CN115618999B - 一种海洋条件下自然循环系统瞬态特性预测方法及系统 - Google Patents
一种海洋条件下自然循环系统瞬态特性预测方法及系统 Download PDFInfo
- Publication number
- CN115618999B CN115618999B CN202211136825.7A CN202211136825A CN115618999B CN 115618999 B CN115618999 B CN 115618999B CN 202211136825 A CN202211136825 A CN 202211136825A CN 115618999 B CN115618999 B CN 115618999B
- Authority
- CN
- China
- Prior art keywords
- natural circulation
- circulation system
- model
- parameters
- transient
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种海洋条件下自然循环系统瞬态特性预测方法及系统,其中,方法包括以下步骤:构建运动分析模型;基于所述运动分析模型,构建自然循环系统数值模型;基于所述自然循环系统数值模型进行模拟,得到瞬态特性数据集;对所述瞬态特性数据集进行预处理得到标准化数据;基于所述标准化数据得到预测模型;采集实时数据,并基于所述预测模型进行预测,得到预测结果。本申请能够准确预测不同海洋条件下的自然循环系统重要参数变化,解决了传统数值模拟方法难以对自然循环系统瞬态特性进行超实时预测的不足,能考虑不同条件对系统运行状态的影响,依据所预测的信息确定更合理的运行、控制决策,提高核动力装置的安全性。
Description
技术领域
本申请涉及船舶动力装置仿真与安全分析技术领域,具体涉及一种海洋条件下自然循环系统瞬态特性预测方法及系统。
背景技术
自然循环是船舶核动力装置一种重要的运行方式,具有降低航行噪音、事故后热量导出、提高系统固有安全性等优点。但船舶核动力装置容易受到风、浪等海洋条件的影响,使船体出现横荡、纵荡、垂荡、横摇、纵摇和艏摇等典型运动状态。特别是在自然循环运行状态下,由海洋条件所引入的瞬变外力场会显著影响其热工水力特性。一方面,自然循环的驱动力大小由冷、热源的高度差决定,船体的位置变化会改变冷、热源相对位差,进而影响自然循环驱动力;另一方面,周期性运动会引入作用于流体的附加力场,改变冷却剂的流动、换热特性,可能诱发出现流动不稳定性,影响系统的安全稳定运行。
目前对海洋条件下自然循环瞬态特性的研究主要采用数值模拟或实验方法。采用实验方法开展局部机理性研究受到实验条件苛刻、成本高、难以覆盖全部工况等因素限制;采用数值模拟的方法能对整个核动力装置进行建模,模拟系统在不同条件下的瞬态特性。但精细化的数值分析程序所需的运算时间较长,难以实现自然循环瞬态特性的提前预测。随着机器学习技术的不断发展,以代理模型代替复杂数值程序的方式是解决实际工程中计算量大、耗时长等问题的有效方法。采用代理模型能有效降低计算负担,平衡模型计算精度与求解时间,实现不同工况下的自然循环瞬态运行特性快速预测。基于机器学习模型的核动力装置安全分析评价技术具有重要的工程应用意义。
发明内容
本申请提供了一种海洋条件下自然循环系统瞬态特性预测方法及系统,可用于快速、准确地预测自然循环系统在运行工况下的热工水力特性,服务于海洋条件下的自然循环机理研究与系统设计优化,提高系统的安全可靠性水平,为船舶核动力装置运行与控制提供支持。
为达到上述目的,本申请提供了以下方案:
一种海洋条件下自然循环系统瞬态特性预测方法,包括以下步骤:
构建运动分析模型;
基于所述运动分析模型,构建自然循环系统数值模型;
基于所述自然循环系统数值模型进行模拟,得到瞬态特性数据集;
对所述瞬态特性数据集进行预处理得到标准化数据;
基于所述标准化数据得到预测模型;
采集实时数据,并基于所述预测模型进行预测,得到预测结果。
优选的,所述运动分析模型用于将复杂多自由度运动分解为典型的单自由度运动。
优选的,所述自然循环系统数值模型构建方法包括:
确定所分析自然循环系统的物理特征参数,采用节点划分、网格划分和边界条件与假设的方式,构建所述自然循环系统数值模型。
优选的,所述瞬态特性数据集获得方法包括:
对所述物理特征和海洋条件运动参数进行抽样,得到目标参数集;
量化所述目标参数集的分布特征,并将所述目标参数集作为所述自然循环系统数值模型的输入数据与边界;
基于所述自然循环系统数值模型展开数值模拟计算获得不同工况下的时序响应,得到瞬态特性数据集。
优选的,所述预处理方法包括:
对所述瞬态特性数据采用线性比例归一化处理,将数据处理至预设范围内。
优选的,获得所述预测模型的方法包括:
将所述标准化数据按照预设比例进行划分,得到训练集和测试集;
基于所述训练集构建代理模型;
基于所述测试集优化所述代理模型,得到所述预测模型。
优选的,获得所述预测结果的方法包括:
采集不同的在线采集运行数据或结构设计参数,得到所述实时数据;
将所述实时数据传输至所述预测模型中,对自然循环系统在不同工况下的瞬态特性进行预测,得到预测结果。
本申请还提供了一种海洋条件下自然循环系统瞬态特性预测系统,包括:第一构建模块、第二构建模块、模拟模块、预处理模块、第三构建模块和预测模块;
所述第一构建模块用于构建运动分析模型;
所述第二构建模块用于基于所述运动分析模型,构建自然循环系统数值模型;
所述模拟模块用于基于所述自然循环系统数值模型进行模拟,得到瞬态特性数据集;
所述预处理模块用于对所述瞬态特性数据集进行预处理得到标准化数据;
所述第三构建模块用于基于所述标准化数据得到预测模型;
所述预测模块用于采集实时数据,并基于所述预测模型进行预测,得到预测结果。
本申请的有益效果为:
(1)本申请能够准确预测不同海洋条件下的自然循环系统重要参数变化,使用机器学习方法作为代理模型降低计算负担,解决了传统数值模拟方法难以对自然循环系统瞬态特性进行超实时预测的不足;
(2)本申请能考虑不同条件对系统运行状态的影响,依据所预测的信息确定更合理的运行、控制决策,避免出现自然循环流动不稳定、安全裕量不足等风险,提高核动力装置的安全性,在工程领域具有广阔的应用前景。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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为本申请实施例一种海洋条件下自然循环系统瞬态特性预测方法流程示意图;
图2为本申请实施例中摇摆运动下自然循环系统内流体受力分析示意图;
图3为本申请实施例自然循环特性预测示意图;
图4为本申请实施例一种海洋条件下自然循环系统瞬态特性预测系统结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中,如图1所示,一种海洋条件下自然循环系统瞬态特性预测方法,包括以下步骤:
S1.构建运动分析模型;运动分析模型用于将复杂多自由度运动分解为典型的单自由度运动,对自然循环系统内流体所受切向力、科式力、重力和离心力在非惯性坐标系下分别展开受力分析,能够计算在不同时刻的流体坐标变换与附加力变化。
在本实施例中,以摇摆运动为例,介绍海洋条件下运动分析模型构建过程:
摇摆运动的角度变化规律为:
θ(t)=θmsin(2πt/T)
角速度及角加速度可表示为:
ω(t)=θm(2π/T)cos(2πt/T)
β(t)=-θm(2π/T)2sin(2πtT)
其中,θ(t)为当前时刻的摇摆角度,单位为rad;θm为摇摆振幅,单位为 rad;T为摇摆周期,单位为s;ω(t)为当前时刻角速度,单位为rad/s;β(t) 为当前时刻角加速度,单位为rad/s2。
摇摆运动下自然循环系统内流体受力分析如图2所示。流体受切向加速度ft、向心加速度fc的作用,由于科氏力作用方向始终初值于流速方向,因此在一维流动情况下可以忽略科氏力的影响。在单位矢量e=exi+eyj+ezk 为摇摆轴的情况下,通过理论推导可知非惯性系下的切向加速度与向心加速度分别为:
采用节点空间坐标求解模型,获得流体微团在不同时刻的空间坐标,进而求得流体所受附加加速度,将求解所得附加加速度整合到动量方程中,使所运动分析模型具备分析海洋条件下自然循环瞬态特性的能力。
S2.基于运动分析模型,构建自然循环系统数值模型;确定所分析自然循环系统的物理特征参数,采用系统级热工水力分析程序建立反应堆系统、冷却剂系统、蒸汽发生器等关键设备模型,通过节点敏感性分析确定合理的节点划分方式,在此基础上,确定合理的边界条件与假设,如将蒸汽发生器二次侧给水流量以及蒸汽出口处压力以边界的形式处理,确保所建立的自然循环系统数值模型具有良好的数值精度。
其中,物理特征参数包括:系统几何结构尺寸如冷、热源高度差、换热器换热面积和传热管管径;系统运行参数如反应堆功率、冷却剂平均温度和运行压力。
S3.基于自然循环系统数值模型进行模拟,得到瞬态特性数据集;对物理特征和海洋条件运动参数进行抽样,在本实施中,确定特征参数的分布特征,明确各个参数的分布类型以及分布区间等的特征参数,实现参数的分布特征量化,采用拉丁超立方抽样对参数进行抽样,得到目标参数集;并将目标参数集作为自然循环系统数值模型的输入数据与边界;基于自然循环系统数值模型展开数值模拟计算获得不同工况下的时序响应,得到瞬态特性数据集。
其中,海洋条件运动参数包括:摇摆运动的振幅与周期、起伏运动的振幅与周期。
S4.对瞬态特性数据集进行预处理得到标准化数据;预处理方法包括:对瞬态特性数据采用线性比例归一化处理,将数据处理至预设范围内,在本实施例中,预设范围为[0,1],处理方法如下:
其中,x表示某影响参数值,xmax表示该影响参数的最大值,xmin为该影响参数的最小值。
S5.基于所述标准化数据得到预测模型;将预处理后的数据进行分层抽样划分,按照8:2的预设比例分为训练集与测试集,采用预处理后的数据训练代理模型,本实施例中,以人工神经网络作为代理模型展开描述:
确定代理模型的初始结构,即隐藏层层数,输入层、输出层与隐藏层各自的神经元个数,设置误差函数等,采用训练集数据确定代理模型的具体超参数,利用测试集评价代理模型整体性能,并对超参数进行优化,得到预测模型。
根据评价指标评价模型的预测精度与泛化能力指标,若预测精度与泛化能力不符合预期要求,则需要调整样本数量与模型结构,重新训练人工神经网络代理模型,直到评价指标在允许范围以内。
常用的模型精度评价指标包括:均方根误差RMSE、决定系数R2等,其表达式分别是:
其中,n为测试点数目,yi表示在第i个样本处的真实值,为在该点的模型预测值,y是真实值的均值。R2与RMSE用于评估模型的预测精度, R2的值越接近于1或RMSE的值越小,模型预测具有更高的精度。
S6.采集实时数据,并基于所述预测模型进行预测,得到预测结果;采集不同的在线采集运行数据或结构设计参数,得到所述实时数据;将所述实时数据进行采集,形成输入数据集,将该输入数据集传递至上述预测模型中,以该数据集作为传递函数的输入参数,通过预测模型可以获取在未来时间段内的参数输出集,进而得到关键参数的超实时变化趋势,实现对自然循环系统在不同工况下的瞬态特性的预测,得到预测结果,如图3所示。
实施例二
在本实施例二中,如图4所示,一种海洋条件下自然循环系统瞬态特性预测系统,包括:第一构建模块、第二构建模块、模拟模块、预处理模块、第三构建模块和预测模块。
第一构建模块用于构建运动分析模型;运动分析模型用于将复杂多自由度运动分解为典型的单自由度运动,对自然循环系统内流体所受切向力、科式力、重力和离心力在非惯性坐标系下分别展开受力分析,能够计算在不同时刻的流体坐标变换与附加力变化。
在本实施例中,以摇摆运动为例,介绍海洋条件下运动分析模型构建过程:
摇摆运动的角度变化规律为:
θ(t)=θmsin(2πt/T)
角速度及角加速度可表示为:
ω(t)=θm(2π/T)cos(2πt/T)
β(t)=-θm(2π/T)2sin(2πt/T)
其中,θ(t)为当前时刻的摇摆角度,单位为rad;θm为摇摆振幅,单位为rad;T为摇摆周期,单位为s;ω(t)为当前时刻角速度,单位为rad/s;β(t) 为当前时刻角加速度,单位为rad/s2。
摇摆运动下自然循环系统内流体受力分析如图2所示。流体受切向加速度ft、向心加速度fc的作用,由于科氏力作用方向始终初值于流速方向,因此在一维流动情况下可以忽略科氏力的影响。在单位矢量e=exi+eyj+ezk 为摇摆轴的情况下,通过理论推导可知非惯性系下的切向加速度与向心加速度分别为:
采用节点空间坐标求解模型,获得流体微团在不同时刻的空间坐标,进而求得流体所受附加加速度,将求解所得附加加速度整合到动量方程中,使所运动分析模型具备分析海洋条件下自然循环瞬态特性的能力。
第二构建模块用于基于运动分析模型,构建自然循环系统数值模型;确定所分析自然循环系统的物理特征参数,采用系统级热工水力分析程序建立反应堆系统、冷却剂系统、蒸汽发生器等关键设备模型,通过节点敏感性分析确定合理的节点划分方式,在此基础上,确定合理的边界条件与假设,如将蒸汽发生器二次侧给水流量以及蒸汽出口处压力以边界的形式处理,确保所建立的自然循环系统数值模型具有良好的数值精度。
其中,物理特征参数包括:系统几何结构尺寸如冷、热源高度差、换热器换热面积和传热管管径;系统运行参数如反应堆功率、冷却剂平均温度和运行压力。
模拟模块用于基于自然循环系统数值模型进行模拟,得到瞬态特性数据集;对物理特征和海洋条件运动参数进行抽样,在本实施中,确定特征参数的分布特征,明确各个参数的分布类型以及分布区间等的特征参数,实现参数的分布特征量化,采用拉丁超立方抽样对参数进行抽样,得到目标参数集;并将目标参数集作为自然循环系统数值模型的输入数据与边界;基于自然循环系统数值模型展开数值模拟计算获得不同工况下的时序响应,得到瞬态特性数据集。
其中,海洋条件运动参数包括:摇摆运动的振幅与周期、起伏运动的振幅与周期。
预处理模块用于对瞬态特性数据集进行预处理得到标准化数据;预处理方法包括:对瞬态特性数据采用线性比例归一化处理,将数据处理至预设范围内,在本实施例中,预设范围为[0,1],处理方法如下:
其中,x表示某影响参数值,xmax表示该影响参数的最大值,xmin为该影响参数的最小值。
第三构建模块用于基于所述标准化数据得到预测模型;将预处理后的数据进行分层抽样划分,按照8:2的预设比例分为训练集与测试集,采用预处理后的数据训练代理模型,本实施例中,以人工神经网络作为代理模型展开描述:
确定代理模型的初始结构,即隐藏层层数,输入层、输出层与隐藏层各自的神经元个数,设置误差函数等,采用训练集数据确定代理模型的具体超参数,利用测试集评价代理模型整体性能,并对超参数进行优化,得到预测模型。
根据评价指标评价模型的预测精度与泛化能力指标,若预测精度与泛化能力不符合预期要求,则需要调整样本数量与模型结构,重新训练人工神经网络代理模型,直到评价指标在允许范围以内。
常用的模型精度评价指标包括:均方根误差RMSE、决定系数R2等,其表达式分别是:
其中,n为测试点数目,yi表示在第i个样本处的真实值,为在该点的模型预测值,是真实值的均值。R2与RMSE用于评估模型的预测精度, R2的值越接近于1或RMSE的值越小,模型预测具有更高的精度。
预测模块用于采集实时数据,并基于所述预测模型进行预测,得到预测结果;采集不同的在线采集运行数据或结构设计参数,得到所述实时数据;将所述实时数据进行采集,形成输入数据集,将该输入数据集传递至上述预测模型中,以该数据集作为传递函数的输入参数,通过预测模型可以获取在未来时间段内的参数输出集,进而得到关键参数的超实时变化趋势,实现对自然循环系统在不同工况下的瞬态特性的预测,得到预测结果。
以上所述的实施例仅是对本申请的优选方式进行描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (6)
1.一种海洋条件下自然循环系统瞬态特性预测方法,其特征在于,包括以下步骤:
构建运动分析模型,将附加加速度整合到动量方程中,使所运动分析模型具备分析海洋条件下自然循环瞬态特性的能力;
基于所述运动分析模型,构建自然循环系统数值模型,确定所分析自然循环系统的物理特征参数和系统运行参数,其中,所述物理特征参数包括:系统几何结构尺寸,包括冷热源高度差、换热器换热面积和传热管管径,所述系统运行参数包括:反应堆功率、冷却剂平均温度和运行压力;
基于所述自然循环系统数值模型进行模拟,得到瞬态特性数据集,对物理特征和海洋条件运动参数进行抽样,确定特征参数的分布特征,明确各个参数的分布类型以及分布区间的特征参数,实现参数的分布特征量化,采用拉丁超立方抽样对参数进行抽样,得到目标参数集,并将所述目标参数集作为自然循环系统数值模型的输入数据与边界,基于所述自然循环系统数值模型展开数值模拟计算获得不同工况下的时序响应,得到所述瞬态特性数据集;
对所述瞬态特性数据集进行预处理得到标准化数据;
基于所述标准化数据得到预测模型;
采集实时数据,并基于所述预测模型进行预测,得到预测结果,将所述实时数据进行采集,形成输入数据集,将所述输入数据集传递至所述预测模型中,以所述数据集作为传递函数的输入参数,通过所述预测模型可以获取在未来时间段内的参数输出集,进而得到关键参数的超实时变化趋势,实现对自然循环系统在不同工况下的瞬态特性的预测,得到所述预测结果。
2.根据权利要求1所述一种海洋条件下自然循环系统瞬态特性预测方法,其特征在于,所述运动分析模型用于将复杂多自由度运动分解为典型的单自由度运动。
3.根据权利要求1所述一种海洋条件下自然循环系统瞬态特性预测方法,其特征在于,所述自然循环系统数值模型构建方法包括:确定所分析自然循环系统的物理特征参数,采用节点划分、网格划分和边界条件与假设的方式,构建所述自然循环系统数值模型。
4.根据权利要求1所述一种海洋条件下自然循环系统瞬态特性预测方法,其特征在于,所述预处理的方法包括:对所述瞬态特性数据采用线性比例归一化处理,将数据处理至预设范围内。
5.根据权利要求1所述一种海洋条件下自然循环系统瞬态特性预测方法,其特征在于,获得所述预测模型的方法包括:
将所述标准化数据按照预设比例进行划分,得到训练集和测试集;
基于所述训练集构建代理模型;
基于所述测试集优化所述代理模型,得到所述预测模型。
6.一种海洋条件下自然循环系统瞬态特性预测系统,其特征在于,包括:第一构建模块、第二构建模块、模拟模块、预处理模块、第三构建模块和预测模块;
所述第一构建模块用于构建运动分析模型,将附加加速度整合到动量方程中,使所运动分析模型具备分析海洋条件下自然循环瞬态特性的能力;
所述第二构建模块用于基于所述运动分析模型,构建自然循环系统数值模型,确定所分析自然循环系统的物理特征参数和系统运行参数,其中,所述物理特征参数包括:系统几何结构尺寸,包括冷热源高度差、换热器换热面积和传热管管径,所述系统运行参数包括:反应堆功率、冷却剂平均温度和运行压力;
所述模拟模块用于基于所述自然循环系统数值模型进行模拟,得到瞬态特性数据集,对物理特征和海洋条件运动参数进行抽样,确定特征参数的分布特征,明确各个参数的分布类型以及分布区间的特征参数,实现参数的分布特征量化,采用拉丁超立方抽样对参数进行抽样,得到目标参数集,并将所述目标参数集作为自然循环系统数值模型的输入数据与边界,基于所述自然循环系统数值模型展开数值模拟计算获得不同工况下的时序响应,得到所述瞬态特性数据集;
所述预处理模块用于对所述瞬态特性数据集进行预处理得到标准化数据;
所述第三构建模块用于基于所述标准化数据得到预测模型;
所述预测模块用于采集实时数据,并基于所述预测模型进行预测,得到预测结果,将所述实时数据进行采集,形成输入数据集,将所述输入数据集传递至所述预测模型中,以所述数据集作为传递函数的输入参数,通过所述预测模型可以获取在未来时间段内的参数输出集,进而得到关键参数的超实时变化趋势,实现对自然循环系统在不同工况下的瞬态特性的预测,得到所述预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211136825.7A CN115618999B (zh) | 2022-09-19 | 2022-09-19 | 一种海洋条件下自然循环系统瞬态特性预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211136825.7A CN115618999B (zh) | 2022-09-19 | 2022-09-19 | 一种海洋条件下自然循环系统瞬态特性预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618999A CN115618999A (zh) | 2023-01-17 |
CN115618999B true CN115618999B (zh) | 2023-04-28 |
Family
ID=84858700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211136825.7A Active CN115618999B (zh) | 2022-09-19 | 2022-09-19 | 一种海洋条件下自然循环系统瞬态特性预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618999B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084701A (zh) * | 2020-08-12 | 2020-12-15 | 扬州大学 | 一种基于数据驱动的系统瞬态温度预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7598623B2 (en) * | 2006-12-29 | 2009-10-06 | Cummins Power Generation Ip, Inc. | Distinguishing between different transient conditions for an electric power generation system |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN107609313B (zh) * | 2017-10-18 | 2020-09-25 | 哈尔滨工程大学 | 一种船用非能动安全系统可靠性分析方法 |
US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
CN112685976A (zh) * | 2021-01-05 | 2021-04-20 | 西安交通大学 | 一种运动条件下自然循环系统数值模拟方法 |
CN113948229B (zh) * | 2021-09-30 | 2023-08-01 | 西安交通大学 | 一种海洋核动力热管式余热排出系统稳定运行条件分析方法 |
CN114510887B (zh) * | 2022-01-20 | 2022-11-15 | 哈尔滨工程大学 | 一种基于代理模型的海洋条件下大容器液位快速预测方法 |
CN115017443A (zh) * | 2022-03-25 | 2022-09-06 | 哈尔滨工程大学 | 一种基于自适应代理模型的自然循环系统可靠性分析方法 |
-
2022
- 2022-09-19 CN CN202211136825.7A patent/CN115618999B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084701A (zh) * | 2020-08-12 | 2020-12-15 | 扬州大学 | 一种基于数据驱动的系统瞬态温度预测方法 |
Non-Patent Citations (1)
Title |
---|
郝亚雷 ; 鄢炳火 ; 杨星团 ; 伊雄鹰 ; .海洋条件下压水堆单相自然循环无量纲分析.核动力工程.2013,第34卷(第04期),第90页-94页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115618999A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Digital twin–driven aero-engine intelligent predictive maintenance | |
Zhang et al. | Computational fluid dynamics-based hull form optimization using approximation method | |
Wang et al. | An identification method of floating wind turbine tower responses using deep learning technology in the monitoring system | |
Kheirabadi et al. | A low-fidelity dynamic wind farm model for simulating time-varying wind conditions and floating platform motion | |
Qiu et al. | Multi-path deep learning framework on discrete pressure points to predict velocity field of pump-jet propulsor | |
CN112182747A (zh) | 用于船舶波浪增阻性能分析的仿真试验系统及方法 | |
Cao et al. | Digital twin real time monitoring method of turbine blade performance based on numerical simulation | |
CN113654756A (zh) | 一种海上浮式风机的主动式实时混合模型试验方法 | |
CN114510887B (zh) | 一种基于代理模型的海洋条件下大容器液位快速预测方法 | |
CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
CN113933016B (zh) | 一种模拟漂浮式风电机组运动响应的风洞试验装置与方法 | |
CN115293424A (zh) | 一种新能源最大发电能力计算方法、终端及存储介质 | |
Teksin et al. | Structure estimation of vertical axis wind turbine using artificial neural network | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN115618999B (zh) | 一种海洋条件下自然循环系统瞬态特性预测方法及系统 | |
CN117113725B (zh) | 参数摆式波浪能装置的获能分析方法 | |
Cao et al. | Flow field distribution and structural strength performance evaluation of fixed offshore wind turbine based on digital twin technology | |
KR102480382B1 (ko) | 인공지능 기반 풍하중 산정 시스템 | |
Chen et al. | A Study on Key Disciplinary Parameters of Artificial Intelligent-Based Analysis Method for Dynamic Response Prediction of Floating Offshore Wind Turbines | |
Lee et al. | Deterministic fatigue damage evaluation of semi-submersible platform for wind turbines using hydrodynamic-structure interaction analysis | |
Yao et al. | Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method | |
Sun et al. | Research on balancing method of single-stage rotor blade mass moment based on pointer network | |
Reig et al. | Efficient hydrodynamic analysis for preliminary design of Floating Offshore Wind substructures | |
Gräfe et al. | Machine learning based virtual load sensors for mooring lines using motion and lidar measurements | |
Mahmoud et al. | Designing and prototyping the architecture of a digital twin for wind turbine |
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 |