CN115422739B - 一种复数可选模型融合方法、装置、终端及可读存储介质 - Google Patents
一种复数可选模型融合方法、装置、终端及可读存储介质 Download PDFInfo
- Publication number
- CN115422739B CN115422739B CN202211054204.4A CN202211054204A CN115422739B CN 115422739 B CN115422739 B CN 115422739B CN 202211054204 A CN202211054204 A CN 202211054204A CN 115422739 B CN115422739 B CN 115422739B
- Authority
- CN
- China
- Prior art keywords
- model
- weight factor
- selectable
- calculation
- module
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 62
- 239000013598 vector Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 238000012821 model calculation Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000001149 cognitive effect Effects 0.000 abstract description 2
- 238000009394 selective breeding Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000016507 interphase Effects 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
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种复数可选模型融合方法、装置、终端及可读存储介质,包括确定模拟某个现象的可选模型的数量;获取每一个可选模型的最佳权重因子;将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型;本发明通过获取多个可选模型进行最佳权重因子,并构建最佳融合模型,能够消除程序中存在复数个可选模型时人为选择模型可能引入的认知不确定性,同时通过构建最佳融合模型使得模型具有更广泛的应用范围,解决在缺乏实验数据支撑时模型可能存在的不适用问题,大大增加程序模拟的精度,减少模型在模拟过程中引入的不确定性,在提高安全分析可靠性的同时更准确地预测安全裕量。
Description
技术领域
本发明涉及反应堆热工水力设计及安全分析领域,具体涉及一种复数可选模型融合方法、装置、终端及可读存储介质。
背景技术
核反应堆的安全分析依赖于相关程序,目前常用于核安全分析的程序按照功能可以分为九类,其中热工水力系统程序是使用最多,应用最广的一种。
热工水力系统程序中包含有大量本构模型,如:为了封闭能量守恒方程的各类换热模型、临界热流密度模型、再淹没模型、物性模型等;用于封闭动量守恒方程的相间阻力模型、夹带模型等。
这些模型大多为基于实验数据拟合的经验关系式。通常情况下,热工水力系统程序对于同一现象或过程提供多个可选模型,这是因为基于不同实验条件获得的本构模型在不同的工况下各有优缺点,因此程序在开发过程中保留了多个可信度较高的模型以供用户选择。
然而在实际应用中,同类模型存在各自的最佳适用范围,且不同模型的最佳适用范围往往不一样,而模型的选择很大程度上依赖于用户的主观经验,因此在工程应用中存在模型选择不当而导致模拟现象失真的可能性。
此外,在对同一工况的模拟过程中可能出现适用于不同事故阶段的最佳模型不同的情况,而热工水力系统程序不具备在计算过程中切换模型的功能,因此亦会导致计算结果出现偏差。
发明内容
本发明所要解决的技术问题是工程应用中存在模型选择不当而导致模拟现象失真的可能性,目的在于提供一种复数可选模型融合方法、装置、终端及可读存储介质,融合了多个同类本构模型,以结合同类模型在不同工况条件下的优点,实现在热工水力分析中精确模拟对应现象的目的。
本发明通过下述技术方案实现:
第一方面,一种复数可选模型融合方法,包括:
确定模拟某个现象的可选模型的数量n;
获取每一个可选模型的最佳权重因子;
将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型。
具体地,获取每一个可选模型的最佳权重因子的方法包括:
S1、设置马尔科夫链长度N,并给定各可选模型的权重因子均值的先验值和权重因子的抽样协方差矩阵C,其中j=1,2,3,…,n;
S2、令δj表示可选模型的权重因子;
将各个可选模型的输出乘以权重因子并加和,构建当前融合模型;
S3、使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,结合模型计算值与实验测量值计算当前融合模型的后验概率P0;
S4、令i=1,其中i表示马尔科夫链中的第i次计算;
S5、构建所有可选模型的权重因子均值向量将所有权重因子均值按照联合正态分布(Ui-1,C)并进行一次抽样,获得马尔科夫链中第i+1次计算中各可选模型的权重因子均值向量/>
确定第i+1次计算中各可选模型的权重因子均值
S6、令并执行步骤S3,获得后验概率Pi+1;
S7、对各可选模型的权重因子均值和后验概率进行转移处理;
S8、令i=i+1,并迭代计算步骤S5至步骤S7至i=N;
S9、获取每个可选模型的N个权重因子均值,对N个权重因子均值进行统计学分析,计算获得每个可选模型的最优权重因子
可选地,步骤S7中转移处理的具体方法包括:
S71、计算接受概率
S72、确定比较数u,u为均匀分布(0,1)中的随机数;
S73、若α≥u,则接受转移,
若α<u,则不接受转移,
其中Ui表示马尔科夫链中第i次计算中的权重因子均值向量,Pi表示尔科夫链中第i次计算获得的后验概率。
可选地,步骤S9中最优权重因子的获得方法包括:
确定各个可选模型的权重因子δj的N个权重因子均值其中i=1,2,3,…,N;j=1,2,3,…n;
删除位于马尔科夫链预烧期的数据;
计算最优权重因子,其中k表示马尔科夫链中位于预烧期的数据的数目。
可选地,各个可选模型的权重因子均值的先验值
可选地,基于贝叶斯理论对模型计算值与实验测量值进行融合计算。
第二方面,一种复数可选模型融合装置,包括:
输入模块,其用于确定模拟某个现象的可选模型的数量n;
计算模块,其用于获取每一个可选模型的最佳权重因子;
建模模块,其用于将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型。
具体地,所述计算模块包括:
设定模块,其用于设置马尔科夫链长度N,并给定各可选模型的权重因子均值的先验值和权重因子的抽样协方差矩阵C,其中j=1,2,3,…,n;
第一赋值模块,其用于令δj表示可选模型的权重因子;
第一建模模块,其用于将各个可选模型的输出乘以权重因子并加和,构建当前融合模型;
第一计算模块,其用于使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,结合模型计算值与实验测量值计算当前融合模型的后验概率P0;
第二赋值模块,其用于令i=1,其中i表示马尔科夫链中的第i次计算;
第二计算模块,其用于构建所有可选模型的权重因子均值向量将所有权重因子均值按照联合正态分布(Ui-1,C)并进行一次抽样,获得马尔科夫链中第i+1次计算中各可选模型的权重因子均值向量并确定第i+1次计算中各可选模型的权重因子均值
第三赋值模块,其用于令并通过第一计算模块获得后验概率Pi+1;
第三计算模块,其用于对各可选模型的权重因子均值和后验概率进行转移处理;
迭代模块,其用于令i=i+1,并通过第二计算模块、第三赋值模块和第三计算模块迭代至i=N;
第四计算模块,其用于获取每个可选模型的N个权重因子均值,对N个权重因子均值进行统计学分析,计算获得每个可选模型的最优权重因子
第三方面,一种复数可选模型融合终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述的一种复数可选模型融合方法的步骤。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述的一种复数可选模型融合方法的步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过获取多个可选模型进行最佳权重因子,并构建最佳融合模型,能够消除程序中存在复数个可选模型时人为选择模型可能引入的认知不确定性,同时通过构建最佳融合模型使得模型具有更广泛的应用范围,解决在缺乏实验数据支撑时模型可能存在的不适用问题,大大增加程序模拟的精度,减少模型在模拟过程中引入的不确定性,在提高安全分析可靠性的同时更准确地预测安全裕量。
附图说明
附图示出了本发明的示例性实施方式,并与其说明一起用于解释本发明的原理,其中包括了这些附图以提供对本发明的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分,并不构成对本发明实施例的限定。
图1是根据本发明所述的一种复数可选模型融合方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分。
在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
实施例一
如图1所示,针对热工水力程序模拟某一现象时存在复数个可选同类本构模型的情况,本实施例中提供了一种基于贝叶斯校准的复数同类本构模型融合方法,具体包括:
第一步,确定模拟某个现象的可选模型的数量n;
第二步,获取每一个可选模型的最佳权重因子;
第三步,将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型。使用该融合模型不仅能够使得工况全局模拟结果的计算偏差最小,还能使得工况中各个阶段的局部模拟计算偏差最小。
本实施例的第二步中,对最佳权重因子的计算采用了贝叶斯校准法,贝叶斯校准法基于贝叶斯理论和马尔科夫链蒙特卡洛算法,该方法基本原理为通过比较融合模型计算值与评价实验测量值的残差值,不断校准各可选模型的权重因子,最终得到各权重因子的不确定性分布,并将各因子的均值组合确定为最佳权重因子组合。
获取每一个可选模型的最佳权重因子的方法包括:
S1、设置马尔科夫链长度N,并给定各可选模型的权重因子均值的先验值和权重因子的抽样协方差矩阵C,其中j=1,2,3,…,n;
其中,各个可选模型的权重因子均值的先验值可说设置为
S2、令δj表示可选模型的权重因子;
将各个可选模型的输出乘以权重因子并加和,构建当前融合模型;
S3、使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,基于贝叶斯理论,结合模型计算值与实验测量值计算当前融合模型的后验概率P0;
S4、令i=1,其中i表示马尔科夫链中的第i次计算;
S5、构建所有可选模型的权重因子均值向量将所有权重因子均值按照联合正态分布(Ui-1,C)并进行一次抽样,获得抽取值,抽取值即为马尔科夫链中第i+1次计算中各可选模型的权重因子均值向量/>
通过权重因子均值向量中的元素确定第i+1次计算中各可选模型的权重因子均值
S6、令其用于使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,基于贝叶斯理论,结合模型计算值与实验测量值计算当前融合模型的后验概率,获得后验概率Pi+1;
S7、对各可选模型的权重因子均值和后验概率进行转移处理,具体方法包括:
计算接受概率min()表示取最小值,并从均匀分布(0,1)中生成随机数,将随机数作为比较数u,比较α和u的大小,若α≥u,则接受转移,若α<u,则不接受转移,/>
其中Ui表示马尔科夫链中第i次计算中的权重因子均值向量,Pi表示尔科夫链中第i次计算获得的后验概率。
S8、令i=i+1,并迭代计算步骤S5至步骤S7至i=N;
S9、完成N次马尔科夫链构建计算后,获取每个可选模型的N个权重因子均值,对N个权重因子均值进行统计学分析,计算获得每个可选模型的最优权重因子具体方法包括:
确定各个可选模型的权重因子δj的N个权重因子均值其中i=1,2,3,…,N;j=1,2,3,…n;
删除位于马尔科夫链预烧期的数据;计算最优权重因子,其中k表示马尔科夫链中位于预烧期的数据的数目。
实施例二
本实施例提供一种复数可选模型融合装置,包括输入模块、计算模块和建模模块。
输入模块用于确定模拟某个现象的可选模型的数量n;
计算模块用于获取每一个可选模型的最佳权重因子;
建模模块用于将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型。
计算模块包括设定模块、第一赋值模块、第一建模模块、第一计算模块、第二赋值模块、第二计算模块、第三赋值模块、第三计算模块、迭代模块和第四计算模块。
设定模块用于设置马尔科夫链长度N,并给定各可选模型的权重因子均值的先验值和权重因子的抽样协方差矩阵C,其中j=1,2,3,…,n;
第一赋值模块用于令δj表示可选模型的权重因子;
第一建模模块用于将各个可选模型的输出乘以权重因子并加和,构建当前融合模型;
第一计算模块用于使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,结合模型计算值与实验测量值计算当前融合模型的后验概率P0;
第二赋值模块用于令i=1,其中i表示马尔科夫链中的第i次计算;
第二计算模块用于构建所有可选模型的权重因子均值向量将所有权重因子均值按照联合正态分布(Ui-1,C)并进行一次抽样,获得马尔科夫链中第i+1次计算中各可选模型的权重因子均值向量并确定第i+1次计算中各可选模型的权重因子均值
第三赋值模块用于令并通过第一计算模块获得后验概率Pi+1;
第三计算模块用于对各可选模型的权重因子均值和后验概率进行转移处理;
迭代模块用于令i=i+1,并通过第二计算模块、第三赋值模块和第三计算模块迭代至i=N;
第四计算模块用于获取每个可选模型的N个权重因子均值,对N个权重因子均值进行统计学分析,计算获得每个可选模型的最优权重因子
上述模块可以是多个独立的处理模块,也可以是一种处理模块中的多个不同处理区域。
实施例三
一种复数可选模型融合终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述的一种复数可选模型融合方法的步骤。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
,一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述的一种复数可选模型融合方法的步骤。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本发明,而并非是对本发明的范围进行限定。对于所属领域的技术人员而言,在上述发明的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本发明的范围内。
Claims (7)
1.一种复数可选模型融合方法,其特征在于,包括:
确定模拟某个现象的可选模型的数量n;
获取每一个可选模型的最佳权重因子;
将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型;
其中,获取每一个可选模型的最佳权重因子的方法包括:
S1、设置马尔科夫链长度N,并给定各可选模型的权重因子均值的先验值和权重因子的抽样协方差矩阵C,其中j=1,2,3,…,n;
S2、令δj表示可选模型的权重因子;
将各个可选模型的输出乘以权重因子并加和,构建当前融合模型;
S3、使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,结合模型计算值与实验测量值计算当前融合模型的后验概率p0;
S4、令i=1,其中i表示马尔科夫链中的第i次计算;
S5、构建所有可选模型的权重因子均值向量将所有权重因子均值按照联合正态分布(Ui-1,C)并进行一次抽样,获得马尔科夫链中第i+1次计算中各可选模型的权重因子均值向量/>
确定第i+1次计算中各可选模型的权重因子均值
S6、令并执行步骤S3,获得后验概率Pi+1;
S7、对各可选模型的权重因子均值和后验概率进行转移处理;
S8、令i=i+1,并迭代计算步骤S5至步骤S7至i=N;
S9、获取每个可选模型的N个权重因子均值,对N个权重因子均值进行统计学分析,计算获得每个可选模型的最优权重因子
其中,步骤S7中转移处理的具体方法包括:
S71、计算接受概率
S72、确定比较数u,u为均匀分布(0,1)中的随机数;
S73、若α≥u,则接受转移,
若α<u,则不接受转移,
其中Ui表示马尔科夫链中第i次计算中的权重因子均值向量,Pi表示尔科夫链中第i次计算获得的后验概率。
2.根据权利要求1所述的一种复数可选模型融合方法,其特征在于,步骤S9中最优权重因子的获得方法包括:
确定各个可选模型的权重因子δj的N个权重因子均值其中i=1,2,3,…,N;j=1,2,3,…n;
删除位于马尔科夫链预烧期的数据;
计算最优权重因子,其中k表示马尔科夫链中位于预烧期的数据的数目。
3.根据权利要求1所述的一种复数可选模型融合方法,其特征在于,各个可选模型的权重因子均值的先验值
4.根据权利要求1所述的一种复数可选模型融合方法,其特征在于,在步骤S3中,基于贝叶斯理论对模型计算值与实验测量值进行融合计算。
5.一种复数可选模型融合装置,其特征在于,包括:
输入模块,其用于确定模拟某个现象的可选模型的数量n;
计算模块,其用于获取每一个可选模型的最佳权重因子;
建模模块,其用于将各个可选模型的输出乘以最佳权重因子并加和,构建最佳融合模型;
其中,所述计算模块包括:
设定模块,其用于设置马尔科夫链长度N,并给定各可选模型的权重因子均值的先验值和权重因子的抽样协方差矩阵C,其中j=1,2,3,…,n;
第一赋值模块,其用于令δj表示可选模型的权重因子;
第一建模模块,其用于将各个可选模型的输出乘以权重因子并加和,构建当前融合模型;
第一计算模块,其用于使用当前融合模型执行模型相关实验的模拟计算,获得与实验测量值对应的模型计算值,结合模型计算值与实验测量值计算当前融合模型的后验概率P0;
第二赋值模块,其用于令i=1,其中i表示马尔科夫链中的第i次计算;
第二计算模块,其用于构建所有可选模型的权重因子均值向量 将所有权重因子均值按照联合正态分布(Ui-1,C)并进行一次抽样,获得马尔科夫链中第i+1次计算中各可选模型的权重因子均值向量/>并确定第i+1次计算中各可选模型的权重因子均值/>
第三赋值模块,其用于令并通过第一计算模块获得后验概率Pi+1;
第三计算模块,其用于对各可选模型的权重因子均值和后验概率进行转移处理,用于计算接受概率确定比较数u,u为均匀分布(0,1)中的随机数;若α≥u,则接受转移,/>若α<u,则不接受转移,/>其中/>Ui表示马尔科夫链中第i次计算中的权重因子均值向量,Pi表示尔科夫链中第i次计算获得的后验概率;
迭代模块,其用于令i=i+1,并通过第二计算模块、第三赋值模块和
第三计算模块迭代至i=N;
第四计算模块,其用于获取每个可选模型的N个权重因子均值,对N个权重因子均值进行统计学分析,计算获得每个可选模型的最优权重因子
6.一种复数可选模型融合终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的一种复数可选模型融合方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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1-4中任一项所述的一种复数可选模型融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054204.4A CN115422739B (zh) | 2022-08-30 | 2022-08-30 | 一种复数可选模型融合方法、装置、终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054204.4A CN115422739B (zh) | 2022-08-30 | 2022-08-30 | 一种复数可选模型融合方法、装置、终端及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115422739A CN115422739A (zh) | 2022-12-02 |
CN115422739B true CN115422739B (zh) | 2023-12-01 |
Family
ID=84200417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211054204.4A Active CN115422739B (zh) | 2022-08-30 | 2022-08-30 | 一种复数可选模型融合方法、装置、终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422739B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110766169A (zh) * | 2019-10-31 | 2020-02-07 | 深圳前海微众银行股份有限公司 | 强化学习的迁移训练优化方法、装置、终端及存储介质 |
CN114647820A (zh) * | 2022-03-17 | 2022-06-21 | 昆明理工大学 | 一种三七栽培设施内参考作物蒸散量的估算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100681487B1 (ko) * | 2002-10-30 | 2007-02-09 | 한국전력공사 | 원자력발전소 안전해석을 위한 최적평가체계 |
US11205103B2 (en) * | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
-
2022
- 2022-08-30 CN CN202211054204.4A patent/CN115422739B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110766169A (zh) * | 2019-10-31 | 2020-02-07 | 深圳前海微众银行股份有限公司 | 强化学习的迁移训练优化方法、装置、终端及存储介质 |
CN114647820A (zh) * | 2022-03-17 | 2022-06-21 | 昆明理工大学 | 一种三七栽培设施内参考作物蒸散量的估算方法 |
Non-Patent Citations (2)
Title |
---|
基于贝叶斯方法的统计模型修正和结构概率损伤识别;干露等;机械强度;第44卷(第1期);第133-139页 * |
基于贝叶斯理论的地下水模型评价;曹彤彤;中国博士学位论文全文数据库;第23-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115422739A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Do Koo et al. | Nuclear reactor vessel water level prediction during severe accidents using deep neural networks | |
CN107391870B (zh) | 热失控临界条件的计算方法 | |
Song et al. | Reliability-based design optimization using adaptive surrogate model and importance sampling-based modified SORA method | |
JP2022536661A (ja) | 機械学習を用いた、迅速なデジタル原子炉設計 | |
Ikonen et al. | Module for thermomechanical modeling of LWR fuel in multiphysics simulations | |
Benabou | Development of LSTM networks for predicting viscoplasticity with effects of deformation, strain rate, and temperature history | |
CN115422739B (zh) | 一种复数可选模型融合方法、装置、终端及可读存储介质 | |
Parhizi et al. | Accelerating the numerical solution of thermal runaway in Li-ion batteries | |
Biswas et al. | A single-loop shifting vector method with conjugate gradient search for reliability-based design optimization | |
Song et al. | Optimization of the volume-to-point heat conduction problem with automatic differentiation based approach | |
Parhizi et al. | An iterative analytical model for aging analysis of Li-ion cells | |
Dzodzo et al. | Application of fractional scaling analysis for development and design of integral effects test facility | |
CN113076681A (zh) | 一种基于滤波的锂电池核心与表面温度估计方法 | |
Samal et al. | Characterization and prediction of flow-conditions in the hot-leg of PWR during loss of coolant accident | |
Benabou | Implementation of a neural network into a user-material subroutine for finite element simulation of material viscoplasticity | |
CN115630316A (zh) | 基于改进长短期记忆网络的超短期风速预测方法 | |
McDonald et al. | Reliability-based optimization with discrete and continuous decision and random variables | |
Gu et al. | Verification of a HC-PK-CFD coupled program based a benchmark on beam trip transients for XADS reactor | |
CN104850706B (zh) | 基于matlab的超临界流体对流传热可视化分析方法 | |
JP7117207B2 (ja) | 原子炉評価装置、原子炉評価装置方法及び原子炉評価プログラム | |
Sanchez-Saez et al. | Uncertainty analysis of a loss of cooling and loss of coolant accident in a spent fuel pool using TRACE | |
Sadeghi et al. | A set of transient correlations for fast and unprotected loss of flow accident in VVER-1000 reactor using single-heated channel approach and Gene Expression Programming | |
Khan et al. | A new algorithm for a condenser design for large-scale nuclear power plants in tropical region | |
Jeannin et al. | Statistical learning model for fuel-cladding heat exchange coefficient evaluation in SFR | |
CN115270487B (zh) | 一种燃料组件级辐照热流固紧密耦合计算装置及计算方法 |
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 |