CN116595885A - 小型反应堆轻量化屏蔽深度耦合优化方法 - Google Patents
小型反应堆轻量化屏蔽深度耦合优化方法 Download PDFInfo
- Publication number
- CN116595885A CN116595885A CN202310617361.XA CN202310617361A CN116595885A CN 116595885 A CN116595885 A CN 116595885A CN 202310617361 A CN202310617361 A CN 202310617361A CN 116595885 A CN116595885 A CN 116595885A
- Authority
- CN
- China
- Prior art keywords
- shielding
- neural network
- weight
- unit
- genetic algorithm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000010168 coupling process Methods 0.000 title claims abstract description 32
- 230000008878 coupling Effects 0.000 title claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 230000002068 genetic effect Effects 0.000 claims abstract description 47
- 238000013461 design Methods 0.000 claims abstract description 43
- 230000035945 sensitivity Effects 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 230000005855 radiation Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 29
- 238000012216 screening Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000010353 genetic engineering Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 31
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- AFAUWLCCQOEICZ-UHFFFAOYSA-N helium xenon Chemical compound [He].[Xe] AFAUWLCCQOEICZ-UHFFFAOYSA-N 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- NMFHJNAPXOMSRX-PUPDPRJKSA-N [(1r)-3-(3,4-dimethoxyphenyl)-1-[3-(2-morpholin-4-ylethoxy)phenyl]propyl] (2s)-1-[(2s)-2-(3,4,5-trimethoxyphenyl)butanoyl]piperidine-2-carboxylate Chemical compound C([C@@H](OC(=O)[C@@H]1CCCCN1C(=O)[C@@H](CC)C=1C=C(OC)C(OC)=C(OC)C=1)C=1C=C(OCCN2CCOCC2)C=CC=1)CC1=CC=C(OC)C(OC)=C1 NMFHJNAPXOMSRX-PUPDPRJKSA-N 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000010200 validation analysis 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种小型反应堆轻量化屏蔽深度耦合优化方法,在离线阶段构建BP神经网络模型,并以反应堆蒙卡软件RMC批量生成训练样本对BP神经网络模型进行训练后;在在线阶段基于训练后的BP神经网络模型,根据平均自由程数输出相应的辐射剂量、屏蔽体总重量和体积,并进而利用基于方差分解思想的Sobol方法计算得到一阶敏感性指数,基于敏感性指数对遗传算法进行参数重构后,通过优化的遗传算法迭代得到优化屏蔽深度。本发明同时引入精度和召回率两个评价指标,对神经网络预测准确性和遗传算法逐代寻优能力进行量化评估,有助于提高小型反应堆轻量化屏蔽设计的效率和屏蔽方案的最优化。
Description
技术领域
本发明涉及的是一种核反应堆设计领域的技术,具体是一种基于Sobol的改进精度(Precision)和召回率(Recall)的小型反应堆轻量化屏蔽深度耦合优化方法。
背景技术
对小型反应堆进行轻量化屏蔽设计时,通常采用神经网络和遗传算法相结合的智能优化方法,利用遗传算法对初始屏蔽方案进行迭代寻优,同时利用神经网络对迭代过程中构建的屏蔽方案进行预测评估,直至筛选出最佳方案。随着反应堆屏蔽模型越来越复杂,各设计变量对设计目标的影响并不相同,需用具体指标来量化设计变量对不同设计目标的影响程度,仅靠现行的浅耦合框架无法给出这一类指标,且传统方法寻优效率低下。为了实现小型反应堆轻量化屏蔽设计过程中的深度耦合优化过程,进行更具针对性的轻量化屏蔽设计,需要建立起新型智能优化方法来实现快速寻优。
发明内容
本发明针对现有轻量化屏蔽设计方法中因浅耦合带来的寻优预测精度低的缺陷,以及使用神经网络和遗传算法对小型反应堆进行轻量化屏蔽设计时,因为计算模块之间的浅耦合导致的寻优效率低下的不足,提出了一种小型反应堆轻量化屏蔽深度耦合优化方法,采用基于方差分解思想的Sobol全局敏感性分析方法,通过合理简化神经网络中的输入参数,计算设计变量与设计目标间的敏感性指数,用以指导遗传算法中适应度函数的设置,同时引入精度和召回率两个评价指标,对神经网络预测准确性和遗传算法逐代寻优能力进行量化评估,有助于提高小型反应堆轻量化屏蔽设计的效率和屏蔽方案的最优化,为小型反应堆的轻量化屏蔽设计提供技术支撑。
本发明是通过以下技术方案实现的:
本发明涉及一种基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,在离线阶段构建BP神经网络模型,并以反应堆蒙卡软件RMC批量生成训练样本对BP神经网络模型进行训练后;在在线阶段基于训练后的BP神经网络模型,根据平均自由程数输出相应的辐射剂量、屏蔽体总重量和体积,并进而利用基于方差分解思想的Sobol方法计算得到一阶敏感性指数,基于敏感性指数对遗传算法进行参数重构后,通过优化的遗传算法迭代得到能够同时满足辐射剂量、屏蔽层重量和体积限值的优化屏蔽深度。
所述的BP神经网络模型网络的输入项为各屏蔽层的平均自由程数,即处于特定能量范围的某种粒子在某种材料构成的屏蔽介质中发生某种反应的平均次数,神经网络的输出为各设计方案对应的辐射剂量、屏蔽体总重量和体积,该BP神经网络模型网络包括:输入层、两个隐含层和输出层,各层神经元数量分别为7、16、8、3,输入层、隐含层的激活函数为RELU函数。
所述的平均自由程数,由能谱、微观反应截面、材料密度和屏蔽层厚度计算得到,具体为:穿过某特定屏蔽层的特定射线的平均自由程数其中:αi为第i个核素的质量比,σj为第j种反应的微观截面,ρ为材料密度,d为材料所构成的屏蔽层厚度,Na为阿伏伽德罗常数,A为该材料的平均摩尔质量。
所述的一阶敏感性指数其中:Vi为设计变量xi,即平均自由程数与输出响应间的相对方差,Vi=Varxi(E(f|xi));V为输出响应的绝对方差,V=Var[f(X)]。
所述的参数重构是指:根据遗传算法中的目标适应度函数为F(X)=ω1f1+ω2f2+ω3f3,其中:f1~f3是各子目标适应度函数,分别代表辐射剂量、屏蔽层重量和体积;对各子目标适应度函数所占权重ω1~ω3进行重构,具体为: 其中:S1、S2、S3分别为计算得到的一阶敏感性指数。
所述的理想解是指输出的解集中能够同时满足辐射剂量、屏蔽层重量和体积限值的设计样本。
所述的遗传算法迭代,具体包括:
①设置遗传算法约束条件:其中:xj为一组屏蔽优化设计方案所对应的设计变量,Lj和Uj分别为对应设计参数的取值上下限;X为一个特定辐射屏蔽方案的设计参数向量;R为向量X的取值空间;f1、f2、f3是各子目标适应度函数,分别对应屏蔽层最外侧中光子辐射总剂量、屏蔽体重量和全堆体积;ω1~ω3为各子函数所占权重;f1(0)、f2(0)、f3(0)分别为总剂量、总重量和总体积的参考约束值;Vm为屏蔽体第m个屏蔽层的体积,ρm为对应于第m个屏蔽层的材料密度;F(X)为屏蔽设计优化问题的目标适应度函数。
②逐代运行遗传算法,对每一代产生的个体进行解码评估,用精度和召回率两个指标逐代统计不同筛选准则下利用该深度耦合框架在迭代过程中输出的结果至迭代结束,具体为:针对同一个屏蔽方案,将通过蒙卡方法算得的结果视为真值,将通过神经网络模型输出的结果视为预测值,构建二维混淆矩阵,矩阵中包含四种属性:真阳(TP,真值和预测值均小于阈值)、假阳(FP,真值大于阈值,预测值小于阈值)、假阴(FN,真值小于阈值,预测值大于阈值)、真阴(TN,真值大于阈值,预测值小于阈值),分别计算精度和召回率,并在迭代过程中保留每一代中所有属性为TP的样本进入下一代循环。
本发明中的遗传算法得到的解集中的理想解占比与优化前按对应筛选准则得到的结果相比,分别提高了52%、38%、36%。
所述的不同筛选准则是指基于适应度函数和其中各子目标适应度函数分配的权重大小设定以下三种标准:a.真值和预测值同时满足f1<f1(0);b.真值和预测值同时满足f1<f1(0),f3<f3(0);c.真值和预测值同时满足f1<f1(0),f2<f2(0),f3<f3(0)分别按照不同筛选准则从深度耦合框架每一代新产生的种群中保留符合条件的个体至下一次迭代直至结束。
所述的精度即属性为真阳的样本个数与预测值为阳性的样本总数之间的比值,精度越高,神经网络预测能力越强。
所述的召回率即属性为真阳的样本个数与真值为阳性的样本总数之间的比值,召回率越高,代表经遗传算法寻优输出的解集中理想解的数量越多,算法的寻优能力就越可靠。
本发明涉及一种实现上述方法的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化系统,包括:蒙特卡罗模块、神经网络模块、敏感性计算及参数重构模块和遗传算法模块,其中:蒙特卡罗模块根据堆芯及屏蔽体的几何与材料信息及源项信息,进行固定源计算,得到堆外辐射剂量信息,同步计算出屏蔽体的重量及全堆体积并整合为各屏蔽层对应的平均自由程数;神经网络模块将平均自由程数作为输入项,将蒙卡模块固定源计算得到的堆外辐射剂量信息及同步计算出的屏蔽体重量和全堆体积作为输出项并对神经网络进行回归训练,直至预测值和真实值之间的平均绝对误差收敛;敏感性计算及参数重构模块根据神经网络模块中训练样本特征,随机生成新的计算样本,利用神经网络模块生成随机生成的计算样本对应的辐射剂量、屏蔽体的重量及全堆体积的预测值,即输出响应,进而分别计算V=Var[f(X)]和Vi=Varxi(E(f|xi)),得到各设计变量分别对辐射剂量、屏蔽体的重量及全堆体积的一阶敏感性指数和遗传算法目标适应度函数;优化后的遗传算法模块根据初始屏蔽方案信息,采用二进制编码方式将方案信息转换为染色体片段,逐代随机进行片段交叉和变异生成新的屏蔽方案,利用神经网络模块和蒙特卡罗模块对新方案进行计算评价,即通过神经网络模块输出各方案对应的预测值,蒙特卡罗模块输出各方案对应的真值,对比真值和预测值,计算精度和召回率。
所述的蒙特卡罗模块包括:几何结构单元、材料信息单元、源项信息单元、计算单元和计数器单元,其中:几何结构单元根据曲面交并运算定义栅元,再将栅元进行组合构成由多个层级空间组成的全堆模型。材料信息单元根据材料密度、核素份额信息,对几何结构单元中的栅元进行填充处理,将全堆模型中各栅元赋予相应材料。源项信息单元根据计算用途和源粒子的起始位置分布,定义粒子种类、初始位置、初始能量和初始飞行方向,得到模型完整源项信息,计算单元根据源项信息,选择计算模式,得到系统内中子分布随空间、能量和时间的变化。计数器单元用来统计固定区域内的辐射剂量。
所述的神经网络模块包括:数据读取单元、训练单元和评估单元,其中:数据读取单元根据蒙特卡罗模块提供的训练样本信息将批量数据分为训练集、测试集和验证集,提取输入项和输出项,训练单元根据输入输出信息,进行回归训练,得到使系统误差最小的权重参数。评估单元根据真实值和预测值信息,计算平均绝对误差,得到训练1000次的结果。
所述的敏感性计算及参数重构模块包括:敏感性计算单元和参数重构单元,其中:敏感性计算单元利用训练完成的神经网络模块随机产生的样本,计算样本输入与输出响应之间的相对方差和输出响应的绝对方差,利用一阶敏感性公式计算得到各设计变量分别对辐射剂量、屏蔽体的重量及全堆体积的一阶敏感性指数Si。参数重构单元利用算得的一阶敏感性指数重构遗传算法目标适应度函数,计算得到遗传算法目标适应度函数F(X)=ω1f1+ω2f2+ω3f3中所包含的子函数f1、f2、f3所占权重ω1~ω3。
所述的遗传算法模块包括:遗传操作单元和计数器单元,其中:遗传操作单元对各屏蔽方案所转换成的染色体编码信息,进行片段交叉、变异处理,得到全新的染色体片段,即新屏蔽方案,计数单元对当前迭代步进行计数,直到达到初始设定的迭代次数终止。
技术效果
本发明采用基于方差分解思想的Sobol全局敏感性分析方法,通过合理简化神经网络中的输入参数,计算出设计变量与设计目标间的敏感性指数,用以指导遗传算法中适应度函数的设置,同时引入精度和召回率两个评价指标,对神经网络预测准确性和遗传算法逐代寻优能力进行量化评估;通过逐代运行优化后的遗传算法,对每一代产生的个体进行解码评估,用精度和召回率两个指标逐代统计不同筛选准则下利用该深度耦合框架在迭代过程中输出的结果至迭代结束,得到的解集中的理想解占比与优化前按对应筛选准则得到的结果相比,分别提高了52%、38%、36%。
附图说明
图1为本发明流程图;
图2为实施例的流程图;
图3为建立单个训练样本的流程图
图4为实施例小型氦氙冷却反应堆外中光子能谱示意图;
图5为神经网络训练过程中平均绝对误差随迭代次数的变化曲线图;
图6为在筛选准则1的前提下实施例效果图;
图7为在筛选准则2的前提下实施例效果图;
图8为在筛选准则3的前提下实施例效果图。
具体实施方式
本实施例在小型氦氙冷却反应堆中实施,堆芯内部各结构及反射层所用材料如表1所示,反应堆设计功率为20MW。
表1.堆芯内部各结构及反射层所用材料
如图1所示,为本实施例基于上述小型氦氙冷却反应堆的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,包括:
步骤1、选择的屏蔽材料构建屏蔽体,本实施例共选取三种中子屏蔽材料,六种光子屏蔽材料作为备选,如表2所示。
表2.备选屏蔽材料
上述材料均为屏蔽设计实际应用中较为常见的屏蔽材料,对中子/光子的屏蔽性能显著。
步骤2、构建BP神经网络模型:利用表2中提供的屏蔽材料密度,中子屏蔽材料的截面选取四个能量点(2.53×10-8MeV、1×10-2MeV、1×10-1MeV、1MeV),光子屏蔽材料的截面选取四个能量点(1×10-3MeV、1×10-2MeV、1×10-1MeV、1MeV)。计算各材料在对应能量下对中子和光子的宏观反应截面,结果如表3所示。结合各屏蔽层具体厚度,计算得到各层对应的平均自由程数,作为BP网络模型的输入。
表3.材料对应宏观截面
步骤3、生成训练样本,流程如图3:训练样本中所包含的的屏蔽材料组合方案以及各层厚度变化范围如表4所示。
如图3,本实施例中屏蔽层设置为7层,在各层厚度范围内均匀抽样设置屏蔽层,利用反应堆蒙卡软件RMC进行中光子耦合输运计算,源项设置为体源,固定源计算,且N=10000000,即一共模拟一千万粒子。本实施例在屏蔽体最外侧布置厚度为5cm的空气作为剂量统计区域并沿轴向进行统计区域划分,每个区域高度为5cm,即共分为100/5=20个统计区域。将每次计算单个样本得到的各统计区域内辐射剂量最大值以及该样本对应的屏蔽体重量和全堆体积进行统计整理。对不同厚度的屏蔽方案重复上述计算过程,统计结果,批量生成600条训练样本。
表4.屏蔽样本
步骤4、训练神经网络,具体包括:
4.1)将步骤3得到的训练样本中各屏蔽层厚度与对应材料的宏观截面求积得到各层对应的平均自由程数作为神经网络的输入项;
4.2)将训练样本中各屏蔽方案对应的辐射剂量、屏蔽体厚度和体积一并作为神经网络的输出项;
4.3)使用随机梯度下降(SGD)方法进行训练,以最小化预测值和真实值之间的平均绝对误差作为损失函数,其中r代表真实值,r’代表预测值,N代表样本数量。
4.4)设置mini-batch为32,基础学习率设置为0.1,训练集、测试集、验证集的数量比为7:2:1。如图4所示,为输出的MAE随训练迭代次数的变化曲线。针对验证集中的同个样本,将经网络预测得到的辐射剂量与RMC输出的辐射剂量进行对比,得到的相对误差信息如表5所示。
表5.验证集与RMC输出结果(剂量)的相对误差
当输出剂量保持在102量级及以上时,经神经网络预测得到的结果与RMC输出的结果相比,误差可稳定保持在20%范围以内。
步骤5、计算敏感性指数,具体包括:
5.1)随机生成M条屏蔽方案样本,构建M×D维矩阵X,D中的每一列为各样本中每一层的平均自由程数,利用步骤4训练后的神经网络输出矩阵X中每一行屏蔽方案样本对应的辐射剂量、屏蔽体总重量和全堆体积,得到三组输出列向量f(X)j;
5.2)将矩阵X分为两个N×D矩阵A、B,进而构建N×2D维矩阵T,该矩阵T的前D列为矩阵A,后D列为矩阵B,利用步骤4训练后的神经网络输出矩阵A、B中每一行屏蔽方案样本对应的辐射剂量、屏蔽体总重量和全堆体积,得到三组输出列向量f(A)j,f(B)j;
5.3)继续构建若干N×D矩阵ABi,对于i=1,2,……,d,使得ABi的第i列等于B的第i列,ABi的其余列来自A;对所有ABi矩阵,利用步骤4训练后的神经网络输出矩阵中每一行屏蔽方案样本对应的辐射剂量、屏蔽体总重量和全堆体积,得到三组输出列向量f(ABi)j。
5.4)计算输入分别和辐射剂量、屏蔽体总重量、全堆体积这三组输出之间的一阶敏感性指数其中:V=Var[f(X)],/>
本实施例利用步骤4中训练后的神经网络输出随机生成的十条屏蔽样本的预测结果,即M=10,D=7,进而分别构建出矩阵X、T、A、B、ABi(i=1,2,……7)以及对应辐射剂量、屏蔽体总重量和全堆体积的输出列向量f(X)j、f(A)j、f(B)j、f(ABi)j,其中p=1,2,3。利用一阶敏感性指数公式计算各层平均自由程数与输出响应之间的敏感性指数,结果如表6所示。将各单层平均自由程数与输出之间的敏感性指数求和,即得到总平均自由程数与剂量、屏蔽体重量和体积之间的敏感性指数S1=-0.526、S2=0.446、S3=0.495。
表6.各层平均自由程与输出响应之间的敏感性指数
步骤6、利用步骤5得到的一阶敏感性指数,按照图2所示对遗传算法适应度函数中的各项权重进行重构,具体为: F(X)=0.359f1+0.314f2+0.337f3。
本实施例中目标限值f1(0)=200mrem/h、f2(0)=45t、f3(0)=10m3,f1(0)-f3(0)亦为统计精度和召回率过程中设置的阈值。种群数量设置为50,迭代次数设置为100,变异概率设置为0.02,交叉概率设置为0.5。设置三种不同的个体筛选准则,如表7所示。利用精度和召回率两个指标逐代对神经网络的预测能力和遗传算法的寻优性能进行评价,获得三种不同个体筛选准则下的实施例效果图,即精度-召回率曲线,如图5-图7所示。
表7.筛选准则
步骤7、评估计算效果:当依照表7中筛选准则1作为遗传算法迭代过程中个体保留的依据时,图5中曲线上最后一点处坐标为(1,0.72),即经遗传算法寻优得到的最终解集中所有样本都可满足f1<200mrem/h;同时经蒙卡验证,神经网络模型的预测精度可达72%。当依照表7中筛选准则2作为遗传算法迭代过程中个体保留的依据时,图6中曲线上最后一点处坐标为(0.80,0.67),即经遗传算法寻优得到的最终解集中有80%样本都可满足f1<200mrem/h,f3<10m3;同时经蒙卡验证,神经网络模型的预测精度可达67%。当依照表7中筛选准则3作为遗传算法迭代过程中个体保留的依据时,图7中曲线上最后一点处坐标为(0.78,0.65),即经遗传算法寻优得到的最终解集中有78%样本都可满足f1<200mrem/h,f2<45t,f3<10m3;同时经蒙卡验证,神经网络模型的预测精度可达65%。
采用本方法对小型反应堆进行轻量化屏蔽设计优化,实施例最终给出的解集中所包含的理想解占比保持在75%以上,神经网络的预测精度波动也保持在10%以内。与通过浅耦合方法所获得的理想解比例之间的对比如表8所示。
表8.本发明与浅耦合优化方法在寻优效果上的对比
根据表8,迭代结束时不同筛选准则下利用该深度耦合框架在迭代过程中输出的结果,得到的解集中的理想解占比与优化前按对应筛选准则迭代相同次数得到的结果相比,分别提高了52%、38%、36%。这为设计者选择理想方案提供了更多空间,为小型反应堆的轻量化屏蔽设计提供技术支撑,具有更高的工程实用意义。
与现有技术相比,本发明通过利用Sobol方法计算敏感性指数,以此量化屏蔽设计中各个设计变量于各设计目标间的敏感性,并依据敏感性程度确定屏蔽设计优化时各设计目标的重要性程度,最终重构目标适应度函数中的各子目标函数权重,通过算法间的深度耦合,在设计变量和设计目标间建立了紧密联系,使得遗传算法寻优过程更加具有趋向性、合理性。引入精度和召回率两个指标进行对比验证发现,在迭代相同次数且采取相同筛选准则的前提下,深度耦合框架寻优后输出的解集中的理想解占比与优化前得到的结果相比,分别提高了52%、38%、36%。这为设计者选择理想方案提供了更多空间,为小型反应堆的轻量化屏蔽设计提供技术支撑,具有更高的工程实用意义。
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 (10)
1.一种基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,其特征在于,在离线阶段构建BP神经网络模型,并以反应堆蒙卡软件RMC批量生成训练样本对BP神经网络模型进行训练后;在在线阶段基于训练后的BP神经网络模型,根据平均自由程数输出相应的辐射剂量、屏蔽体总重量和体积,并进而利用基于方差分解思想的Sobol方法计算得到一阶敏感性指数,基于敏感性指数对遗传算法进行参数重构后,通过优化的遗传算法迭代得到能够同时满足辐射剂量、屏蔽层重量和体积限值的优化屏蔽深度。
2.根据权利要求1所述的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,其特征是,所述的BP神经网络模型网络的输入项为各屏蔽层的平均自由程数,即处于特定能量范围的某种粒子在某种材料构成的屏蔽介质中发生某种反应的平均次数,神经网络的输出为各设计方案对应的辐射剂量、屏蔽体总重量和体积,该BP神经网络模型网络包括:输入层、两个隐含层和输出层,各层神经元数量分别为7、16、8、3,输入层、隐含层的激活函数为RELU函数;
所述的平均自由程数,由能谱、微观反应截面、材料密度和屏蔽层厚度计算得到,具体为:穿过某特定屏蔽层的特定射线的平均自由程数其中:αi为第i个核素的质量比,σj为第j种反应的微观截面,ρ为材料密度,d为材料所构成的屏蔽层厚度,Na为阿伏伽德罗常数,A为该材料的平均摩尔质量。
3.根据权利要求1所述的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,其特征是,所述的一阶敏感性指数其中:Vi为设计变量xi,即平均自由程数与输出响应间的相对方差,Vi=Varxi(E(f|xi));V为输出响应的绝对方差,V=Varf(X)]。
4.根据权利要求1所述的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,其特征是,所述的参数重构是指:根据遗传算法中的目标适应度函数为F(X)=ω1f1+ω2f2+ω3f3,其中:f1~f3是各子目标适应度函数,分别代表辐射剂量、屏蔽层重量和体积;对各子目标适应度函数所占权重ω1~ω3进行重构,具体为: 其中:S1、S2、S3分别为计算得到的一阶敏感性指数。
5.根据权利要求1所述的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化方法,其特征是,所述的遗传算法迭代,具体包括:
①设置遗传算法约束条件:其中:xj为一组屏蔽优化设计方案所对应的设计变量,Lj和Uj分别为对应设计参数的取值上下限;X为一个特定辐射屏蔽方案的设计参数向量;R为向量X的取值空间;f1、f2、f3是各子目标适应度函数,分别对应屏蔽层最外侧中光子辐射总剂量、屏蔽体重量和全堆体积;ω1~ω3各子函数所占权重;f1(0)、f2(0)、f3(0)分别为总剂量、总重量和总体积的参考约束值;Vm为屏蔽体第m个屏蔽层的体积,ρm为对应于第m个屏蔽层的材料密度;F(X)为屏蔽设计优化问题的目标适应度函数;
②逐代运行遗传算法,对每一代产生的个体进行解码评估,用精度和召回率两个指标逐代统计不同筛选准则下利用该深度耦合框架在迭代过程中输出的结果至迭代结束,具体为:针对同一个屏蔽方案,将通过蒙卡方法算得的结果视为真值,将通过神经网络模型输出的结果视为预测值,构建二维混淆矩阵,矩阵中包含四种属性:真阳(TP,真值和预测值均小于阈值)、假阳(FP,真值大于阈值,预测值小于阈值)、假阴(FN,真值小于阈值,预测值大于阈值)、真阴(TN,真值大于阈值,预测值小于阈值),分别计算精度和召回率,并在迭代过程中保留每一代中所有属性为TP的样本进入下一代循环;
所述的精度即属性为真阳的样本个数与预测值为阳性的样本总数之间的比值,精度越高,神经网络预测能力越强;
所述的召回率即属性为真阳的样本个数与真值为阳性的样本总数之间的比值,召回率越高,代表经遗传算法寻优输出的解集中理想解的数量越多,算法的寻优能力就越可靠;
所述的不同筛选准则是指:基于适应度函数和其中各子目标适应度函数分配的权重大小设定以下三种标准:a.真值和预测值同时满足f1<f1(0);b.真值和预测值同时满足f1<f1(0),f3<f3(0);c.真值和预测值同时满足f1<f1(0),f2<f2(0),f3<f3(0)分别按照不同筛选准则从深度耦合框架每一代新产生的种群中保留符合条件的个体至下一次迭代直至结束。
6.一种实现权利要求1-5中任一所述方法的基于Sobol-PR算法的小型反应堆轻量化屏蔽深度耦合优化系统,其特征在于,包括:蒙特卡罗模块、神经网络模块、敏感性计算及参数重构模块和遗传算法模块,其中:蒙特卡罗模块根据堆芯及屏蔽体的几何与材料信息及源项信息,进行固定源计算,得到堆外辐射剂量信息,同步计算出屏蔽体的重量及全堆体积并整合为各屏蔽层对应的平均自由程数;神经网络模块将平均自由程数作为输入项,将蒙卡模块固定源计算得到的堆外辐射剂量信息及同步计算出的屏蔽体重量和全堆体积作为输出项并对神经网络进行回归训练,直至预测值和真实值之间的平均绝对误差收敛;敏感性计算及参数重构模块根据神经网络模块中训练样本特征,随机生成新的计算样本,利用神经网络模块生成随机生成的计算样本对应的辐射剂量、屏蔽体的重量及全堆体积的预测值,即输出响应,进而分别计算V=Var[f(X)]和Vi=Varxi(E(f|xi)),得到各设计变量分别对辐射剂量、屏蔽体的重量及全堆体积的一阶敏感性指数和遗传算法目标适应度函数;优化后的优化后的遗传算法模块根据初始屏蔽方案信息,采用二进制编码方式将方案信息转换为染色体片段,逐代随机进行片段交叉和变异生成新的屏蔽方案,利用神经网络模块和蒙特卡罗模块对新方案进行计算评价,即通过神经网络模块输出各方案对应的预测值,蒙特卡罗模块输出各方案对应的真值,对比真值和预测值,计算精度和召回率。
7.根据权利要求6所述的小型反应堆轻量化屏蔽深度耦合优化系统,其特征是,所述的蒙特卡罗模块包括:几何结构单元、材料信息单元、源项信息单元、计算单元和计数器单元,其中:几何结构单元根据曲面交并运算定义栅元,再将栅元进行组合构成由多个层级空间组成的全堆模型,材料信息单元根据材料密度、核素份额信息,对几何结构单元中的栅元进行填充处理,将全堆模型中各栅元赋予相应材料,源项信息单元根据计算用途和源粒子的起始位置分布,定义粒子种类、初始位置、初始能量和初始飞行方向,得到模型完整源项信息,计算单元根据源项信息,选择计算模式,得到系统内中子分布随空间、能量和时间的变化,计数器单元用来统计固定区域内的辐射剂量。
8.根据权利要求6所述的小型反应堆轻量化屏蔽深度耦合优化系统,其特征是,所述的神经网络模块包括:数据读取单元、训练单元和评估单元,其中:数据读取单元根据蒙特卡罗模块提供的训练样本信息将批量数据分为训练集、测试集和验证集,提取输入项和输出项,训练单元根据输入输出信息,进行回归训练,得到使系统误差最小的权重参数,评估单元根据真实值和预测值信息,计算平均绝对误差,得到训练1000次的结果。
9.根据权利要求6所述的小型反应堆轻量化屏蔽深度耦合优化系统,其特征是,所述的敏感性计算及参数重构模块包括:敏感性计算单元和参数重构单元,其中:敏感性计算单元利用训练完成的神经网络模块随机产生的样本,计算样本输入与输出响应之间的相对方差和输出响应的绝对方差,利用一阶敏感性公式计算得到各设计变量分别对辐射剂量、屏蔽体的重量及全堆体积的一阶敏感性指数Si,参数重构单元利用算得的一阶敏感性指数重构遗传算法目标适应度函数,计算得到遗传算法目标适应度函数F(X)=ω1 f1+ω2 f2+ω3f3中所包含的子函数f1、f2、f3所占权重ω1~ω3。
10.根据权利要求6所述的小型反应堆轻量化屏蔽深度耦合优化系统,其特征是,所述的遗传算法模块包括:遗传操作单元和计数器单元,其中:遗传操作单元对各屏蔽方案所转换成的染色体编码信息,进行片段交叉、变异处理,得到全新的染色体片段,即新屏蔽方案,计数单元对当前迭代步进行计数,直到达到初始设定的迭代次数终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617361.XA CN116595885B (zh) | 2023-05-29 | 2023-05-29 | 小型反应堆轻量化屏蔽深度耦合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617361.XA CN116595885B (zh) | 2023-05-29 | 2023-05-29 | 小型反应堆轻量化屏蔽深度耦合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595885A true CN116595885A (zh) | 2023-08-15 |
CN116595885B CN116595885B (zh) | 2024-03-12 |
Family
ID=87589639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310617361.XA Active CN116595885B (zh) | 2023-05-29 | 2023-05-29 | 小型反应堆轻量化屏蔽深度耦合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595885B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648875A (zh) * | 2024-01-30 | 2024-03-05 | 湖南军芃科技股份有限公司 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN104933245A (zh) * | 2015-06-15 | 2015-09-23 | 南华大学 | 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法 |
CN105225007A (zh) * | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 一种基于gabp神经网络的扇区运行性能综合检测方法及系统 |
CN114511071A (zh) * | 2020-10-27 | 2022-05-17 | 辉达公司 | 将三元矩阵合并到神经网络中 |
CN115577471A (zh) * | 2022-10-14 | 2023-01-06 | 上海交通大学 | 半经验-半定量的小型反应堆轻量化屏蔽方法 |
CN115796011A (zh) * | 2022-11-16 | 2023-03-14 | 四川大学 | 一种基于神经网络和遗传算法的储氢床传热性能优化方法 |
-
2023
- 2023-05-29 CN CN202310617361.XA patent/CN116595885B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN104933245A (zh) * | 2015-06-15 | 2015-09-23 | 南华大学 | 基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法 |
CN105225007A (zh) * | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 一种基于gabp神经网络的扇区运行性能综合检测方法及系统 |
CN114511071A (zh) * | 2020-10-27 | 2022-05-17 | 辉达公司 | 将三元矩阵合并到神经网络中 |
CN115577471A (zh) * | 2022-10-14 | 2023-01-06 | 上海交通大学 | 半经验-半定量的小型反应堆轻量化屏蔽方法 |
CN115796011A (zh) * | 2022-11-16 | 2023-03-14 | 四川大学 | 一种基于神经网络和遗传算法的储氢床传热性能优化方法 |
Non-Patent Citations (3)
Title |
---|
S. ZHENG ET AL.: "Semi-empirical and semi-quantitative lightweight shielding design algorithm", 《NUCLEAR SCIENCE AND TECHNIQUES》, 27 March 2023 (2023-03-27) * |
于全毅;刘长英;吴定超;王天皓;迟耀丹;: "基于广义混沌多项式法的多导体传输线辐射敏感度分析方法", 电工技术学报, no. 17, 27 February 2020 (2020-02-27) * |
张泽寰;宋英明;卢川;唐松乾;肖锋;吕焕文;杨俊云;毛婕;: "反应堆辐射屏蔽多目标优化方法研究", 核动力工程, no. 05, 21 August 2020 (2020-08-21) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648875A (zh) * | 2024-01-30 | 2024-03-05 | 湖南军芃科技股份有限公司 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
CN117648875B (zh) * | 2024-01-30 | 2024-04-30 | 湖南军芃科技股份有限公司 | 辐射屏蔽装置的参数优化方法及其矿石分选机 |
Also Published As
Publication number | Publication date |
---|---|
CN116595885B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chekalina et al. | Generative models for fast calorimeter simulation: the LHCb case | |
CN116595885B (zh) | 小型反应堆轻量化屏蔽深度耦合优化方法 | |
Song et al. | Research on fast intelligence multi-objective optimization method of nuclear reactor radiation shielding | |
Chen et al. | Multi-objective optimization strategies for radiation shielding design with genetic algorithm | |
CN111914464B (zh) | 用于反应堆组件多共振核素共振模拟子群优化方法及系统 | |
Li et al. | Many-objective rapid optimization of reactor shielding design based on NSGA-III | |
Khattak et al. | Particle detector simulation using generative adversarial networks with domain related constraints | |
Ai et al. | Three-dimensional convolutional neural networks for neutrinoless double-beta decay signal/background discrimination in high-pressure gaseous Time Projection Chamber | |
Li et al. | Multi-objective optimization method for reactor shielding design based on SMS-EMOA | |
CN109934345B (zh) | 一种带线性约束的中子能谱解谱实数遗传算法解谱方法 | |
Clark et al. | Application of support vector machines to global prediction of nuclear properties | |
Cranmer | Searching for new physics: contributions to LEP and the LHC | |
Hoque et al. | CaloQVAE: Simulating high-energy particle-calorimeter interactions using hybrid quantum-classical generative models | |
Bouhadida et al. | Neutron spectra reconstruction based on an artificial neural network trained with a large built dataset | |
Gottmann | Global Interpretation of $\tau\tau $ Events in the Context of the Standard Model and Beyond | |
Pevey | Multi-objective Optimization of the Fast Neutron Source by Machine Learning | |
Zheng et al. | Reactor lightweight shielding optimization method based on parallel embedded genetic particle-swarm hybrid algorithm | |
Zou et al. | Optimization method of burnable poison based on genetic algorithm and artificial neural network | |
WO2023220494A1 (en) | System and method for ai based spacecraft shielding design | |
Drobac | Measurement of Associated Z Boson and Heavy-Quark Jet Production in pp Collisions at√ s= 13 TeV | |
Palau et al. | ON THE USE OF MACHINE LEARNING (NEURAL NETWORKS) TO DEEPEN NUMERICAL VALIDATION OF NEUTRONIC CALCULATIONS: BASICS AND APPLICATION TO AN APOLLO3-SFR SCHEME | |
Drobac | Measurement of Associated $ 𝑍 $ Boson and Heavy-Quark Jet Production in $ 𝑝𝑝 $ Collisions at $\sqrt {s}= 13$ TeV | |
Nguyen | Improving hadronic tau decay mode reconstruction at ATLAS using neural networks | |
Altenkämper | J/psi-hadron correlations in proton-proton collisions at 13 TeV with ALICE | |
CN117524379A (zh) | 一种中子束流整形组件的智能优化方法 |
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 |