CN115511208A - 板状元件矩形窄缝再淹没液滴夹带行为预测方法 - Google Patents
板状元件矩形窄缝再淹没液滴夹带行为预测方法 Download PDFInfo
- Publication number
- CN115511208A CN115511208A CN202211279166.2A CN202211279166A CN115511208A CN 115511208 A CN115511208 A CN 115511208A CN 202211279166 A CN202211279166 A CN 202211279166A CN 115511208 A CN115511208 A CN 115511208A
- Authority
- CN
- China
- Prior art keywords
- entrainment
- data
- plate
- neural network
- output
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种板状元件矩形窄缝再淹没液滴夹带行为预测方法,在离线阶段通过构建并初始化BP神经网络,将实验边界条件作为输入变量、液体夹带率作为输出变量进行训练并优化权值和阈值后,用于在在线阶段进行预测。本发明利用人工神经网络预测方法通过大量数据训练输入‑输出关系,从而能够迅速、准确地计算出适用于绝大多数板状元件底部再淹没工况的液体夹带率数值。
Description
技术领域
本发明涉及的是一种反应堆安全控制领域的技术,具体是一种基于人工神经网络的板状元件矩形窄缝再淹没液滴夹带行为预测方法。
背景技术
大破口失水事故(LBLOCA)是板状燃料元件反应堆可能发生的一种极限事故。事故发生之后,冷却剂丧失可能导致堆芯裸露,使得板状燃料元件温度在衰变热作用急剧升高,甚至发生板状燃料元件熔毁的严重后果。应急堆芯冷却系统启动之后,冷却剂从底部进入堆芯从而开始底部再淹没阶段。当冷却剂接触到高温包壳表面时,沸腾现象会导致蒸汽产生。由于板状元件矩形窄缝通道空间狭窄,因此高速蒸汽能够夹带冷却剂向下游运动,其中液体包括液滴、液相碎片以及液膜等形式。液滴夹带行为能够对骤冷前沿下游高温壁面在膜态沸腾阶段的换热行为有强化效应:例如夹带液滴在碰撞高温包壳过程中能够强化换热,而且也能作为高温壁面的辐射热阱等。因此,板状元件底部再淹没阶段的液滴夹带行为对于强化高温包壳冷却性能、提升板状元件安全特性具有重要意义。然而,液滴夹带行为很难在实验中进行局部测量,骤冷前沿下游液体夹带的流动换热特性作用机制并不明晰。因此,相关机理模型、系统程序等研究方法并不能准确模拟板状元件底部再淹没阶段的液体夹带行为,急需提供一种全新的计算方法,能够迅速、准确地计算出适用于绝大多数板状元件底部再淹没工况的液体夹带率数值。
发明内容
本发明针对现有技术无法针对板状元件矩形窄缝通道底部再淹没阶段液滴夹带的行为进行准确判断预测的不足,提出一种板状元件矩形窄缝再淹没液滴夹带行为预测方法,利用人工神经网络预测方法通过大量数据训练预测输入-输出关系,从而能够迅速、准确地计算出适用于绝大多数板状元件底部再淹没工况的液体夹带率数值。
本发明是通过以下技术方案实现的:
本发明涉及一种板状元件矩形窄缝再淹没液滴夹带行为预测方法,在离线阶段通过构建并初始化BP神经网络,将实验边界条件作为输入变量、液体夹带率作为输出变量进行训练并优化权值和阈值后,用于在在线阶段进行预测。
所述的实验边界条件包括:入口冷却水温度、冷却水流速、系统压力、加热功率。
所述的预测方法,具体包括:
1)开展实验研究:开展板状元件矩形窄缝通道再淹没实验研究,针对不同边界条件对于液滴夹带行为的影响进行探究,只有这样才能够确定得到准确、合适的神经网络输入参数;
2)扩充数据库:由于实验本身难度较大而且具有破坏性,所以难以开展大批量的实验工况。因此,本发明借助系统程序RELAP5或者自己开发的模型、程序,通过实验数据验证模拟的准确性并以此计算其他工况液滴夹带数据,从而达到扩充数据库的目的;
3)训练神经网络:将扩充后的数据库进行分组,通过训练集、验证集确定网络结构和学习率等超参数,从而根据输入参数得到液滴夹带的预测输出结果。
技术效果
本发明利用实验研究确定准确的输入参数;基于实验数据验证数值模拟方法的准确性,从而利用系统程序或开发模型进行计算并扩充液滴夹带数据库;利用BP神经网络方法针对已有板状元件底部再淹没液滴夹带进行训练,最终能够快速、准确计算得到对应液滴夹带行为。本发明利用人工神经网络算法能够针对板状元件底部再淹没液滴夹带的复杂非线性物理现象进行训练、学习,从而找出液滴夹带与输入参数之间的关系并做出准确预测:与实验相比能够显著降低工时和能耗;与程序模拟方法相比,同样能够提高准确性并降低预测时间。
附图说明
图1为本发明BP神经网络结构示意图;
图2为实施例效果示意图。
具体实施方式
本实施例涉及一种板状元件矩形窄缝再淹没液滴夹带行为预测方法,通过构建并初始化BP神经网络,将入口冷却水温度、冷却水流速、系统压力、加热功率4个实验边界条件作为输入变量、液体夹带率作为输出变量进行训练并优化权值和阈值后,用于在在线阶段进行预测。
所述的BP神经网络包括:输入层、隐含层以及输出层。
所述的初始化是指:将网络中的所有神经元的权值,阈值设为随机,并且将所有输入数据(训练组)的数值进行归一化处理(将数据归一化到0.1~0.9),以避免激活函数在数值较大时存在的过拟合情况。
如图1所示,所述的训练,具体包括:
1)输入一组实验边界条件数据后,从前往后针对数据输入对每个神经元进行计算,得到隐含层神经元的净输入;
本发明中的实验边界条件是基于板状元件再淹没实验工况得到,具体包括:
1)针对不同边界条件开展实验研究,发现进口流速、系统压力、液体过冷度、加热功率等参数对于液滴夹带的影响较大,所以能够作为神经网络的输入参数;
2)具体的数值在实验中测量得到,能够用于训练神经网络结构等。
2)采用Sigmoid函数(S函数)作为激活函数计算隐含层神经元的输出,直至极端得到输出层的数据;
优选地,本发明在损失函数中还添加了具有淹没实验特定物理意义的一项,即由神经网络输出计算得到的出口夹带量减去入口流量的差值”与“0”这二者的最大值LossP。这是因为,入口流体的一部分变成了蒸汽,气体中夹杂着液滴,液滴量就是夹带量,所以出口夹带量在实验现实中一定是小于入口流量的。但是在训练过程中,神经网络的输出却有可能产生违反物理规律的结果。当神经网络产生了出口夹带量大于入口流量的结果时,LossP会大于0(如果神经网络产生了出口夹带量小于入口流量的结果,这时是正确的则无影响),也就是神经网络的损失函数增大了,给了当前的神经网络训练一个惩罚,引导神经网络的训练朝着符合物理规律的方向前进,使得神经网络的最终训练结果是符合物理规律的,使用其产生的结果会更有意义。
3)首先计算输出层误差,然后从输出层开始将误差反向传递,计算得到所以节点的误差;
4)计算得到总误差之后,使用梯度下降法等对各层权值阈值进行修正;
5)再次输入一组实验边界条件数据并按照修正后的权值、阈值进行计算,直到每组数据所有层节的输出小于规定的最小误差,或者训练次数达到最大值。
针对不同网络结构进行20次计算并统计最终平均误差。根据误差计算结果,最终确定学习率为0.5,网络结构为4-9-5-1。学习率参数也是经过计算对比得到,取作0.5既不会因为学习率过小导致梯度下降缓慢、网络训练时间过长、陷入局部最小值并错过全局最小值的情况;同样也不会因为学习率设置过大而出现越过最小值而导致计算不收敛情况的发生。
本实施例中采用热工水力最佳估算程序Relap5,以实验数据为基础进行数据扩充:首先利用实验结果验证Relap5程序模拟的准确性,然后利用该程序扩充板状元件底部再淹没液滴夹带的数据库。
经过具体实际实验,在计算过程中将数据分为三组,将实验数据作为验证组,其他数据按照神经网络中常用的3:1比例分为训练组数据和测试组。训练集数据主要用于训练网络,使其能够满足预测要求;测试集使用没有训练的数据输入网络从而验证网络结构的准确性和扩展性;验证集将神经网络预测结果与实验结果进行直观对比如表1所示,方便数据对比分析。
表1单隐含层不同网络结构预测结果
表2双隐含层不同网络结构部分预测结果
可以看出,双隐含层神经网络在训练质量,测试误差各个方面均明显优于单隐含层。而根据测试集的误差大小,综合判断之后选择4-9-5-1的网络结构。
针对学习率参数与数据集本身属性,学习方法,激活函数选择等等有关。综合分析数据库中的数据特征、神经网络训练时间以及测试集误差等因素,采用尝试-修正方法以0.01~1的学习率带入神经网络进行计算,每个学习率计算10次取平均值,最终发现学习率为0.5时训练时间适中并且测试集误差最小,因此选择学习率为0.5。
如图2所示,结果表明:1)预测数据与训练集输入数据结果的平均相对误差为0.86%,平均均方根误差为1.21%;2)测试集数据的平均相对误差为0.69%,平均均方根误差为0.94%;3)图2对应神经网络预测结果与实验数据之间的误差,其中最大相对误差为10.82%,与其他模型计算结果相比,准确性有了较大提升。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (4)
1.一种板状元件矩形窄缝再淹没液滴夹带行为预测方法,其特征在于,在离线阶段通过构建并初始化BP神经网络,将实验边界条件作为输入变量、液体夹带率作为输出变量进行训练并优化权值和阈值后,用于在在线阶段进行预测;
所述的实验边界条件包括:入口冷却水温度、冷却水流速、系统压力、加热功率。
2.根据权利要求1所述的板状元件矩形窄缝再淹没液滴夹带行为预测方法,其特征是,所述的初始化是指:将网络中的所有神经元的权值,阈值设为随机,并且将所有输入数据,即训练组的数值进行归一化处理以避免激活函数在数值较大时存在的过拟合情况。
3.根据权利要求1所述的板状元件矩形窄缝再淹没液滴夹带行为预测方法,其特征是,所述的训练,具体包括:
1)输入一组实验边界条件数据后,从前往后针对数据输入对每个神经元进行计算,得到隐含层神经元的净输入;
2)采用Sigmoid函数作为激活函数计算隐含层神经元的输出,直至极端得到输出层的数据;
3)首先计算输出层误差,然后从输出层开始将误差反向传递,计算得到所以节点的误差;
4)计算得到总误差之后,使用梯度下降法对各层权值阈值进行修正;
5)再次输入一组实验边界条件数据并按照修正后的权值、阈值进行计算,直到每组数据所有层节的输出小于规定的最小误差或者训练次数达到最大值。
4.根据权利要求3所述的板状元件矩形窄缝再淹没液滴夹带行为预测方法,其特征是,所述的训练,采用的损失函数中包括:由神经网络输出计算得到的出口夹带量减去入口流量的差值与0之间的较大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279166.2A CN115511208A (zh) | 2022-10-19 | 2022-10-19 | 板状元件矩形窄缝再淹没液滴夹带行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279166.2A CN115511208A (zh) | 2022-10-19 | 2022-10-19 | 板状元件矩形窄缝再淹没液滴夹带行为预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511208A true CN115511208A (zh) | 2022-12-23 |
Family
ID=84509909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211279166.2A Pending CN115511208A (zh) | 2022-10-19 | 2022-10-19 | 板状元件矩形窄缝再淹没液滴夹带行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511208A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595883A (zh) * | 2023-05-24 | 2023-08-15 | 上海交通大学 | 空间热离子反应堆实时在线系统状态修正方法 |
-
2022
- 2022-10-19 CN CN202211279166.2A patent/CN115511208A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595883A (zh) * | 2023-05-24 | 2023-08-15 | 上海交通大学 | 空间热离子反应堆实时在线系统状态修正方法 |
CN116595883B (zh) * | 2023-05-24 | 2024-03-01 | 上海交通大学 | 数值反应堆实时在线系统状态修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301884B (zh) | 一种混合式核电站故障诊断方法 | |
CN101576443B (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
CN112163380B (zh) | 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法 | |
CN107725283A (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN115511208A (zh) | 板状元件矩形窄缝再淹没液滴夹带行为预测方法 | |
CN102419827B (zh) | 基于rbf神经网络的沸腾换热预测方法 | |
CN113485261B (zh) | 一种基于CAEs-ACNN的软测量建模方法 | |
CN108761346A (zh) | 一种车用锂电池剩余寿命预测方法 | |
CN111160457A (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
Wang et al. | Prediction of superheated steam temperature for thermal power plants using a novel integrated method based on the hybrid model and attention mechanism | |
CN110941902A (zh) | 一种输电线路雷击故障预警方法和系统 | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
Wang et al. | Deep-learning modeling and control optimization framework for intelligent thermal power plants: A practice on superheated steam temperature | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN105653822A (zh) | 一种模拟gh4169合金静态再结晶行为的元胞自动机方法 | |
CN117272832B (zh) | 基于神经网络的post-dryout传热区仿真方法 | |
CN109685136A (zh) | 一种高压加热器状态数据分析方法 | |
Moskovic et al. | An overview of the principles of modeling charpy impact energy data using statistical analyses | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
Chaibakhsh et al. | Maximum allowable fouling detection in industrial fired heater furnaces | |
CN114492988A (zh) | 一种催化裂化过程的产品收率的预测方法及装置 | |
Zhai et al. | A Data-Driven Approach to Determine the Single Droplet Post-Impingement Pattern on a Dry Wall Using Statistical Machine Learning Classification Methods | |
Bai et al. | On the efficiency of a cfd-based full convolution neural network for the postprocessing of field data | |
Yang et al. | Remaining Useful Life Prediction Based on Stacked Sparse Autoencoder and Echo State Network |
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 |