处理单元，对数据信号进行筛选，剔除一些错误的数据后，存入临界热流密度数据库；计算单元，根据预处理单元筛选后的测量数据实时计算出相应的临界热流密度值；自学习单元，对临界热流密度数据库中的数据进行运算，根据误差最小原理不断修正计算模型；反馈单元，将自学习过程结果返回给计算单元；输出单元，将计算单元所得的临界热流密度结果显示出来。其中探测装置包括压力探测器、质量流量探测器、含汽率探测器和温度探测器。
本发明的临界热流密度测量装置的实现步骤如下：将探测器探测得到的压力Ｐ、质量流量Ｇ、含汽率ｘ、温度T等数据由探测单元转换成电信号，通过输入单元存入预处理单元，由预处理单元对数据进行预处理，剔除一些错误的数据，将数据存入临界热流密度数据库的同时，由计算单元根据测量数据实时计算出相应的临界热流密度值；最后由输出单元将计算所得的临界热流密度结果显示出来。自学习单元对临界热流密度数据库中的数据进行自学习，根据误差最小原理不断修正计算模型；反馈单元，将自学习过程结果返回给计算单元。其中误差最小原理是指均方误差最小。本发明运用CHF非线性机理、模糊理论和支持向量机技术相结合建立起的计算单元，具有自学习的能力和知识发现的过程，获得可靠的容错性高的训练样本集，能不断自我补充和完善，有助于提高CHF测量智能化的程度，大大提高测量的准确性、及时性和可靠性。

Claims (6)

1.一种密度测量装置，其特征在于，包括：探测单元，通过各种传感器和探测器测量核反应堆的各种参数，并把相应参数转变为电信号输出；输入单元，连接探测装置，将探测装置的电信号存入预处理单元；预处理单元，对数据信号进行筛选，剔除一些错误的数据后，存入临界热流密度数据库；计算单元，根据预处理单元筛选后的测量数据实时计算出相应的临界热流密度值；自学习单元，对临界热流密度数据库中的数据进行运算，根据误差最小原理不断修正计算模型；反馈单元，将自学习过程结果返回给计算单元；输出单元，将计算单元所得的临界热流密度结果显示出来。
2.根据权利要求1所述的密度监测装置，其特征在于，所述探测装置包括压力探测器、质量流量探测器、含汽率探测器和温度探测器。
3.根据权利要求1所述的密度测量装置，其特征在于，所述输入单元、预处理单元、计算单元、反馈单元和自学习单元集成到计算机中。
4.根据权利要求1所述的密度测量装置，其特征在于，所述临界热流密度数据库储有临界热流密度查询表的数据、运行时系统的测量数据和自学习获得的数据。
5.根据权利要求1所述的密度测量装置，其特征在于，所述自学习单元采用支持向量机技术。
6.根据权利要求1所述的密度测量装置，其特征在于，所述计算模型是通过支持向量机技术对临界热流密度及压力、质量流量、含汽率、温度测量得到的临界热流密度与压力、质量流量、含汽率、温度的非线性关系。
CN201710603364.2A 2017-07-22 2017-07-22 一种密度测量装置 Pending CN109285612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710603364.2A CN109285612A (zh) 2017-07-22 2017-07-22 一种密度测量装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710603364.2A CN109285612A (zh) 2017-07-22 2017-07-22 一种密度测量装置

Publications (1)

Publication Number Publication Date
CN109285612A true CN109285612A (zh) 2019-01-29

Family

ID=65185431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710603364.2A Pending CN109285612A (zh) 2017-07-22 2017-07-22 一种密度测量装置

Country Status (1)

Country Link
CN (1) CN109285612A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751173A (zh) * 2019-09-10 2020-02-04 西安工程大学 基于深度学习支持向量机的临界热流密度预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202487187U (zh) * 2011-12-13 2012-10-10 中山大学 一种智能临界热流密度测量装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202487187U (zh) * 2011-12-13 2012-10-10 中山大学 一种智能临界热流密度测量装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751173A (zh) * 2019-09-10 2020-02-04 西安工程大学 基于深度学习支持向量机的临界热流密度预测方法

Similar Documents

Publication Publication Date Title
CN202487187U (zh) 一种智能临界热流密度测量装置
CN100461044C (zh) 一种丙烯聚合生产中熔融指数检测的故障诊断系统及方法
Sun et al. Resistance spot welding quality identification with particle swarm optimization and a kernel extreme learning machine model
CN105138770B (zh) 基于间接可靠性特征量的航天产品可靠性仿真评估方法
CN106653113B (zh) 一种蒸汽发生器在线疲劳寿命监测装置及方法
WO2019071438A1 (zh) 对流程行业中的设备进行状态监测的方法、装置及介质
CN104067232B (zh) 基于时间的设备传感器数据与基于物质的计量统计过程控制数据的双向关联及图形化取得
CN100470418C (zh) 基于盲源信号分析的聚丙烯熔融指数软测量仪表及方法
CN108982576A (zh) 一种混沌高精度的丙烯聚合生产过程最优软测量仪表
CN110942258B (zh) 一种性能驱动的工业过程异常监测方法
Lindner et al. Data-driven fault detection with process topology for fault identification
Kini et al. Improved process monitoring strategy using Kantorovich distance-independent component analysis: An application to Tennessee Eastman process
CN106354125A (zh) 一种利用分块pca检测化工过程故障的方法
CN109285612A (zh) 一种密度测量装置
CN109285611A (zh) 一种核反应堆预警系统
Song et al. Process monitoring via key principal components and local information based weights
CN109284517A (zh) 一种热流监测系统
Ma et al. A novel multilabel classification framework for coupling faults in hot rolling processes
CN109284516A (zh) 一种向量机系统
Wang et al. MLA‐TCN: Multioutput Prediction of Dam Displacement Based on Temporal Convolutional Network with Attention Mechanism
CN109283356A (zh) 一种流速测量装置
Amoresano et al. Pattern recognition of two-phase liquid–gas flow by discriminant analysis applied to accelerometric signals
Wang et al. An intelligent process fault diagnosis system integrating Andrews plot, PCA and neural networks
Jumari et al. Comparison of product quality estimation of propylene polymerization in loop reactors using artificial neural network models
Yu Mechatronics fault prediction and diagnosis based on multi sensor information fusion

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