CN111475931B - 基于神经网络的pci快速分析方法、装置、电子设备及存储介质 - Google Patents

基于神经网络的pci快速分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111475931B
CN111475931B CN202010200745.8A CN202010200745A CN111475931B CN 111475931 B CN111475931 B CN 111475931B CN 202010200745 A CN202010200745 A CN 202010200745A CN 111475931 B CN111475931 B CN 111475931B
Authority
CN
China
Prior art keywords
transient
power
steady
state
result
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
CN202010200745.8A
Other languages
English (en)
Other versions
CN111475931A (zh
Inventor
汪洋
韦俊
李长征
聂立红
邓勇军
王开元
刘欣
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.)
China General Nuclear Power Corp
China Nuclear Power Technology Research Institute Co Ltd
CGN Power Co Ltd
Lingdong Nuclear Power Co Ltd
Original Assignee
China General Nuclear Power Corp
China Nuclear Power Technology Research Institute Co Ltd
CGN Power Co Ltd
Lingdong Nuclear Power 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 China General Nuclear Power Corp, China Nuclear Power Technology Research Institute Co Ltd, CGN Power Co Ltd, Lingdong Nuclear Power Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN202010200745.8A priority Critical patent/CN111475931B/zh
Publication of CN111475931A publication Critical patent/CN111475931A/zh
Application granted granted Critical
Publication of CN111475931B publication Critical patent/CN111475931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明涉及基于神经网络的PCI快速分析方法、装置、电子设备及存储介质，包括：提取核反应堆燃料棒的功率史中稳态功率和第一瞬态功率进行PCI初步分析获取初步PCI分析结果和最后一步稳态结果，获取瞬态功率对应的瞬态特征参数，通过敏感性分析得到对应的敏感特征参数；建立初始神经网络，输入稳态功率和第一瞬态功率的敏感特征参数对应值，输出目标为初步PCI分析结果，在满足训练次数的前提下对该网络进行训练获取目标网络，并在获取目标网络后，获取稳态功率和第二瞬态功率的敏感特征参数对应值作为目标网络的输入，进行计算以获取最终输出结果。实施本发明能够简单、快速同时能够准确的获得核反应堆的PCI分析结果。

Description

基于神经网络的PCI快速分析方法、装置、电子设备及存储 介质
技术领域
本发明涉及核反应堆应用技术领域，更具体地说，涉及一种基于神经网络的PCI快速分析方法、装置、电子设备及存储介质。
背景技术
在反应堆升功率瞬态过程中，由于燃料棒芯块和包壳不同程度的膨胀，可能会发生芯块与包壳相互作用(PCI)，使包壳处于高应力应变状态，从而导致包壳破损。
PWR堆芯燃料组件为157组，每个组件包含264根燃料棒。考虑对称性，1/8堆芯26盒组件共计6864根燃料棒。现有PCI热力机械计算需逐棒分析燃料在不同运行情况下承受多种瞬态后的行为，对某一特定电厂所需分析算例预计百万以上。单一算例中需包含稳态、瞬态功率，模型参数、燃料尺寸参数、注量、冷却剂流量等众多参数，因此现阶段完成某一电厂PCI分析需耗费巨大的计算资源。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述技术缺陷，提供一种基于神经网络的PCI快速分析方法、装置、电子设备及存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种基于神经网络的PCI快速分析方法，包括：
S1、获取核反应堆燃料棒的功率史，以提取其所有的稳态功率和瞬态功率，并按预设规则将瞬态功率分为第一数量的第一瞬态功率和第二数量的第二瞬态功率；
S2、对所述稳态功率和所述第一瞬态功率进行初步PCI分析以得到对应的初步PCI分析结果和最后一步稳态结果，对所述第一瞬态功率进行表征获得所述瞬态功率对应的瞬态特征参数；
S3、敏感性分析所述最后一步稳态结果和所述瞬态特征参数与所述初步PCI分析结果，以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数；
S4、建立包含输入层、隐含层和输出层的初始神经网络，获取所述稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值作为所述输入层的输入，将所述初步PCI分析结果作为所述输出层的输出目标；
S5、对所述初始神经网络进行迭代训练以获取所述输出层的输出结果，以确认所述输出结果是否满足预设条件，若是，则执行步骤S8，若否，则执行步骤S6；
S6、确认所述迭代训练的次数是否小于预设值，若是，执行所述步骤S5，若否，则执行步骤S7；
S7、调整所述初始神经网络并执行所述步骤S5；
S8、将所述初始神经网络作为目标网络，对所述第二瞬态功率进行表征以获取所述第二瞬态功率的瞬态敏感特征参数的对应值，并同所述稳态敏感特征参数的对应值同时作为所述目标网络的输入层的输入，进行计算以获取最终输出结果。
优选地，在所述步骤S1中，所述按预设规则将所述瞬态功率分为第一数量的第一瞬态功率和第二数量的第二瞬态功率，包括：
从所述瞬态功率利用随机算法随机提取第一数量的第一瞬态功率，剩余的瞬态功率作为第二数量的第二瞬态功率。
优选地，所述第一数量小于所述第二数量。
优选地，所述第二数量是所述第一数量的2到10倍。
优选地，在所述步骤S3中，
所述敏感性分析包括在用pearson系数法或spearman系数法进行敏感性分析。
优选地，所述稳态功率的稳态敏感特征参数包括：
与所述最后一步稳态结果对应的温度参数，应力参数、尺寸参数中的一个或多个；和/或
所述瞬态功率的瞬态敏感特征参数包括：
与所述瞬态功率对应的功率峰值参数和功率脉冲宽度参数中的一个或多个。
优选地，在所述步骤S6中，所述预设值取值范围为10到120；和/或
在所述步骤S7中，所述调整所述初始神经网络包括调整所述隐含层的各神经元的权值和阈值。
本发明还构造一种基于神经网络的PCI快速分析装置，包括：
获取单元，用于获取核反应堆燃料棒的功率史，以提取其所有的稳态功率和瞬态功率，并按预设规则将瞬态功率分为第一瞬态功率和第二瞬态功率；
第一处理单元，用于对所述稳态功率及第一瞬态功率进行初步PCI分析以得到对应的初步PCI分析结果和最后一步稳态结果，对第一瞬态功率进行表征获得所述瞬态功率对应的瞬态特征参数。
第二处理单元，用于敏感性分析所述最后一步稳态结果和所述瞬态特征参数与所述初步PCI分析结果，以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数；
第三处理单元，用于建立包含输入层、隐含层和输出层的初始神经网络，获取所述稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值作为所述输入层的输入，将所述初步PCI分析结果作为所述输出层的输出目标；
第一判断单元，用于对所述初始神经网络进行迭代训练以获取所述输出层的输出结果，以确认所述输出结果是否满足预设条件，并在所述输出结果满足预设条件时输出肯定结果，否则输出否定结果；
第二判断单元，用于在所述第一判断单元输出否定结果时，确认所述迭代训练的次数是否小于预设值，在所述迭代训练的次数小于预设值时输出肯定结果，否则输出否定结果，并在所述第二判断单元输出肯定结果时，驱动所述第一判断单元工作；
调整单元，用于在所述第二判断单元输出否定结果时，调整所述初始神经网络并驱动所述第一判断单元工作；
第四处理单元，用于在所述第一判断单元输出肯定结果时，将所述初始神经网络作为目标网络，对所述第二瞬态功率进行表征以获取所述第二瞬态功率的瞬态敏感特征参数的对应值，并同所述稳态敏感特征参数的对应值同时作为所述目标网络的输入层的输入，进行计算以获取最终输出结果。
本发明还构造一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上面任意一项所述的基于神经网络的PCI快速分析方法。
本发明还构造一种电子设备，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序实现如上面任一项所述的基于神经网络的PCI快速分析方法。
实施本发明的一种基于神经网络的PCI快速分析方法、装置、电子设备及存储介质，具有以下有益效果：简单、快速同时能够准确的获得核反应堆的PCI分析结果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一种基于神经网络的PCI快速分析方法的程序流程图；
图2是本发明的PCI快速分析结果的一分析结果对比图；
图3是本发明一种基于神经网络的PCI快速分析装置的逻辑框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，在本发明的一种基于神经网络的PCI快速分析方法第一实施例中，包括：
S1、获取核反应堆燃料棒的功率史，以提取其所有的稳态功率和瞬态功率，并按预设规则将瞬态功率分为第一数量的第一瞬态功率和第二数量的第二瞬态功率；具体的，可以通过核反应堆的堆芯部分计算核反应堆燃料棒的功率史即历史功率，并将该功率史中稳态功率和瞬态功率进行分开操作，以分别提取所有的稳态功率和瞬态功率。然后按照预设规则从所有的瞬态功率中提取第一数量的第一瞬态功率，剩下的则为第二瞬态功率。即将获取的所有的瞬态功率分成两部分，每一部分的瞬态功率将参与不同的处理过程。第一瞬态功率和第二瞬态功率的选取和数量的分配可以根据需要进行预先的设定，例如可以进行随意的数量的分配。
S2、对所述稳态功率和所述第一瞬态功率进行初步PCI分析以得到对应的初步PCI分析结果和最后一步稳态结果，对所述第一瞬态功率进行表征获得所述瞬态功率对应的瞬态特征参数；具体的，在获取到稳态功率和第一瞬态功率后，可以基于该参数进行核反应堆的初步PCI分析，该初步PCI分析可以采用现有的PCI分析方法，即可以理解为，利用一定稳态功率和一定数量的瞬态功率通过已知的一些现有的方法对核反应堆燃料棒进行初步分析，得到与该核反应堆对应的初步PCI分析结果。即可以控制瞬态功率的样本数量，例如选取较小数量的瞬态功率利用现有的单燃料棒的PCI分析方法可以快速的完成对该样本数量的PCI分析。利用样本数量得到的初步PCI分析结果可以理解为该核反应堆燃料棒的一个理想的结果。在初步的PCI分析过程中，获取稳态功率发的最后一步稳态结果，同时对第一瞬态功率进行表征，这里通过第一瞬态功率的表征得到的瞬态特征参数也可以作为得到的所有的瞬态功率对应的瞬态特征参数，瞬态特征参数也可以理解为对能够完全体现瞬态特性的参数。
S3、敏感性分析所述最后一步稳态结果和所述瞬态特征参数与所述初步PCI分析结果，以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数；具体的，在获取到稳态功率的最后一步稳态结果和瞬态功率对应的瞬态特征参数后，基于该参数进行敏感性分析以获取这些参数中对初步PCI分析结果影响比较大的参数。其影响性大小的判定可以通过敏感性分析获得这些参数在PCI分析中与初步PCI分析结果的相关性进行判定。相关性的判定可以根据预设的相关性要求来设定。例如，当进行敏感性分析计算得到相关系数满足一定的值时，其可以确认该参数与初步PCI分析结果强相关，并将该强相关参数作为对PCI分析结果有影响的敏感参数。依次对所说有的稳态功率的最后一步稳态结果和瞬态功率的参数进行分析，其最终可以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数，其可以将这行敏感参数组成一个集合。
S4、建立包含输入层、隐含层和输出层的初始神经网络，获取所述稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值作为所述输入层的输入，将所述初步PCI分析结果作为所述输出层的输出目标；具体的，进行初始神经网络的构建，该初始神经网络的建立可以根据经验公式，例如，可以采用以下公式：
Figure GDA0004144430310000061
2n＞ni；
其中，n为网络模型中隐含层节点数；ni为网络模型中输入层节点数；no为网络模型中输出层节点数；a为0-10之间的任意整数。
在建立好初始神经网络后，分别获取稳态功率的稳态敏感特征参数和第一瞬态功率的瞬态敏感特征参数对应的参数值，将获取的参数值组成一个集合作为该初始神经网络的输入层的输入，通过初始网络层进行计算。可以理解，这些参数值可以组成一个多维的输入向量。同时将前面获取的初步PCI分析结果作为输出层的输出目标。
S5、对所述初始神经网络进行迭代训练以获取所述输出层的输出结果，以确认所述输出结果是否满足预设条件，若是，则执行步骤S8，若否，则执行步骤S6；
S6、确认所述迭代训练的次数是否小于预设值，若是，执行所述步骤S5，若否，则执行步骤S7；
S7、调整所述初始神经网络并执行所述步骤S5；
S8、将所述初始神经网络作为目标网络，对所述第二瞬态功率进行表征以获取第二瞬态功率的瞬态敏感特征参数的对应值，并同所述稳态敏感特征参数的对应值同时作为所述目标网络的输入层的输入，进行计算以获取最终输出结果。
具体的，在设定初始神经网络的输入和目标输出后，可以开始基于该输入和目标输出为该初始神经网络进行训练，在训练过程中，获取输出层的输出结果，并判断该输出结果是不是理想的输出结果，即是否满足预设条件。若输出结果是理想的输出结果，则认为该神经网络已经训练好了，可以将该训练好的神经网络作为目标网络进行下一步的处理，例如用于后面的PCI分析。如果输出结果不是理想的输出结果，则认为该神经网络还没有训练好，该建立的初始神经网络计算误差大，其还不能用于后面的PCI分析，需要对网络继续迭代训练，并在训练过程中持续的检测输出以确认神经网络是否训练完成。在一些时候，初始神经网络的建立可能存在比较大的偏差，在多次的迭代训练中，依然难以达到理想的训练结果，而此时为了提高计算速度，其无法进行无限次的迭代训练，因此可以设定迭代训练的次数的上限值。即在对神经网络的训练过程中，如果达到迭代训练的次数的上限值时，该网络的输出结果还是不满足要求，那么就不再进行迭代训练，直接从根本上对构建的初始神经网络进行调整。然后根据调整的初始神经网络重复上面的训练过程，以得到最终训练好的初始神经网络。对神经网络的输出结果的判定，可以定义为训练过程中的输出结果与初步PCI分析结果的误差范围，即在计算结果满足该误差范围时，定义为该神经网络的输出结果满足要求，神经网络训练完成。其在一个具体的实施例中，选取神经网络的输出结果相对与初步PCI分析结果的误差在0.01到0.001范围内。在一些实施例中，可以根据计算速度和结果精度要求对该误差范围进行合适的调整。即为了追求建立的训练网络的计算效果，提高后面的训练网络的输出结果精度，则可以将该误差范围设置的较小。如果在保证训练网络后面的输出的结果精度的要求下，为了提高计算速度，则可以将该误差范围设置的较大一点。
在基于上面的训练过程中，获取到训练好的初始神经网络后，将该初始神经网络作为目标网络，同时获取瞬态功率中剩余的第二数量的第二瞬态功率进行表征，获取第二瞬态功率对应的功率特征参数，同时根据上面获取的瞬态功率对应的瞬态敏感特征参数，获取第二瞬态功率特征参数的瞬态敏感特征参数的对应值，同时将该对应值与上面获取的稳态功率对应的稳态敏感特征参数的对应值一并作为作为目标网络的输入，通过目标网络进行计算，获取最终的输出结果，该输出结果定义为应变能密度(SED)。该应变能密度值对应该核反应堆燃料棒的PCI分析结果。
可选的，在所述步骤S1中，所述按预设规则将所述瞬态功率分为第一数量的第一瞬态功率和第二数量的第二瞬态功率，包括：从所述瞬态功率利用随机算法随机提取第一数量的第一瞬态功率，剩余的瞬态功率做为第二数量的第二瞬态功率。具体的，在对瞬态功率的处理过程中，可以利用随机算法获取任意的瞬态功率为第一瞬态功率，并将瞬态功率中剩余的瞬态功率定义为第二瞬态功率。随机算法的设置能够更加真实的获取到反应整个核反应堆燃料棒的状况的少量样本，保证测试结果的准确性。
进一步的，为了提高计算速度，其中获取的第一瞬态功率要少于第二瞬态功率，即第一数量小于第二数量，这里可以理解第一数量为少量的样本，第二数量为参数计算的大量数据，因此，其可以理解第一数量要远远小于第二数量。同时为了保证整个核反应堆的计算结果的准确性，也要保证第一数量和第二数量的关系的合理设置，例如第二数量是第一数量的2到10倍。
进一步的，在所述步骤S3中，所述敏感性分析包括在用pearson系数法或spearman系数法进行敏感性分析，具体的，可以采用常用的敏感性分析算法进行敏感性分析，例如可以采用pearson系数法或spearman系数法进行敏感性分析。通过算出固定的值来表示对结果的影响程度，根据影响程度获取敏感特征参数，可以根据敏感性分析算法设定合适的门限，在满足门限要求时才可以认为该最后一步稳态结果和瞬态特征参数为需要的敏感特征参数，即为所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数。例如，采用pearson系数计算的选取的绝对值大于0.5的参数，定义为敏感特征参数。
在一实施例中，所述稳态功率的稳态敏感特征参数包括：与所述最后一步稳态结果对应的温度参数、应力参数、尺寸参数中的一个或多个；在另一实施例中所述瞬态功率的瞬态敏感特征参数包括：与所述瞬态功率对应的功率峰值参数和功率脉冲宽度参数中的一个或多个。具体的，在基于敏感性分析后，其通常可以将稳态功率对应的温度参数、应力参数、尺寸参数中的一个或多个作为稳态功率的稳态敏感特征参数，将瞬态功率对应的功率峰值参数和功率脉冲宽度参数中的一个或多个作为瞬态功率的瞬态敏感特征参数。
可选的，在所述步骤S6中，所述预设值的取值范围为10到120；具体的，在根据稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值和初步PCI分析结果值对初始神经网络的训练过程中，其考虑到网络训练的速度和其准确率的要求，对训练次数的上限限制定义为10到120，即对大部分实施例，其经过10到120次迭代就可以达到理想的训练结果，而在出120次的迭代运算还得到满足要求的训练网络，其后面得到满足要求的训练网络的概率也会降低，同时由于训练次数的增加，其计算的工作量会增加，计时得到满足要求的训练网络，其在后续的PCI分析过程中，也会增加PCI分析过程计算工作量，降低PCI分析的速度。
进一步的，在所述步骤S7中，所述调整所述初始神经网络包括调整所述隐含层的各神经元的权值和阈值。具体的，在经过预设系数的迭代次数的计算，仍然得不到满足要求的训练网络时，即可以通过更改初始神经网络的隐含层的各神经元的权值和阈值，以得到新的初始神经网络。
在一实施例中，对所需分析的功率进行了提取，其中含稳态功率264个，瞬态功率21120个。设定样本数为总数的10％的提取规则随机提取第一瞬态功率2112个，第二瞬态功率19008个。一条稳态功率对应多个瞬态功率，依据稳态功率与第一瞬态功率结合计算得到稳态最后一步结果264个，以及对应的初步PCI分析结果2112个。对第一瞬态功率进行表征获得瞬态特征参数。稳态结果包含燃耗、温度、应力、尺寸等共计64个，瞬态表征参数为峰值功率、脉冲宽度、最大升功率速度、升功率持续时间等共计7个，初步PCI分析结果仅1个为SED(应变能密度)。将稳态结果与瞬态表征参数结合形成2112个72维向量(64+7+1)，形式如下：稳态结果+瞬态特征参数＝初步PCI分析结果(2112个)。
采用敏感性分析最后一步稳态结果及瞬态特征参数与PCI分析结果的相关性，将上述向量进一步简化为23维。其中稳态敏感特征参数为芯-包间隙、包壳温度、芯块孔隙率等共19个，瞬态敏感特征参数为功率峰值，脉冲宽度、升功率宽度共3个，最终结果SED保持不变。即为：稳态敏感特征参数+瞬态敏感特征参数＝初步PCI分析结果(2112个)。
建立神经网络，假定敏感性特征参数包括最后一步稳态结果及瞬态特征参数n个(本示例中n为22)。输入参数可以向量的形式表示为：x＝(x1，x2，…xn)，期望输出为do＝(d1，d2，...dn)。隐含层输入、输出可分别表示为：hi＝(hi1，hi2，...hin)、ho＝(ho1，ho2，…hon)；输出层的输入、输出可分别表示为：yi＝(yi1，yi2，...yin)、yo＝(yo1，yo2，...yon)；隐含层、输出层各个神经元的输入和输出可分别表示为：
Figure GDA0004144430310000101
hoh(k)＝f(hih(k))
Figure GDA0004144430310000102
yoo(k)＝f(yio(k))
其中wih为输入层与中间层连接权值，who为隐含层与输出层连接权值，hi、ho分别为隐含层输入、输出，yi、yo分别为输出层输入输出，bh、bo分别为隐含层和输出层个神经元阀值，激活函数为f(*)，n、p、q分别为输入层、隐含层及输出层数。
在对初始神经网络的调整过程，可以计算误差函数对输出层各神经元的偏导数δo(k)，利用偏导数来修正输出层各个神经元的权值及阀值：
Figure GDA0004144430310000103
Figure GDA0004144430310000104
进一步求得误差函数对网络中间隐含层各个神经元变量的偏导数δh(k)，对隐含层个神经元权值和阀值进行修正
Figure GDA0004144430310000111
Figure GDA0004144430310000112
其中：N为迭代步数，η为学习效率。
通过更新后的权值及阀值计算得到新的全局误差：
Figure GDA0004144430310000113
当误差E满足需求时，完成整个网络建立。PCI分析中依据准则精确确定误差E为0.001。否则依据误差对各个神经元的权值、阀值进行再次调整，继续迭代训练，直至最终满足要求。得到目标网络。
根据建立的目标网络，对第二瞬态功率对应的19008个算例进行了预测，采用随机抽样方式展示部分预测结果如图2所示，通过图2中对比表明，采用神经网络的分析结果与全棒分析结果相比，虽数值上会有较小偏差，但总体趋势符合良好，完全可以反馈不同状态下PCI趋势的大小。而在计算速度方面，依据现有燃料设计分析软件计算速度，仅计算耗时约316分钟。而采用神经网络分析耗时约3分钟。以此为依据对某一电厂特定的PCI热力分析耗时进行估算。现有分析中某电厂所需分析总算例为150万，采用原有计算分析需耗时23天，而采用神经网络分析耗时仅为4.6小时左右。因此完全可作为后续快速筛选PCI最恶劣棒的快速分析手段。
另，如图3所示，本发明的一种基于神经网络的PCI快速分析装置，包括：
获取单元110，用于获取核反应堆燃料棒的功率史，以提取其所有的稳态功率和瞬态功率，并按预设规则将瞬态功率分为第一瞬态功率和第二瞬态功率；
第一处理单元121，用于对所述稳态功率及第一瞬态功率进行初步PCI分析以得到对应的初步PCI分析结果和最后一步稳态结果，对第一瞬态功率进行表征获得所述瞬态功率对应的瞬态特征参数。
第二处理单元122，用于敏感性分析所述最后一步稳态结果和所述瞬态特征参数与所述初步PCI分析结果，以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数；
第三处理单元123，用于建立包含输入层、隐含层和输出层的初始神经网络，获取所述稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值作为所述输入层的输入，将所述初步PCI分析结果作为所述输出层的输出目标；
第一判断单元141，用于对所述初始神经网络进行迭代训练以获取所述输出层的输出结果，以确认所述输出结果是否满足预设条件并在所述输出结果满足预设条件时输出肯定结果，否则输出否定结果；
第二判断单元142，用于在所述第一判断单元141输出否定结果时，确认所述迭代训练的次数是否小于预设值，在所述迭代训练的次数小于预设值时输出肯定结果，否则输出否定结果，并在所述第二判断单元142其输出肯定结果时，驱动所述第一判断单元141工作；
调整单元150，用于在所述第二判断单元输出否定结果时，调整所述初始神经网络并驱动所述第一判断单元141工作；
第四处理单元124，用于在所述第一判断单元141输出肯定结果时，将所述初始神经网络作为目标网络，对所述第二瞬态功率进行表征以获取所述第二瞬态功率的瞬态敏感特征参数的对应值，并同所述稳态敏感特征参数的对应值同时作为所述目标网络的输入层的输入，进行计算以获取最终输出结果。
具体的，这里的基于神经网络的PCI快速分析装置各单元之间具体的配合操作过程具体可以参照上述基于神经网络的PCI快速分析方法，这里不再赘述。
另，本发明的一种电子设备，包括存储器和处理器；存储器用于存储计算机程序；处理器用于执行计算机程序实现如上面任意的基于神经网络的PCI快速分析方法。具体的，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过电子设备下载和安装并且执行时，执行本发明实施例的方法中限定的上述功能。本发明中的电子设备可为笔记本、台式机、平板电脑、智能手机等终端，也可为服务器。
另，本发明的一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上面任意一项的基于神经网络的PCI快速分析方法。具体的，需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。

Claims (10)

1.一种基于神经网络的PCI快速分析方法，其特征在于，包括以下步骤：
S1、获取核反应堆燃料棒的功率史，以提取其所有的稳态功率和瞬态功率，并按预设规则将瞬态功率分为第一数量的第一瞬态功率和第二数量的第二瞬态功率；
S2、对所述稳态功率和所述第一瞬态功率进行初步PCI分析以得到对应的初步PCI分析结果和最后一步稳态结果，对所述第一瞬态功率进行表征获得所述瞬态功率对应的瞬态特征参数；
S3、敏感性分析所述最后一步稳态结果和所述瞬态特征参数与所述初步PCI分析结果，以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数；
S4、建立包含输入层、隐含层和输出层的初始神经网络，获取所述稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值作为所述输入层的输入，将所述初步PCI分析结果作为所述输出层的输出目标；
S5、对所述初始神经网络进行迭代训练以获取所述输出层的输出结果，以确认所述输出结果是否满足预设条件，若是，则执行步骤S8，若否，则执行步骤S6；
S6、确认所述迭代训练的次数是否小于预设值，若是，执行所述步骤S5，若否，则执行步骤S7；
S7、调整所述初始神经网络并执行所述步骤S5；
S8、将所述初始神经网络作为目标网络，对所述第二瞬态功率进行表征以获取所述第二瞬态功率的瞬态敏感特征参数的对应值，并同所述稳态敏感特征参数的对应值同时作为所述目标网络的输入层的输入，进行计算以获取最终输出结果。
2.根据权利要求1所述的基于神经网络的PCI快速分析方法，其特征在于，在所述步骤S1中，所述按预设规则将所述瞬态功率分为第一数量的第一瞬态功率和第二数量的第二瞬态功率，包括：
从所述瞬态功率利用随机算法随机提取第一数量的第一瞬态功率，剩余的瞬态功率作为第二数量的第二瞬态功率。
3.根据权利要求2所述的基于神经网络的PCI快速分析方法，其特征在于，所述第一数量小于所述第二数量。
4.根据权利要求3所述的基于神经网络的PCI快速分析方法，其特征在于，所述第二数量是所述第一数量的2到10倍。
5.根据权利要求1所述的基于神经网络的PCI快速分析方法，其特征在于，在所述步骤S3中，
所述敏感性分析包括在用pearson系数法或spearman系数法进行敏感性分析。
6.根据权利要求5所述的基于神经网络的PCI快速分析方法，其特征在于，所述稳态功率的稳态敏感特征参数包括：
与所述最后一步稳态结果对应的温度参数、应力参数、尺寸参数中的一个或多个；和/或
所述瞬态功率的瞬态敏感特征参数包括：
与所述瞬态功率对应的功率峰值参数和功率脉冲宽度参数中的一个或多个。
7.根据权利要求1所述的基于神经网络的PCI快速分析方法，其特征在于，在所述步骤S6中，所述预设值的取值范围为10到120；和/或
在所述步骤S7中，所述调整所述初始神经网络包括调整所述隐含层的各神经元的权值和阈值。
8.一种基于神经网络的PCI快速分析装置，其特征在于，包括：
获取单元，用于获取核反应堆燃料棒的功率史，以提取其所有的稳态功率和瞬态功率，并按预设规则将瞬态功率分为第一瞬态功率和第二瞬态功率；
第一处理单元，用于对所述稳态功率及第一瞬态功率进行初步PCI分析以得到对应的初步PCI分析结果和最后一步稳态结果，对第一瞬态功率进行表征获得所述瞬态功率对应的瞬态特征参数；
第二处理单元，用于敏感性分析所述最后一步稳态结果和所述瞬态特征参数与所述初步PCI分析结果，以获取所述稳态功率的稳态敏感特征参数和所述瞬态功率的瞬态敏感特征参数；
第三处理单元，用于建立包含输入层、隐含层和输出层的初始神经网络，获取所述稳态敏感特征参数的对应值与所述第一瞬态功率的瞬态敏感特征参数的对应值作为所述输入层的输入，将所述初步PCI分析结果作为所述输出层的输出目标；
第一判断单元，用于对所述初始神经网络进行迭代训练以获取所述输出层的输出结果，以确认所述输出结果是否满足预设条件，并在所述输出结果满足预设条件时输出肯定结果，否则输出否定结果；
第二判断单元，用于在所述第一判断单元输出否定结果时，确认所述迭代训练的次数是否小于预设值，在所述迭代训练的次数小于预设值时输出肯定结果，否则输出否定结果，并在所述第二判断单元输出肯定结果时，驱动所述第一判断单元工作；
调整单元，用于在所述第二判断单元输出否定结果时，调整所述初始神经网络并驱动所述第一判断单元工作；
第四处理单元，用于在所述第一判断单元输出肯定结果时，将所述初始神经网络作为目标网络，对所述第二瞬态功率进行表征以获取所述第二瞬态功率的瞬态敏感特征参数的对应值，并同所述稳态敏感特征参数的对应值同时作为所述目标网络的输入层的输入，进行计算以获取最终输出结果。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的基于神经网络的PCI快速分析方法。
10.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述计算机程序实现如权利要求1-7任一项所述的基于神经网络的PCI快速分析方法。
CN202010200745.8A 2020-03-20 2020-03-20 基于神经网络的pci快速分析方法、装置、电子设备及存储介质 Active CN111475931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010200745.8A CN111475931B (zh) 2020-03-20 2020-03-20 基于神经网络的pci快速分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010200745.8A CN111475931B (zh) 2020-03-20 2020-03-20 基于神经网络的pci快速分析方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111475931A CN111475931A (zh) 2020-07-31
CN111475931B true CN111475931B (zh) 2023-06-13

Family

ID=71747831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010200745.8A Active CN111475931B (zh) 2020-03-20 2020-03-20 基于神经网络的pci快速分析方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111475931B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1229229A (en) * 1984-02-09 1987-11-17 Ian F. Johnston Fuel pellets
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
CN108985335A (zh) * 2018-06-19 2018-12-11 中国原子能科学研究院 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN110245392A (zh) * 2019-05-28 2019-09-17 上海交通大学 基于人工神经网络的包壳破损状态预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2016132376A (ru) * 2014-01-27 2018-03-02 ТерраПауэр, ЭлЭлСи Моделирование деформации топливного элемента

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1229229A (en) * 1984-02-09 1987-11-17 Ian F. Johnston Fuel pellets
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
CN108985335A (zh) * 2018-06-19 2018-12-11 中国原子能科学研究院 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN110245392A (zh) * 2019-05-28 2019-09-17 上海交通大学 基于人工神经网络的包壳破损状态预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
丁阳 ; 陈瑜 ; 周勤 ; .基于不确定性与敏感性分析的FA300燃料棒燃耗限值研究.原子能科学技术.2013,(10),全文. *
张勇 ; 沈才芬 ; 毕树茂 ; .PCI二类工况瞬态分析计算流程自动化技术研究.中国核电.2018,(02),全文. *
王立岩 ; 穆克 ; 张丹凤 ; .过程能力图在电能质量综合评估中的研究.控制工程.2018,(07),全文. *
郭海宽 ; 赵新文 ; 蔡琦 ; 黄丽琴 ; .核反应堆非能动系统物理过程敏感参数识别的迭代法.国防科技大学学报.2018,(02),全文. *

Also Published As

Publication number Publication date
CN111475931A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN110674604B (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
CN110175386B (zh) 变电站电气设备温度预测方法
CN111260030B (zh) 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质
KR102189311B1 (ko) 학습된 모델을 이용한 해석 장치 및 이를 위한 방법
KR20160013012A (ko) 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법
CN113901799A (zh) 模型训练、文本预测方法、装置、电子设备及介质
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
CN113705793B (zh) 决策变量确定方法及装置、电子设备和介质
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
US11704604B2 (en) Optimization method, apparatus, computer device and storage medium for engine model
CN107579816A (zh) 基于递归神经网络的密码字典生成方法
CN114490065A (zh) 一种负载预测方法、装置及设备
CN116542701A (zh) 一种基于cnn-lstm组合模型的碳价预测方法及系统
Loweth et al. Practical recommendations on the use of moving least squares metamodel building
CN111475931B (zh) 基于神经网络的pci快速分析方法、装置、电子设备及存储介质
Dzianisau et al. Macroscopic cross-section generation for nodal code RAST-K using artificial neural network
CN113112092A (zh) 一种短期概率密度负荷预测方法、装置、设备和存储介质
WO2022106863A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system
Fengler et al. Encoder-Decoder Neural Architectures for Fast Amortized Inference of Cognitive Process Models.
Cui et al. Elucidating the solution space of extended reverse-time SDE for diffusion models
Tyas et al. Implementation of Particle Swarm Optimization (PSO) to improve neural network performance in univariate time series prediction
CN116738820A (zh) 面向无源器件的电磁响应优化系统、方法及产品
CN117312579B (zh) 一种数据模型搜索分析文本的生成方法及系统
Liao et al. Data-driven scenarios generation for wind power profiles using implicit maximum likelihood estimation
CN116932992A (zh) 基于非线性多时滞反馈核最小均方算法的数据处理方法

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