CN111353232A - 堆芯热工水力程序结果不确定性量化分析方法及装置 - Google Patents
堆芯热工水力程序结果不确定性量化分析方法及装置 Download PDFInfo
- Publication number
- CN111353232A CN111353232A CN202010149472.9A CN202010149472A CN111353232A CN 111353232 A CN111353232 A CN 111353232A CN 202010149472 A CN202010149472 A CN 202010149472A CN 111353232 A CN111353232 A CN 111353232A
- Authority
- CN
- China
- Prior art keywords
- uncertainty
- value
- values
- sampling
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 63
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000013178 mathematical model Methods 0.000 claims description 19
- 230000035945 sensitivity Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011002 quantification Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000726425 Circe Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种堆芯热工水力程序结果不确定性量化分析方法及装置，涉及核反应堆堆芯子通道程序模型不确定性量化的技术领域，能够在获取待评价子通道程序模型的目标参数时，基于方差分解方法确定目标参数的影响输入参数，进一步，确定影响输入参数的不确定性的分布，对不确定性的分布进行抽样获取多个抽样值；计算每个抽样值对应的影响输入参数值；将多个影响输入参数值分别输入至待评价子通道程序模型以得到影响输入参数对应的目标参数的结果值；根据多个结果值计算目标参数的不确定度；通过计算出的不确定度能够准确对该子通道程序模型进行评价，且，上述评价方法大大降低了计算不确定度的计算量，提高了分析效率。
Description
技术领域
本发明涉及核反应堆堆芯子通道程序模型不确定性量化技术领域，尤其是涉及一种堆芯热工水力程序结果不确定性量化分析方法及装置。
背景技术
随着计算机技术的发展，为了能够更好的对动力系统、热力系统等能源系统进行了解，可以利用计算机技术建立对应的数学模型进行研究，然而，数学模型不可能完全准确的模拟实际物理过程，因此，需要在利用数学模型进行实验前需要对建立好的数学模型进行评价分析。
目前，在对复杂的数学模型进行不确定性评估中常用FFTBM(Fast FourierTransform Method)方法、DIPE(Drtermination of Input Parameters EmpiricalProperties)方法、CIRCE′(Calcul des Incertitudes Relatives aux Corre′lations E′lementaires)方法和MCDA(Model Calibration through Data Assimilation)方法，上述方法在对核反应堆堆芯分析上还不太成熟，仍然存在可评估的数学模型参数个数有限、运算量大等缺点，降低了分析效率。
发明内容
有鉴于此，本发明的目的在于提供一种堆芯热工水力程序结果不确定性量化分析方法及装置，以缓解上述技术问题。
第一方面，本发明实施例提供了一种堆芯热工水力程序结果不确定性量化分析方法，其中，该方法包括：获取待评价子通道程序模型的目标参数，其中，目标参数为由待评价子通道程序模型计算得到的能够表征研究对象特性的参数；基于方差分解方法确定影响目标参数的影响输入参数；确定影响输入参数的不确定性的分布；对不确定性的分布进行抽样获取多个抽样值；计算每个抽样值对应的影响输入参数值；将多个影响输入参数值分别输入至待评价子通道程序模型以得到每个影响输入参数值对应的目标参数的结果值；根据多个结果值计算目标参数的不确定度，以实现对待评价子通道程序模型准确性进行评价。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，基于方差分解方法确定影响目标参数的影响输入参数的步骤包括：获取影响所述目标参数的多个输入参数，其中，输入参数包括边界条件和待评价子通道程序模型中公式系数；使用Sobol序列生成多个输入参数的随机数矩阵；将随机数矩阵输入至待评价子通道程序模型，以得到随机数矩阵对应的目标参数值；基于目标参数值计算每个输入参数对应的总敏感性系数；将超过预设程度值阈值的总敏感性系数对应的输入参数确定为影响输入参数。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，确定影响输入参数的不确定性的分布的步骤包括：利用Metropolis算法进行MCMC抽样抽取影响输入参数对应的预设数量的不确定性值；将影响输入参数对应的预设数量的不确定性值平均分成多组，且，每组按照数字编号由小到大排序；计算相邻两组影响输入参数的不确定性值的统计量的差值；如果统计量的差值超过预设差值阈值，则将相邻两组中数字编号小的一组影响输入参数去掉；计算剩余影响输入参数的不确定性值的均值和方差。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，利用Metropolis算法进行MCMC抽样抽取影响输入参数对应的预设数量的不确定性值的步骤包括：从提议分布中进行抽样抽取影响输入参数对应的预设数量的不确定性值；利用预先构建好的径向基函数数学模型计算每个不确定性值的接受概率，其中，径向基函数数学模型为通过影响输入参数的不确定性值以及对应的目标参数值构成的样本对神经网络训练得到的分类数学模型；如果接受概率大于预先获取的接收概率阈值，则确定影响输入参数对应的不确定性值为MCMC抽样抽取到的不确定性值；如果接受概率不大于预先获取的接收概率阈值，则确定影响输入参数对应的不确定性值为前一次基于MCMC抽样抽取到的不确定性值。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，确定影响输入参数的不确定性的分布的步骤还包括：基于影响输入参数的不确定性值与影响输入参数对应的目标参数值计算敏感性矩阵；基于敏感性矩阵利用ECME算法计算影响输入参数的不确定性的均值和方差。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，对不确定性的分布进行抽样获取多个抽样值的步骤包括：利用Wilks公式确定抽样的抽样次数；基于抽样次数在不确定性的分布所在的分布区间内进行多次抽样，以获取多个抽样值。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，计算每个抽样值对应的影响输入参数值的步骤包括：将抽样值的e次方与预先设定的影响输入参数对应的基准值相乘，以得到每个抽样值对应的影响输入参数值。
结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，根据多个结果值计算目标参数的不确定度，以实现对待评价子通道程序模型准确性进行评价的步骤包括：计算多个结果值的均值和方差，将均值和方差作为目标参数的不确定度；将不确定度与预设的不确定度阈值进行比较，以对待评价子通道程序模型准确性进行评价。
第二方面，本发明实施例还提供一种堆芯热工水力程序结果不确定性量化分析装置，该装置包括：获取模块，用于获取待评价子通道程序模型的目标参数，其中，目标参数为由待评价子通道程序模型计算得到的能够表征研究对象特性的参数；第一确定模块，用于基于方差分解方法确定影响目标参数的影响输入参数；第二确定模块，用于确定影响输入参数的不确定性的分布；抽样模块，用于对不确定性的分布进行抽样获取多个抽样值；第一计算模块，用于计算每个抽样值对应的影响输入参数值；输入模块，用于将多个影响输入参数值分别输入至待评价子通道程序模型以得到每个影响输入参数值对应的目标参数的结果值；第二计算模块，用于根据多个结果值计算目标参数的不确定度，以实现对待评价子通道程序模型准确性进行评价。
第三方面，本发明实施例还提供一种服务器，该服务器包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述的方法。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种堆芯热工水力程序结果不确定性量化分析方法及装置，能够在获取待评价子通道程序模型的目标参数时，基于方差分解方法确定目标参数的影响输入参数，进一步，确定影响输入参数的不确定性的分布，对不确定性的分布进行抽样获取多个抽样值；计算每个抽样值对应的影响输入参数值；将多个影响输入参数值分别输入至待评价子通道程序模型以得到影响输入参数对应的目标参数的结果值；根据多个结果值计算目标参数的不确定度；通过计算出的不确定度能够准确对该子通道程序模型进行评价，且，上述评价方法大大降低了计算不确定度的计算量，提高了分析效率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种堆芯热工水力程序结果不确定性量化分析方法的流程图；
图2为本发明实施例提供的另一种堆芯热工水力程序结果不确定性量化分析方法的流程图；
图3为本发明实施例提供的一种堆芯热工水力程序结果不确定性量化分析装置的结构示意图；
图4为本发明实施例提供的一种服务器的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
子通道程序模型可以较全面细致的模拟堆芯中的热工水力现象，是计算反应堆堆芯热工水力过程现象的通用工具之一，在轻水堆中得到广泛应用，然而，程序模型的计算结果往往会受到计算误差的影响，带有较大的不确定性，不确定性的大小对计算结果的确定性与可信度有着重要的影响。
目前，现有较成熟的不确定性分析方法在对核反应堆堆芯分析上还很不太成熟，仍然存在对评估的数学模型参数个数有限、运算量大等缺点，降低了分析效率，基于此，本发明实施例提供的一种堆芯热工水力程序结果不确定性量化分析方法及装置，可以缓解上述技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种堆芯热工水力程序结果不确定性量化分析方法进行详细介绍。
实施例一：
本发明实施例提供了一种堆芯热工水力程序结果不确定性量化分析方法，如图1所示的一种堆芯热工水力程序结果不确定性量化分析方法的流程图，该方法包括以下步骤：
步骤S102，获取待评价子通道程序模型的目标参数，其中，目标参数为由待评价子通道程序模型计算得到的能够表征研究对象特性的参数；
具体实现时，上述待评价子通道程序模型可以根据用户实际需求进行构建，所以，由待评价子通道程序模型计算得到的能够表征研究对象特性的目标参数可以根据用户的实际研究需求进行设定，同时，用户还可以选取一个或多个不同的目标参数进行研究，比如，可以选取温度、空泡份额和临界热流密度中的一个或多个作为目标参数，因此，在本申请中不对目标参数以及目标参数的数量进行限定。
步骤S104，基于方差分解方法确定影响目标参数的影响输入参数；
具体地，方差分解法是一种典型的全局敏感性分析的方法，是研究模型的不确定性来源对目标参数不确定性的影响程度，通过对一系列敏感性系数的计算得到的，这些系数可以反映输入参数与目标参数之间的关系，进而根据上述的系数可以从所有的输入参数中选取对目标参数影响较大的影响输入参数。
步骤S106，确定影响输入参数的不确定性的分布；
步骤S108，对不确定性的分布进行抽样获取多个抽样值；
具体实现时，利用Wilks公式确定抽样的抽样次数；基于抽样次数在确定出的影响输入参数的不确定性的分布所在的分布区间内进行多次抽样，以获取多个抽样值。
步骤S110，计算每个抽样值对应的影响输入参数值；
具体地，将抽样值的e次方与预先设定的影响输入参数对应的基准值相乘，以得到每个抽样值对应的影响输入参数值。
步骤S112，将多个影响输入参数值分别输入至待评价子通道程序模型以得到每个影响输入参数值对应的目标参数的结果值；
优选地，选取温度作为目标参数，基于方差分解方法确定出影响温度的影响输入参数为流速，在确定出流速的不确定性的分布后，在该分布区间内进行10次抽样得到10个不同的影响输入参数值，分别将10个影响输入参数值输入至待评价子通道程序模型中以得到每个影响输入参数值对应的目标参数的结果值。
步骤S114，根据多个结果值计算目标参数的不确定度，以实现对待评价子通道程序模型准确性进行评价。
在实际应用时，计算多个结果值的均值和方差，将均值和方差作为目标参数的不确定度；将不确定度与预设的不确定度阈值进行比较，以对待评价子通道程序模型准确性进行评价。
具体地，如果计算出的目标参数对应的不确定度超过预设的不确定度阈值时，则表明上述待评价子通道程序模型不符合构建要求，如果计算出的目标参数对应的不确定度没有超过预设的不确定度阈值时，则表明上述待评价子通道程序模型符合构建要求，该待评价子通道程序模型能够被用户使用。
本发明实施例提供的一种堆芯热工水力程序结果不确定性量化分析方法，能够在获取待评价子通道程序模型的目标参数时，基于方差分解方法确定目标参数的影响输入参数，进一步，确定影响输入参数的不确定性的分布，对不确定性的分布进行抽样获取多个抽样值；计算每个抽样值对应的影响输入参数值；将多个影响输入参数值分别输入至待评价子通道程序模型以得到影响输入参数对应的目标参数的结果值；根据多个结果值计算目标参数的不确定度；通过计算出的不确定度能够准确对该子通道程序模型进行评价，且，上述评价方法大大降低了计算不确定度的计算量，提高了分析效率。
进一步，图2示出了另一种堆芯热工水力程序结果不确定性量化分析方法的流程图，该方法包括以下步骤：
步骤S200，获取待评价子通道程序模型的目标参数，其中，目标参数为由待评价子通道程序模型计算得到的能够表征研究对象特性的参数；
步骤S201，获取影响所述目标参数的多个输入参数，其中，输入参数包括边界条件和待评价子通道程序模型中公式系数；
步骤S202，使用Sobol序列生成多个输入参数的随机数矩阵；
具体实现时，Sobol序列为低差异序列，该方法形成的点列具有良好的等分布性质，因此，在本实施例中，利用Sobol序列生成与多个输入参数等维度的随机数矩阵。
步骤S203，将随机数矩阵输入至待评价子通道程序模型，以得到随机数矩阵对应的目标参数值；
步骤S204，基于目标参数值计算每个输入参数对应的总敏感性系数；
步骤S205，将超过预设程度值阈值的总敏感性系数对应的输入参数确定为影响输入参数；
具体地，将计算得到的目标参数值代入总敏感性系数的计算公式中以得到每个输入参数对应的总敏感性系数，其中，总敏感性系数越大表示输入参数对目标参数的影响越大，因此，将超过预设程度值阈值的总敏感性系数对应的输入参数确定为影响输入参数。
步骤S206，确定影响输入参数的不确定性的分布；
步骤S207，对不确定性的分布进行抽样获取多个抽样值；
步骤S208，计算每个抽样值对应的影响输入参数值；
步骤S209，将多个影响输入参数值分别输入至待评价子通道程序模型以得到每个影响输入参数值对应的目标参数的结果值；
步骤S210，根据多个结果值计算目标参数的不确定度，以实现对待评价子通道程序模型准确性进行评价。
进一步，步骤S206，确定影响输入参数的不确定性的分布可由步骤S21至步骤S25实现：
步骤S21，利用Metropolis(马氏链的蒙特卡罗)算法进行MCMC(Markov ChainMonte Carlo Simulation，马尔可夫链蒙特卡罗方法)抽样抽取影响输入参数对应的预设数量的不确定性值；
具体地，从提议分布中进行抽样抽取影响输入参数对应的预设数量的不确定性值；利用预先构建好的径向基函数数学模型计算每个不确定性值的接受概率，其中，径向基函数数学模型为通过影响输入参数的不确定性值以及对应的目标参数值构成的样本对神经网络训练得到的分类数学模型；如果接受概率大于预先获取的接收概率阈值，则确定影响输入参数对应的不确定性值为MCMC抽样抽取到的不确定性值；如果接受概率不大于预先获取的接收概率阈值，则确定影响输入参数对应的不确定性值为前一次基于MCMC抽样抽取到的不确定性值。
具体实现时，当影响输入参数与目标参数的不确定性近似不满足线性关系时，基于Metropolis算法中的提议分布进行MCMC抽样，以抽取影响输入参数对应的预设数量的不确定性值；首先需要构建一个合理的提议分布，并在提议分布中生成新点即不确定性值，再抽样出不确定性值后还需进一步判定该不确定性值是否满足抽取要求，因此，可以根据接受概率进行判定。
具体地，在MCMC抽样中，为解决运算量过大的问题，采用预先构建好的径向基函数数学模型来替代待评价子通道程序模型计算每个不确定性值的接受概率，上述径向基函数数学模型为通过影响输入参数的不确定性值以及对应的目标参数值构成的样本对神经网络训练得到的分类数学模型。当利用径向基函数数学模型计算出每个不确定值对应的接受概率后，如果接受概率大于预先获取的接收概率阈值，则确定影响输入参数对应的不确定性值为MCMC抽样抽取到的不确定性值；而如果接受概率不大于预先获取的接收概率阈值，则确定影响输入参数对应的不确定性值为前一次基于MCMC抽样抽取到的不确定性值。
步骤S22，将影响输入参数对应的预设数量的不确定性值平均分成多组，且，每组按照数字编号由小到大排序；
步骤S23，计算相邻两组影响输入参数的不确定性值的统计量的差值；
步骤S24，如果统计量的差值超过预设差值阈值，则将相邻两组中数字编号小的一组影响输入参数去掉；
步骤S25，计算剩余影响输入参数的不确定性值的均值和方差。
具体地，为了将马尔科夫链初始阶段未稳定的不确定性值去掉，在本实施例中，可以将预设数量的不确定性值平均分成多组，比如，预设的不确定性值的数量为100个，将上述100个不确定性值均分成10组，每组有10个不确定性值，并且，将上述10组数据进行数字编号，并根据数据编号由小到大进行排序，分别计算每组包含不确定性值的统计量(比如，均值和方差)，之后，分别计算相邻两组统计量的差值，如果统计量的差值超过预设差值阈值，则将相邻两组中数字编号小的一组影响输入参数去掉；剩余的不确定性值为稳定的不确定性值；计算稳定的不确定性值的均值和方差，根据均值和方差可以确定出影响输入参数的不确定性的分布。
优选地，步骤S206，确定影响输入参数的不确定性的分布还可由步骤S31至步骤S32实现：
步骤S31，基于影响输入参数的不确定性值与影响输入参数对应的目标参数值计算敏感性矩阵；
步骤S32，基于敏感性矩阵利用ECME(The Expectation/ConditionalMaximisation Either)算法计算影响输入参数的不确定性的均值和方差。
在实际应用时，在影响输入参数的不确定性分布为正态分布的基础上，把影响输入参数的不确定性值与可观测样本点(即影响输入参数对应的目标参数值与实验值的差)当作完全数据，求完全数据的似然函数的数学期望，并最大化似然函数从而得到影响输入参数的不确定性的均值与方差的迭代公式。给定影响输入参数的不确定性的均值与方差的初始值，通过迭代公式进行迭代计算，当相邻两次迭代求出的值小于给定的阈值，则停止计算，并把最后一步计算得到的均值与方差值确定为影响输入参数的不确定性的均值与方差的值。
实施例二：
本发明实施例提供了一种堆芯热工水力程序结果不确定性量化分析装置，如图3所示的一种堆芯热工水力程序结果不确定性量化分析装置的结构示意图，该装置包括：
获取模块302，用于获取待评价子通道程序模型的目标参数，其中，目标参数为由待评价子通道程序模型计算得到的能够表征研究对象特性的参数；
第一确定模块304，用于基于方差分解方法确定影响目标参数的影响输入参数；
第二确定模块306，用于确定影响输入参数的不确定性的分布；
抽样模块308，用于对不确定性的分布进行抽样获取多个抽样值；
第一计算模块310，用于计算每个抽样值对应的影响输入参数值；
输入模块312，用于将多个影响输入参数值分别输入至待评价子通道程序模型以得到每个影响输入参数值对应的目标参数的结果值；
第二计算模块314，用于根据多个结果值计算目标参数的不确定度，以实现对待评价子通道程序模型准确性进行评价。
本发明实施例提供的堆芯热工水力程序结果不确定性量化分析装置，与上述实施例提供的堆芯热工水力程序结果不确定性量化分析方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供一种服务器，其中，服务器包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述的堆芯热工水力程序结果不确定性量化分析方法。
进一步，本发明实施例还提供一种计算机可读存储介质，其中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述堆芯热工水力程序结果不确定性量化分析方法的步骤。
参见图4所示的一种服务器的结构框图，包括：处理器400，存储器401，总线402和通信接口403，所述处理器400、通信接口403和存储器401通过总线402连接；处理器400用于执行存储器401中存储的可执行模块，例如计算机程序。
其中，存储器401可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线402可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器400可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器400读取存储器401中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的堆芯热工水力程序结果不确定性量化分析方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种堆芯热工水力程序结果不确定性量化分析方法，其特征在于，所述方法包括：
获取待评价子通道程序模型的目标参数，其中，所述目标参数为由所述待评价子通道程序模型计算得到的能够表征研究对象特性的参数；
基于方差分解方法确定影响所述目标参数的影响输入参数；
确定所述影响输入参数的不确定性的分布；
对所述不确定性的分布进行抽样获取多个抽样值；
计算每个所述抽样值对应的影响输入参数值；
将多个所述影响输入参数值分别输入至所述待评价子通道程序模型以得到每个所述影响输入参数值对应的目标参数的结果值；
根据多个所述结果值计算所述目标参数的不确定度，以实现对所述待评价子通道程序模型准确性进行评价。
2.根据权利要求1所述的方法，其特征在于，所述基于方差分解方法确定影响所述目标参数的影响输入参数的步骤包括：
获取影响所述目标参数的多个输入参数，其中，所述输入参数包括边界条件和所述待评价子通道程序模型中公式系数；
使用Sobol序列生成多个所述输入参数的随机数矩阵；
将所述随机数矩阵输入至所述待评价子通道程序模型，以得到所述随机数矩阵对应的目标参数值；
基于所述目标参数值计算每个所述输入参数对应的总敏感性系数；
将超过预设程度值阈值的所述总敏感性系数对应的输入参数确定为所述影响输入参数。
3.根据权利要求2所述的方法，其特征在于，确定所述影响输入参数的不确定性的分布的步骤包括：
利用Metropolis算法进行MCMC抽样抽取所述影响输入参数对应的预设数量的不确定性值；
将所述影响输入参数对应的预设数量的不确定性值平均分成多组，且，每组按照数字编号由小到大排序；
计算相邻两组所述影响输入参数的不确定性值的统计量的差值；
如果所述统计量的差值超过预设差值阈值，则将所述相邻两组中数字编号小的一组所述影响输入参数去掉；
计算剩余所述影响输入参数的不确定性值的均值和方差。
4.根据权利要求3所述的方法，其特征在于，所述利用Metropolis算法进行MCMC抽样抽取所述影响输入参数对应的预设数量的不确定性值的步骤包括：
从提议分布中进行抽样抽取所述影响输入参数对应的预设数量的不确定性值；
利用预先构建好的径向基函数数学模型计算每个所述不确定性值的接受概率，其中，所述径向基函数数学模型为通过所述影响输入参数的不确定性值以及对应的目标参数值构成的样本对神经网络训练得到的分类数学模型；
如果所述接受概率大于预先获取的接收概率阈值，则确定所述影响输入参数对应的不确定性值为所述MCMC抽样抽取到的不确定性值；
如果所述接受概率不大于预先获取的接收概率阈值，则确定所述影响输入参数对应的不确定性值为前一次基于所述MCMC抽样抽取到的不确定性值。
5.根据权利要求2所述的方法，其特征在于，确定所述影响输入参数的不确定性的分布的步骤还包括：
基于所述影响输入参数的不确定性值与所述影响输入参数对应的目标参数值计算敏感性矩阵；
基于所述敏感性矩阵利用ECME算法计算所述影响输入参数的不确定性的均值和方差。
6.根据权利要求1所述的方法，其特征在于，对所述不确定性的分布进行抽样获取多个抽样值的步骤包括：
利用Wilks公式确定抽样的抽样次数；
基于所述抽样次数在所述不确定性的分布所在的分布区间内进行多次抽样，以获取多个所述抽样值。
7.根据权利要求1所述的方法，其特征在于，计算每个所述抽样值对应的影响输入参数值的步骤包括：
将所述抽样值的e次方与预先设定的所述影响输入参数对应的基准值相乘，以得到每个所述抽样值对应的影响输入参数值。
8.根据权利要求1所述的方法，其特征在于，根据多个所述结果值计算所述目标参数的不确定度，以实现对所述待评价子通道程序模型准确性进行评价的步骤包括：
计算多个所述结果值的均值和方差，将所述均值和所述方差作为所述目标参数的不确定度；
将所述不确定度与预设的不确定度阈值进行比较，以对所述待评价子通道程序模型准确性进行评价。
9.一种堆芯热工水力程序结果不确定性量化分析装置，其特征在于，所述装置包括：
获取模块，用于获取待评价子通道程序模型的目标参数，其中，所述目标参数为由所述待评价子通道程序模型计算得到的能够表征研究对象特性的参数；
第一确定模块，用于基于方差分解方法确定影响所述目标参数的影响输入参数；
第二确定模块，用于确定所述影响输入参数的不确定性的分布；
抽样模块，用于对所述不确定性的分布进行抽样获取多个抽样值；
第一计算模块，用于计算每个所述抽样值对应的影响输入参数值；
输入模块，用于将多个所述影响输入参数值分别输入至所述待评价子通道程序模型以得到每个所述影响输入参数值对应的目标参数的结果值；
第二计算模块，用于根据多个所述结果值计算所述目标参数的不确定度，以实现对所述待评价子通道程序模型准确性进行评价。
10.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1～8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010149472.9A CN111353232A (zh) | 2020-03-06 | 2020-03-06 | 堆芯热工水力程序结果不确定性量化分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010149472.9A CN111353232A (zh) | 2020-03-06 | 2020-03-06 | 堆芯热工水力程序结果不确定性量化分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111353232A true CN111353232A (zh) | 2020-06-30 |
Family
ID=71197335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010149472.9A Pending CN111353232A (zh) | 2020-03-06 | 2020-03-06 | 堆芯热工水力程序结果不确定性量化分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353232A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347537A (zh) * | 2020-10-27 | 2021-02-09 | 青岛超源博创科技发展有限公司 | 工程结构数值模型的校准方法、装置、电子设备及介质 |
| CN113902269A (zh) * | 2021-09-24 | 2022-01-07 | 北京航空航天大学 | 激光加工参数确定方法、装置、电子设备及存储介质 |
| CN116257218A (zh) * | 2023-01-13 | 2023-06-13 | 华中科技大学 | 一种统计分析软件与核能程序的接口设计方法及集成系统 |
| CN118228587A (zh) * | 2024-03-26 | 2024-06-21 | 上海交通大学 | 基于mcmc的堆芯数字孪生系统不确定性分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278110A1 (en) * | 2013-03-15 | 2014-09-18 | Schlumberger Technology Corporation | Targeted survey design under uncertainty |
| CN107886161A (zh) * | 2017-11-03 | 2018-04-06 | 南京航空航天大学 | 一种提高复杂信息系统效能的全局敏感性分析方法 |
| CN110096805A (zh) * | 2019-04-30 | 2019-08-06 | 福建农林大学 | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 |
| CN110442911A (zh) * | 2019-07-03 | 2019-11-12 | 中国农业大学 | 一种基于统计机器学习的高维复杂系统不确定性分析方法 |
| CN110472846A (zh) * | 2019-07-30 | 2019-11-19 | 西安交通大学 | 核电厂热工水力安全分析最佳估算加不确定性方法 |
-
2020
- 2020-03-06 CN CN202010149472.9A patent/CN111353232A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278110A1 (en) * | 2013-03-15 | 2014-09-18 | Schlumberger Technology Corporation | Targeted survey design under uncertainty |
| CN107886161A (zh) * | 2017-11-03 | 2018-04-06 | 南京航空航天大学 | 一种提高复杂信息系统效能的全局敏感性分析方法 |
| CN110096805A (zh) * | 2019-04-30 | 2019-08-06 | 福建农林大学 | 一种有限观测数据下基于改进自助法的结构参数不确定性量化及传递方法 |
| CN110442911A (zh) * | 2019-07-03 | 2019-11-12 | 中国农业大学 | 一种基于统计机器学习的高维复杂系统不确定性分析方法 |
| CN110472846A (zh) * | 2019-07-30 | 2019-11-19 | 西安交通大学 | 核电厂热工水力安全分析最佳估算加不确定性方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李冬: "最佳估算模型的不确定性量化方法研究及再淹没模型评估的应用", 《中国博士学位论文全文数据库》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347537A (zh) * | 2020-10-27 | 2021-02-09 | 青岛超源博创科技发展有限公司 | 工程结构数值模型的校准方法、装置、电子设备及介质 |
| CN113902269A (zh) * | 2021-09-24 | 2022-01-07 | 北京航空航天大学 | 激光加工参数确定方法、装置、电子设备及存储介质 |
| CN116257218A (zh) * | 2023-01-13 | 2023-06-13 | 华中科技大学 | 一种统计分析软件与核能程序的接口设计方法及集成系统 |
| CN116257218B (zh) * | 2023-01-13 | 2024-02-02 | 华中科技大学 | 一种统计分析软件与核能程序的接口设计方法及集成系统 |
| CN118228587A (zh) * | 2024-03-26 | 2024-06-21 | 上海交通大学 | 基于mcmc的堆芯数字孪生系统不确定性分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353232A (zh) | 堆芯热工水力程序结果不确定性量化分析方法及装置 | |
| JP6630846B2 (ja) | 灰色システムに基づく遠洋イカ類資源の存在度の予測方法 | |
| CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
| CN110825826A (zh) | 聚类簇计算方法、装置、终端及存储介质 | |
| CN108959745B (zh) | 产品性能变化及寿命高置信度小样本统计推断和确认方法 | |
| CN113158589A (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
| CN112836435A (zh) | 粗网格数值模拟结果修正方法、装置及电子设备 | |
| CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN117591843A (zh) | 一种基于交叉验证机器学习的预测方法 | |
| CN116962093B (zh) | 基于云计算的信息传输安全性监测方法及系统 | |
| CN116611370B (zh) | 一种发射台导流模型的仿真分析方法、装置及计算设备 | |
| CN107085544B (zh) | 一种系统错误定位方法及装置 | |
| CN111506878B (zh) | 基于暂降系统指标随机样本估计的节点数量选择装置及方法 | |
| CN110852322A (zh) | 感兴趣区域的确定方法及装置 | |
| CN111612289B (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 | |
| CN114627963A (zh) | 蛋白数据填充方法、系统、计算机设备及可读存储介质 | |
| CN111898666A (zh) | 一种随机森林算法结合模群种群的数据变量选择方法 | |
| CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
| CN117633491B (zh) | 气动数据不确定度量化评估方法、电子设备及存储介质 | |
| CN111626573B (zh) | 一种目标数据的确定方法、装置、可读介质及电子设备 | |
| CN113742216B (zh) | 一种检测机器学习引擎的效率的方法、装置和存储介质 | |
| CN118709597A (zh) | 一种箱体增排风优化方法、系统及介质 | |
| CN116109013A (zh) | 电力设备的设备产量分析方法及装置 | |
| CN117787007A (zh) | 散热器参数的确定方法、装置、计算机设备及存储介质 |
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: 20200630 |
|
| RJ01 | Rejection of invention patent application after publication |