CN109545408A

CN109545408A - 基于人工智能技术对核电站反应堆燃料元件包壳破损的判定及预测方法

Info

Publication number: CN109545408A
Application number: CN201710856241.XA
Authority: CN
Inventors: 孙耀君
Original assignee: Wuxi Wuxun Technology Co Ltd
Current assignee: Wuxi Wuxun Technology Co Ltd
Priority date: 2017-09-19
Filing date: 2017-09-19
Publication date: 2019-03-29

Abstract

本发明在元件破损判定准确性方面超越了现有的用数学物理方程计算和靠人的经验判断的方法，根据大量放射化学测试数据深度分析技术和创建新的相关转化数据方法，增强新领域知识引导数据变量和多个相关因子概念，实现了准确地对核电堆芯燃料元件破损的判定和预测，并成功解决了核电领域核燃料元件破损准确判断和预测的难题。发明了多个相关辅助变量及诸多因子，并发明了对这些辅助变量和因子的计算模型；发明了用测试数据集合对不同方法的效果差异化定量分析方法；用单一变量熵、全熵及累积和熵进行比较，用来确定更适合算法的优化方法；发明了对燃料元件破损判定的新技术方法；发明了弱化低贡献参数方法；发明了新的燃料元件破损判断和预测方法。

Description

基于人工智能技术对核电站反应堆燃料元件包壳破损的判定及预测方法

技术领域：

计算机系统、人工智能、核工程。

背景技术：

在核电运行过程中，核电安全的第一道防线，既核燃料元件的包壳，由于很多原因导致破损，从而使原来封闭在包壳内的有害放射性物质溢出，进入一徊路的冷却水中，造成核放射性安全危害。出现这种事故有多种原因；如元件包壳制造方面的质量缺陷、外来异物冲击导致的破坏、温度变化造成的热应力破坏、流体引起的燃料组件固定柵格与燃料棒外围之间产生的震动破坏、包壳内部与燃料片产生物理化学反应后弱化了包壳强度、核燃料原子裂变产生的气体生成的包壳内压力造成的破坏、包壳外部合金材料与水中的锈蚀物或于水本身产生的氢化物形成氢脆现象对包壳强度的影响等等。目前在反应堆的运行过程中，探测燃料包壳破损的技术手段是定期对一徊路的冷却水采样，对样品进行放射化学分析，根据分析结果，凭经验判定包壳是否出现破损。由于样品中分析结果的化学元素多达几十种，加上造成破损原因的多样性和破损元件位置的广泛性，只根据样品的放射化学分析结果进行判断元件包壳是否有破损具有很大的不确定性。而用其它能确定性检测破损的技术手段都要求停止核反应后才能进行，即必需先停止发电。停堆检查就意味着可能会产生巨大的经济损失，例如，如果是误判，既停堆检查发现元件并没有破损的情况，一个百万千瓦的核电站每停运一天的经济损失就达上千万元。由于反应堆的物理特性，加之有设备和人员安全规范方面的限制，一但为检查燃料元件是否破损而停堆，一般都需要数天到十几天的时间才可以重新启动，就是说，一次误判停堆，就意味着上亿元的经济损失。同时，在核电站运行其间，如能够准确确定元件破损事件的发生，即使是微小破损事件，核电站也可以提前安排换料检修的工作计划，提前做好破损元件的处理和检查工作，提供维修效益。因此，在不停堆的情况下，能够准确地判断和预测燃料元件包壳是否破损，减少因破损误判而带来的停堆和维修的经济损失，具有确保核安全和减少巨大经济损失的双重重要意义。

发明内容：

分析反应堆冷却剂放射活性是对燃料可靠性评估的第一步。对特定裂变产物同位素在尾气系统或一徊路冷却剂中的放射性活度进行监测，获得运行中燃料元件性能的信息是有用的。从对样品测量的数据中，可以识别出发生燃料故障时的运行周期，估计故障的近似数量和类型，并进行破损燃料的大概分析预测。虽然反应堆内的冷却剂放射性活动水平确实表明燃料行为的总体差异，并且广泛地用于其它方面的研究，但它们对判断元件是否破损却不是很好的定量测量指标，因为破损燃料元件泄漏物质的数量、裂变释放产物的元素类型较多，破损位置和破口大小的不同，以及发生破损的多种原因，加上功率对放射性活度变化的影响，元件组件局部线性热产生率(LHGR)和游离铀可能会造成额外的放射性等等诸多因素，都对元件破损的判断带来极大的不确定性。因此，冷却液中放射性活动采样测量数据不能直接用于破损故障的确定性定量评估。近年来，随着新一代人工智能和机器学习技术的突破性进展，用创新的深度机器学习方式来解决有众多影响变量、由多维向量组成、时空间都及其复杂的实际工程问题时，在能够获得大量的实际工程数据前提下，可以成为原本无法用数理方程能解决的复杂问题的新的、有效的技术手段。在有大量、不同放射性元素放射化学测试数据时，并同时在有诸多其它因素影响的总体放射数据的复杂情况下，根据放射化学测试数据分析结果，使用创新型深度机器学习方法，就能够通过对全部相关历史数据进行反复和深入地学习、用现代人工智能多层网络神经元方式进行海量次迭代、递归和优化计算进行训练学习方式，依靠现代信息技术超强的计算速度和无限的记忆能力，完成在没有抽象数理方程时，只靠人的经验和记忆而难以完成的那些极其复杂、由大量数据组成，数据之间又显得杂乱无章的任务。为此，本发明就是使用创新型方式方法，用人工智能和独特的机器学习技术解决核燃料破损判断和预测难题。

本发明的具体内容如下：

A.数据引导学习方法，辅助变量及因子，按一定的变化公式计算，如下(但不限于)的线性关系：

1)时间序列处理：根据开堆积累总功(整体燃料燃耗)，满功率一天为1(全功率天)，递增累加，做规范化计量处理；

2)功率变化处理：按功率变化的速率，累计变化的影响因子。2个点(T1-＞T2)时功率变化 (W1-＞W2)是按公式：“|W1-W2|/(T2-T1)”计算影响累加量(all changes arepositive contribution)；

3)堆芯燃料组件已经使用周期装载情况，按使用的月数，新的为“0”；已经用了一个循环，第二次使用的开始为第一个周期的月数“X1”，对用了第三次的开始月数是前两个周期月数之和“X1+X2”，运行后，全部按月累加(+1)，计算总和，反映每周期中月份的增加因子的影响；

4)堆装料周期数(使用年龄)，0开始，每次加1，同周期相同；

5)装料周期破损历史：累加有破损周期的周期数，堆周期越多越大，破损发生的越近越大，但同周期相同，历史因子“H”；

6)新堆因子：一次性高贡献因子“N”；

7)条件因子：“B”，一旦出现破损，以后即全都是破损状态，直至换料！

8)连续性因子：“C”，当按时间序列，有连续相同转变(破损)的情况；

9)同堆因子：“S”，影响学习用引导数据的关联性，包括：同一、同类、同周期、同厂、同数据来源等。以上几个方面流程总结见图一。

B.数据分析及学习方法：由于训练数据量较小，分别对训练数据集使用不同的学习方法，再通过测试数据集合对每个方法的效果差异，用单一熵，全熵及和熵，进行比较，确定选择更适合的优化方法。越是复杂的方法，越是要求更多的训练数据，因此，最优化的方法会因训练集合数据量的增加而变化。可以比较和选用的方法包括、但不限于以下各种方法：

I.专有算法，如物讯通用学习方法：Wuxun GAI

II.其它算法，，如：

οSMO

οLogistic

οSimple Logistic

οSVM

οForward Convolution Neuron Network(FCNN)等。

C.破损判定方法：弱化低贡献参数方法，详细见图二。既：

第一步：训练数据集合预处理：

对训练数据集合用以上第一步的数据处理方法，将功率变化和时间的影响通过定量后参与破损分类判定，判定方法如下：

1)获取a)中的各个因子之积，＝＞即总因子“Fa”；

2)将“Fa”总因子分别引入与时间序列和功率变化参数处理中；

3)将引入Fa的训练集合的各个参数按合适的数值段划分，全部转换形成离散型数据，；

4)计算并保存每个参量的最小破损熵值Hi及相应分隔点，以及Hi之和：H-sum；

5)计算并存储训练集合的破损熵值：H；

6)对以上处理过的随机训练数据序列，用不同学习方法产生相应的数据判断模型。

第二步：用验证数据集合产生新的参数影响因子，调整数据模型：

使用验证数据集合时，对出现误判断的数据进行以下操作：

根据第一步中的每个参量的最小熵对应的分割点，对比本验证点位置，如果是落入了错误的分类区域，对改参数给予一个新的弱化因子R(i)，将全部R(i)带入原来的训练数据集合，重新进行以上第一步，获取新的判断模型。

第三步：递归迭代：

重复第一和第二步，直至验证集合没有出现误判，或达到最小数目为止。

D.破损预测方法：组合方法，详见图三，图四：

1.当用实际数据集合判断是否破损时，在预测结果为“未破损”连续性出现“N”次小于一定概率X(例如60％)未破损可能性时，并当预测到下一个满足同样预测数据的时候(既累计达到N+1次)，预测此时开始将有高可能性出现破损；

2.当累计出现“M”次大于某个概率Y(例如80％)的预测数据为“破损”时，在下一次出现类似预测数据时(既M+1次时)，预测此时开始将有高可能出现破损；

3.以上的N，X和M，Y的具体数据根据每个具体应用堆型而定。

附图说明：

图1是生成引导数据图；

图2是获取破损判定计算模型图；

图3是破损判断方法1图；

图4是破损判定方法2图。

具体实施方式：

本发明是在物讯科技公司的实时大数据处理平台系统上设计，通过JAVA或其它计算机语言编制程序实现，用网页服务或客户端软件等多种形式为用户提供系统功能的使用界面方式完成实施。

Claims

1.一种通过人工智能和机器学习技术对反应堆燃料元件破损进行判断和预测的方法，其特征在于包括：

a.在引导学习方法训练数据集合里，引入了辅助变量和影响因子的概念和方法；

b.进一步，在验证数据集合里，引入了异常变量弱化因子的概念和方法。

2.在以上发明1提及的方法中，发明了以下辅助变量及其转化公式：

a.将时间转换为燃耗变量，既变时间序列化为随机空间参数；

b.将功率变化转化为累计状态变量，并体现了其变化速度的贡献。

3.在以上发明1提及的方法中，发明了以下多个因子和总因子及其定义：

a.堆芯燃料组件已经使用周期装载情况，按使用的月数，新的为“0”；已经用了一个循环，第二次使用的开始为第一个周期的月数“X1”，对用了第三次的开始月数是前两个周期月数之和“X1+X2”，运行后，全部按月累加(+1)，计算总和，反映每周期中月份的增加因子的影响；

b.堆装料周期数(使用年龄)，“0”开始，每次加“1”，同周期相同；

c.装料周期破损历史：累加有破损周期的周期数，堆周期越多越大，破损发生的越近越大，但同周期相同，历史因子“H”；

d.新堆因子：一次性高贡献因子“N”；

e.条件因子：“B”，一旦出现破损，以后即全都是破损状态，直至换料；

f.连续性因子：“C”，当按时间序列，有连续相同转变(破损)的情况；

g.同堆因子：“S”，影响学习用引导数据的关联性，包括：同一、同类、同周期、同厂、同数据来源等；

h.获取a)中的各个因子之积，＝＞即总因子“Fa”。

4.在以上发明1提及的方法中，发明了弱化低贡献参数及计算方法，包括：

a.将“Fa”总因子分别引入与时间序列和功率变化参数处理中；

b.将引入“Fa”的训练集合的各个参数按合适的数值段划分，全部转换形成离散型数据：

c.计算并保存每个参量的最小破损熵值“Hi”及相应分隔点，以及Hi之和：H-sum；

d.计算并存储训练集合的破损熵值：“H”。

5.在以上发明1提及的方法中，发明了对使用验证数据集合引入弱化因子概念，对出现误判断的数据进行调整的方法：

a.对误判验证点位置，如果是落入了错误的分类区域，对改参数给予一个新的弱化因子R(i)；

b.将全部R(i)带入原来的训练数据集合，重新进行训练制模。

6.在以上发明1提及的方法中，发明了根据累计判定情况对破损进行预测的组合方法，包括：

a.当用实际数据集合判断是否破损时，在预测结果为“未破损”连续性出现“N”次小于一定概率X(例如60％)未破损可能性时，并当预测到下一个满足同样预测数据的时候(既累计达到N+1次)，预测此时开始将有高可能性出现破损；

b.当累计出现“M”次大于某个概率Y(例如80％)的预测数据为“破损”时，在下一次出现类似预测数据时(既M+1次时)，预测此时开始将有高可能出现破损；

C.N，X和M，Y的具体数据值将根据每个具体应用堆型，通过训练结果，分别优化确定。