CN116595883B - 数值反应堆实时在线系统状态修正方法 - Google Patents
数值反应堆实时在线系统状态修正方法 Download PDFInfo
- Publication number
- CN116595883B CN116595883B CN202310586451.7A CN202310586451A CN116595883B CN 116595883 B CN116595883 B CN 116595883B CN 202310586451 A CN202310586451 A CN 202310586451A CN 116595883 B CN116595883 B CN 116595883B
- Authority
- CN
- China
- Prior art keywords
- result
- data
- correction
- system state
- classifier
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000001052 transient effect Effects 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000002826 coolant Substances 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
Abstract
一种数值反应堆实时在线系统状态修正方法,针对空间热离子反应堆TOPA‑II建立几何模型,在离线阶段基于实验平台和几何模型执行不同瞬态工况并采集工况数据后,通过聚类和归一化处理,对得到的分类数据分别训练不同类别下的神经网络,再根据数据分类结果训练分类器;在在线阶段,通过训练后的神经网络对收到的测量数据进行加权修正,并通过训练后的分类器对加权修正结果进行工况判断,反复迭代后将得到的判断结果储存在数据库中,然后采用基于Legendre函数的最小二乘法构建预测模型,并对神经网络输出的加权修正结果进行平滑处理输出;在没有接收到测量结果时,采用预测模型得到的预测结果与程序计算结果加权修正输出。本发明解决了在线测量数据在传输期间内模型无法获得可靠数据进行修正的问题。
Description
技术领域
本发明涉及的是一种反应堆控制领域的技术,具体是一种基于机器学习的数值反应堆实时在线系统状态修正方法。
背景技术
数值计算是一种必要的手段,其能够模拟和设计真实工况,预测时间序列发展,监控和控制真实世界,几乎在各个领域都有广泛的应用。尤其是在无法进行实验或实验耗资巨大的工程领域,数值计算更能凸显其优越性。但是,数值计算也有其局限性。为获取到较为精确的结果,计算工况越复杂,其所需要的计算资源越多,时间成本呈现指数倍上升。另一种方法是基于传感器、流量计等工具的测量方法,可以在短时间内获得置信度较高的结果,但是,其仍存在几点缺陷:一是测量点存在局限性,在实际工程中,测量点选取位置和范围有限,且测量物理量也有限,无法获知系统整体状态参数;二是测量结果仍不能达到实时性,
如在航天领域,传感器测量到结果的传输过程,仍存在时间差;三是测量结果依旧具有一定的误差。综上,计算模型能够获得全系统状态参数,但其难以同时满足实时性和精确性;在线测量方法能够在较短时间内获得较为可靠的结果,但不能获得全系统状态参数。
发明内容
本发明针对现有技术存在的上述不足,提出一种数值反应堆实时在线系统状态修正方法,其将实时模型计算结果与在线测量结果进行融合,从而获得高置信度结果,并将高置信度结果代入模型中从而获得更准确的系统状态。此外,采用基于Legendre函数的最小二乘法对数据进行平滑处理,构建预测模型,解决了在线测量数据在传输期间内模型无法获得可靠数据进行修正的问题。
本发明是通过以下技术方案实现的:
本发明涉及一种基于机器学习的数值反应堆实时在线系统状态修正方法,针对空间热离子反应堆TOPA-II建立仿真系统,在离线阶段基于实验平台和几何模型执行不同瞬态工况并采集工况数据后,通过聚类和归一化处理,对得到的分类数据分别训练不同类别下的神经网络,再根据数据分类结果训练分类器;在在线阶段,通过训练后的神经网络对收到的测量数据进行加权修正,并通过训练后的分类器对加权修正结果进行工况判断,反复迭代后将得到的判断结果储存在数据库中,然后采用基于Legendre函数的最小二乘法构建预测模型,并对神经网络输出的加权修正结果进行平滑处理输出;在没有接收到测量结果时,采用预测模型得到的预测结果与仿真系统的仿真结果加权修正输出。
所述的聚类,采用高斯混合聚类,具体为:通过EM算法进行最大似然估计每簇采集到的工况数据,即历史瞬态数据高斯分布的参数。
所述的分类器,采用高斯贝叶斯网络分类。
所述的在线阶段,具体包括:
步骤1:判断t时刻下是否收到测量数据,若接收到测量数据进入步骤2,否则进入步骤3;
步骤2:将t时刻下的低置信度结果与计算结果进行归一化处理后,输入分类器,进入步骤4;
步骤3:采用预测模型对t时刻观测点的物理量进行预测,并将仿真系统的仿真结果与预测结果加权平均获得修正值,进入步骤9;
所述的预测模型,基于Legendre函数的最小二乘法构建得到,该模型对修正后的数据进行滤波处理或基于已有的数据对未来短时间内的输出数据进行预测。
所述的系统状态是指:在数据空间构建真实物理世界的系统参数集合,从数量上反映真实物理世界的系统状态;
所述的仿真结果是指:仿真系统计算获得的在测量点上的物理量的大小。
步骤4:通过分类器判断使用哪个神经网络进行修正;
步骤5:神经网络基于归一化后的输入数据对计算结果进行修正;
步骤6:判断当满足以下任一条件时进入步骤8,否则进入步骤7,即:①是否达到最大修正次数,②两次修正结果的残差值是否小于修正值的3%;③修正结果与预测结果的差值小于修正值的3%;
步骤7:将修正结果替换计算结果,与步骤2得到的低置信度结果同时输入分类器后,重复步骤4-步骤6;
步骤8:采用预测模型对0到t时刻收到测量数据进行函数逼近,并预测t+1时刻的结果;
步骤9:将来自步骤3或者步骤8的结果反归一化,并重新代入仿真系统中计算t时刻下的系统状态参数,从而获得t时刻下系统状态。
技术效果
本发明通过在线预测模型修正和平滑,基于修正数据所构建的数据库,采用基于Legendre函数的最小二乘法构建预测模型,将测量数据与计算数据融合后代入计算模型中重新计算;通过分类器使得修正神经网络的复杂性降低,训练难度降低,且通过反复迭代能够尽可能充分利用已有的数据从而获得更高置信度的结果;与现有技术相比,本发明实现输出数据平滑处理,解决了在线测量数据在传输期间内模型无法获得可靠数据进行修正的问题;3.系统状态更新方法,解决了监控时可监测数据点有限问题,获得高置信度的系统状态,更为准确地反映物理世界的系统状态。
附图说明
图1为本发明流程图;
图2为本发明空间热离子反应堆TOPAZ-II仿真系统示意图;
图3为数据分类效果图;
图4为在线阶段接收测量数据后修正流程示意图;
图5为冷却剂平均温度修正结果,计算结果,测量结果与高置信度结果对比图;
图6为修正后系统各个参数修正结果,平滑结果与高置信度结果对比图;
图7为修正后冷却剂温度分布示意图。
具体实施方式
如图1所示,为本实施例涉及的一种基于机器学习的数值反应堆实时在线系统状态修正方法,首先构建如图2所示的空间热离子反应堆TOPA-II仿真系统,该系统采用但不限于中国专利文献号CN115270660A(具体可见专利空间热离子反应堆瞬态行为多尺度多物理场耦合分析方法)中记载的技术实现。
所述的状态修正方法,具体包括:
离线阶段:
步骤a:实验平台和计算模型同时执行功率从115kw到92.5kw的瞬态工况,收集各个时间节点下的带有高斯白噪声的冷却剂温度传感器数据和由模型计算获得的冷却剂平均温度,以及高置信度冷却剂温度测量数据,并构建数据库;
所述的计算模型是指:对实验平台的系统和过程建模获得的数学模型,在计算机上运行;
步骤b:采用高斯混合聚类算法对数据进行分类,共分为4个簇,其结果为图3所示。对分类后的数据分别做归一化处理,归一化处理公式为:(xi-xi,min)/(xi,max-xi,min),其中:x为第i类数据的参数,xi,min为第i类数据的参数的最小值,xi,max为第i类数据的参数的最大值;
步骤c:基于分类数据分别构建不同类别下的神经网络,以带有高斯白噪声的冷却剂温度传感器数据和由步骤a中的计算模型得到的冷却剂平均温度为输入,高置信度冷却剂温度测量数据为输出。
所述的神经网络采用全连接层神经网络,包括:800个神经元的输入层、5层隐含层和1个神经元的输出层,其中:隐含层中各层神经元数量分别为600,600,800,800,1000。
步骤d:基于数据分类结果,构建分类器,即冷却剂温度传感器数据和计算模型结果,判断接下来使用对应神经网络进行修正。分类器采用高斯贝叶斯网络分类器,输出为0,1,2,3,表明使用对应神经网络进行修正。
在线阶段:
步骤1:判断t时刻下是否收到测量数据,若接收到测量数据进入步骤2,否则进入步骤3;
步骤2:将t时刻下的传感器获得冷却剂平均温度数据与仿真系统的仿真结果进行归一化处理后输入高斯贝叶斯网络分类器,进入步骤4;
步骤3:采用预测模型对t时刻状态进行预测,并将仿真系统的仿真结果与预测结果加权平均获得修正值,即α×ycode,t+(1-α)×ypredict,t,其中:α为加权系数,取值为0.5。ycode,t为计算模型在t时刻下计算获得冷却剂平均温度,ypredict,t为预测模型在t时刻下的预测获得的冷却剂平均温度,进入步骤9;
步骤4:高斯贝叶斯网络分类器判断使用哪个神经网络进行修正;
步骤5:修正神经网络基于归一化后的冷却剂传感器平均温度数据与由模型计算获得的冷却剂平均温度对计算结果进行修正,如图4所示。
步骤6:判断是否达到收敛标准:①是否达到最大修正次数,最大修正次数为3;②两次修正结果的残差值是否小于修正值的3%;③修正结果与预测结果的差值小于修正值的3%,若三者满足其一,则进入步骤8,否则进入步骤7。
步骤7:将修正获得的冷却剂平均温度替换计算结果,与冷却剂传感器平均温度数据组成一组新的输入,输入分类器,重复步骤4,5,6。
步骤8:采用基于Legendre函数的最小二乘法对0到t时刻数据进行函数逼近,并预测t+1时刻的结果;
步骤9:将修正且平滑后的结果反归一化,并重新代入到计算模型中计算t时刻下的系统状态参数。
经过具体实际实验,在CPU:Intel Core 13th Generation CPU Product:Corei913900KF;运行内存:64GB;GPU:GeForce RTX 409024GB;系统:Ubuntu 20.04的具体环境设置下,模拟功率从115kw到92.5kw的瞬态工况,能够得到的实验数如图5和图6所示。从图5中所示,由模型计算获得的冷却剂平均温度以及传感器数据与高置信度数据间存在一定的偏差,由模型计算获得的冷却剂平均温度低于高置信度数据,而传感器数据则存在高斯白噪声而不断震荡。基于在线校正后,结果很好地逼近高置信度结果,且震荡有显著地降低,结果较为稳定。从图6所示,通过在线修改,除冷却剂温度外,反应堆系统各个参数,如慢化剂平均温度,接收极平均温度,不修改内外套管平均温度都被更新,与高置信度的最大误差小于1%,平均误差在0.5%以下。基于Legendre函数的最小二乘法对0到t时刻数据进行函数逼近后,实现了数据的光滑处理。整个瞬态计算过程,包括修正过程皆满足实时性要求。如图7所示,修正过程中冷却剂温度云图分布没有明显的不合理偏差。
与现有技术相比,本方法通过分类器和多个神经网络将传感器数据与模型计算进行实时地数据融合,从而获得更光滑,置信度更高的系统状态,从而实现对现实世界的物理系统进行实时地,全方面的系统监测。
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 (6)
1.一种基于机器学习的数值反应堆实时在线系统状态修正方法,其特征在于,针对空间热离子反应堆TOPA-II建立仿真系统,在离线阶段基于实验平台和几何模型执行不同瞬态工况并采集工况数据后,通过聚类和归一化处理,对得到的分类数据分别训练不同类别下的神经网络,再根据数据分类结果训练分类器;在在线阶段,通过训练后的神经网络对收到的测量数据进行加权修正,并通过训练后的分类器对加权修正结果进行工况判断,反复迭代后将得到的判断结果储存在数据库中,然后采用基于Legendre函数的最小二乘法构建预测模型,并对神经网络输出的加权修正结果进行平滑处理输出;在没有接收到测量结果时,采用预测模型得到的预测结果与仿真系统的仿真结果加权修正输出;
所述的离线阶段包括:
步骤a:实验平台和计算模型同时执行功率从115kw到92.5kw的瞬态工况,收集各个时间节点下的带有高斯白噪声的冷却剂温度传感器数据和由模型计算获得的冷却剂平均温度,以及高置信度冷却剂温度测量数据,并构建数据库;
步骤b:采用高斯混合聚类算法对数据进行分类,对分类后的数据分别做归一化处理,归一化处理公式为:(xi-xi,min)/(xi,max-xi,min),其中:x为第i类数据的参数,xi,min为第i类数据的参数的最小值,xi,max为第i类数据的参数的最大值;
步骤c:基于分类数据分别构建不同类别下的神经网络,以带有高斯白噪声的冷却剂温度传感器数据和由步骤a中的计算模型得到的冷却剂平均温度为输入,高置信度冷却剂温度测量数据为输出;
步骤d:基于数据分类结果,构建分类器,即冷却剂温度传感器数据和计算模型结果,判断接下来使用对应神经网络进行修正;
所述的在线阶段,具体包括:
步骤1:判断t时刻下是否收到测量数据,若接收到测量数据进入步骤2,否则进入步骤3;
步骤2:将t时刻下的低置信度结果与计算结果进行归一化处理后,输入分类器,进入步骤4;
步骤3:采用预测模型对t时刻观测点的物理量进行预测,并将仿真系统的仿真结果,即仿真系统计算获得的在测量点上的物理量的大小与预测结果加权平均获得修正值,进入步骤9;
步骤4:通过分类器判断使用哪个神经网络进行修正;
步骤5:神经网络基于归一化后的输入数据对计算结果进行修正;
步骤6:判断当满足以下任一条件时进入步骤8,否则进入步骤7,即:①是否达到最大修正次数,②两次修正结果的残差值是否小于修正值的3%;③修正结果与预测结果的差值小于修正值的3%;
步骤7:将修正结果替换计算结果,与步骤2得到的低置信度结果同时输入分类器后,重复步骤4-步骤6;
步骤8:采用预测模型对0到t时刻收到测量数据进行函数逼近,并预测t+1时刻的结果;
步骤9:将来自步骤3或者步骤8的结果反归一化,并重新代入仿真系统中计算t时刻下的系统状态参数,从而获得t时刻下系统状态。
2.根据权利要求1所述的基于机器学习的数值反应堆实时在线系统状态修正方法,其特征是,所述的聚类,采用高斯混合聚类,具体为:通过EM算法进行最大似然估计每簇采集到的工况数据,即历史瞬态数据高斯分布的参数。
3.根据权利要求1所述的基于机器学习的数值反应堆实时在线系统状态修正方法,其特征是,所述的神经网络采用全连接层神经网络,包括:800个神经元的输入层、5层隐含层和1个神经元的输出层,其中:隐含层中各层神经元数量分别为600,600,800,800,1000。
4.根据权利要求1所述的基于机器学习的数值反应堆实时在线系统状态修正方法,其特征是,所述的分类器采用高斯贝叶斯网络分类器,输出为0,1,2,3,表明使用对应神经网络进行修正。
5.根据权利要求1所述的基于机器学习的数值反应堆实时在线系统状态修正方法,其特征是,所述的预测模型,基于Legendre函数的最小二乘法构建得到,该模型对修正后的数据进行滤波处理或基于已有的数据对未来短时间内的输出数据进行预测。
6.根据权利要求1所述的基于机器学习的数值反应堆实时在线系统状态修正方法,其特征是,所述的系统状态是指:在数据空间构建真实物理世界的系统参数集合,从数量上反映真实物理世界的系统状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586451.7A CN116595883B (zh) | 2023-05-24 | 2023-05-24 | 数值反应堆实时在线系统状态修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310586451.7A CN116595883B (zh) | 2023-05-24 | 2023-05-24 | 数值反应堆实时在线系统状态修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595883A CN116595883A (zh) | 2023-08-15 |
CN116595883B true CN116595883B (zh) | 2024-03-01 |
Family
ID=87611291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310586451.7A Active CN116595883B (zh) | 2023-05-24 | 2023-05-24 | 数值反应堆实时在线系统状态修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595883B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09211177A (ja) * | 1996-02-07 | 1997-08-15 | Hitachi Ltd | 混合酸化物燃料を使用する原子炉の炉心性能予測監視装置および予測方法 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
CN110222371A (zh) * | 2019-05-05 | 2019-09-10 | 北京大学 | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 |
CN112364527A (zh) * | 2020-12-02 | 2021-02-12 | 岳文琦 | 一种基于aliesn在线学习算法的脱丁烷塔软测量建模方法 |
CN113096841A (zh) * | 2021-03-29 | 2021-07-09 | 中国科学院上海应用物理研究所 | 一种反应堆系统防核扩散性能评估方法 |
CN113722877A (zh) * | 2021-07-14 | 2021-11-30 | 广东工业大学 | 一种对锂电池放电时温度场分布变化进行在线预测的方法 |
WO2022171788A1 (de) * | 2021-02-11 | 2022-08-18 | Uhde Inventa-Fischer Gmbh | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten |
CN115270660A (zh) * | 2022-08-04 | 2022-11-01 | 上海交通大学 | 空间热离子反应堆瞬态行为多尺度多物理场耦合分析方法 |
CN115511208A (zh) * | 2022-10-19 | 2022-12-23 | 上海交通大学 | 板状元件矩形窄缝再淹没液滴夹带行为预测方法 |
CN115618732A (zh) * | 2022-10-24 | 2023-01-17 | 上海交通大学 | 核反应堆数字孪生关键参数自主优化数据反演方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
JP7460657B2 (ja) * | 2019-05-09 | 2024-04-02 | アスペンテック・コーポレーション | 機械学習を専門知識及び第一原理と組み合わせて行うプロセス産業のモデリング |
-
2023
- 2023-05-24 CN CN202310586451.7A patent/CN116595883B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09211177A (ja) * | 1996-02-07 | 1997-08-15 | Hitachi Ltd | 混合酸化物燃料を使用する原子炉の炉心性能予測監視装置および予測方法 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
CN110222371A (zh) * | 2019-05-05 | 2019-09-10 | 北京大学 | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 |
CN112364527A (zh) * | 2020-12-02 | 2021-02-12 | 岳文琦 | 一种基于aliesn在线学习算法的脱丁烷塔软测量建模方法 |
WO2022171788A1 (de) * | 2021-02-11 | 2022-08-18 | Uhde Inventa-Fischer Gmbh | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten |
CN113096841A (zh) * | 2021-03-29 | 2021-07-09 | 中国科学院上海应用物理研究所 | 一种反应堆系统防核扩散性能评估方法 |
CN113722877A (zh) * | 2021-07-14 | 2021-11-30 | 广东工业大学 | 一种对锂电池放电时温度场分布变化进行在线预测的方法 |
CN115270660A (zh) * | 2022-08-04 | 2022-11-01 | 上海交通大学 | 空间热离子反应堆瞬态行为多尺度多物理场耦合分析方法 |
CN115511208A (zh) * | 2022-10-19 | 2022-12-23 | 上海交通大学 | 板状元件矩形窄缝再淹没液滴夹带行为预测方法 |
CN115618732A (zh) * | 2022-10-24 | 2023-01-17 | 上海交通大学 | 核反应堆数字孪生关键参数自主优化数据反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116595883A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN110210654A (zh) | 产品模型设计系统及方法 | |
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
CN111638707A (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
CN116109004A (zh) | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
Wu et al. | Custom machine learning architectures: towards realtime anomaly detection for flight testing | |
CN115577290A (zh) | 一种基于深度学习的配网故障分类及源定位方法 |
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 |