CN117591959A - 一种棒束通道两相流动参数智能预测方法和系统 - Google Patents
一种棒束通道两相流动参数智能预测方法和系统 Download PDFInfo
- Publication number
- CN117591959A CN117591959A CN202311611167.7A CN202311611167A CN117591959A CN 117591959 A CN117591959 A CN 117591959A CN 202311611167 A CN202311611167 A CN 202311611167A CN 117591959 A CN117591959 A CN 117591959A
- Authority
- CN
- China
- Prior art keywords
- phase flow
- parameters
- bundle channel
- channel
- rod bundle
- 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
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 18
- 239000012071 phase Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000012530 fluid Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 239000007791 liquid phase Substances 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 2
- 230000004323 axial length Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 239000002355 dual-layer Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000005501 phase interface Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种棒束通道两相流动参数智能预测方法和系统,本发明提出的方法利用建模仿真得到的与棒束通道两相流动过程相关的输入和输出参数,构建棒束通道两相流动参数智能计算模型,利用该智能计算模型以及获得输入参数,即可快速准确得到相应的两相流动输出参数,其也不会因为通道结构的变化而大幅增加对计算资源的消耗,具有计算资源消耗较小、计算速度快、效率高等优点,可适用于任意规模的通道结构两相流动参数预测和计算。
Description
技术领域
本发明属于核反应堆工程与计算机科学技术领域,具体涉及一种棒束通道两相流动参数智能预测方法和系统。
背景技术
棒束型燃料元件作为轻水核反应堆及其他相关堆芯的主体结构,其流道内部的流动阻力特性和沸腾传热特性对反应堆的设计与安全运行起着至关重要的作用。棒束通道与常规闭式通道(如圆管等)不同,其中的流体具有更强的搅混强度,相界面更易变形,相态分布也更加复杂。棒束通道内的相态分布特性的转变往往会引起两相流动阻力与传热、临界热流密度等特定的变化,是两相流动与传热的决定性因素。因此,有必要针对棒束通道内的相态分布及影响机制进行深入地研究与分析。
现有针对棒束通道内的两相流动特性研究,主要基于试验数据通过三维高精度CFD流体软件或堆芯子通道热工水力软件对棒束通道两相流动过程进行精细化建模与分析,但当通道结构拓展至全堆芯级别时对计算资源的消耗大、计算速度慢、计算效率不高,即使在超大规模高性能服务器上,棒束通道两相参数的计算也需要大量的时间。
发明内容
为了解决现有通过对棒束通道两相流过程进行精细化建模与分析,得到棒束通道两相流动参数的方式存在消耗资源大、计算速度慢、效率较低等问题,本发明提供了一种棒束通道两相流动参数智能预测方法和系统,本发明基于异质集成算法,构建了一种棒束通道两相流动参数智能识别模型,基于该模型可实现棒束通道两相流动参数的快速准确预测,其计算资源占用极小、计算速度快、效率高。
本发明通过下述技术方案实现:
一种棒束通道两相流动参数智能预测方法,所述方法包括:
通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制,确定与棒束通道两相流动过程相关的输入和输出匹配的数据对;所述数据对包括与棒束通道两相流动过程相关的输入参数以及相应的输出参数;
将棒束通道划分为多个空间网格,通过建模仿真得到与棒束通道两相流动过程相关的输入和输出匹配的数据对,作为训练数据;
基于异质集成学习算法,建立适用于棒束通道两相流动参数计算的机器学习模型;
利用所述训练数据对所述机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型;
获取棒束通道两相流动过程相关的输入参数并将其输入到所述棒束通道两相流动参数计算模型,即可得到相应的两相流动输出参数,从而实现棒束通道两相流动参数的快速预测。
目前针对棒束通道内的两相流动特性研究,通常基于试验数据通过三维高精度CFD流体软件或堆芯子通道热工水力软件对棒束通道两相流动过程进行精细化建模与分析,从而得到棒束通道两相流动参数,这类方式在通道结构拓展到全堆芯级别时对计算资源消耗大、计算速度慢、效率低。而本发明提出的方法利用建模仿真得到的与棒束通道两相流动过程相关的输入和输出参数,构建棒束通道两相流动参数智能计算模型,利用该智能计算模型以及获得输入参数,即可快速准确得到相应的两相流动输出参数,其也不会因为通道结构的变化而大幅增加对计算资源的消耗,具有计算资源消耗较小、计算速度快、效率高等优点,可适用于任意规模的通道结构两相流动参数预测和计算。
作为优选实施方式,本发明的与棒束通道两相流动过程相关的输入参数包括气相折算速度、液相折算速度、通道轴向测点长度、棒束组件类型、单棒直径、径向方向测点位置、通道入口流体压力、通道入口流体温度、通道壁面粗糙度、通道入口流体流量、通道加热功率或热流密度、流体物性参数、运动自由度参数中的一个或两个以上组合。
作为优选实施方式,本发明的与棒束通道两相流动过程相关的输出参数包括两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值中的一个或者两个以上组合。
作为优选实施方式,本发明的机器学习模型采用双层Stacking模型,第一层通过随机森林、极限学习机、极端梯度提升法、反向传播神经网络和支持向量回归组成基学习器产生多组预测序列,第二层采用岭回归作为元学习器学习多组预测序列与实际序列之间的关系,实现对基学习器预测结果的修正。
作为优选实施方式,本发明的机器学习模型的学习过程具体包括:
将所述训练数据中的输入参数分别输入到各基学习器中,产生多组预测序列并将多组预测序列作为元学习器的输入数据;
通过元学习器学习多组预测序列与实际序列之间的关系,直到序列参数误差小于阈值,从而建立适用于棒束通道两相流动参数计算模型;
模型建立后,利用输入和输出匹配的数据对进行有监督的回归学习,基于K折交叉验证法,当模型计算结果误差小于阈值时,学习停止,否则继续重新学习。
作为优选实施方式,本发明的K可取5。
作为优选实施方式,本发明的方法通过三维CFD流体软件或堆芯子通道热工水力软件计算得到与棒束通道两相流动过程相关的输入和输出匹配的数据对。
第二方面,本发明提出了一种棒束通道两相流动参数智能预测系统,所述系统包括:
特征分析单元,所述特征分析单元通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制,确定与棒束通道两相流动过程相关的输入和输出匹配的数据对;所述数据对包括与棒束流动过程相关的输入参数以及相应的输出参数;
特征获取单元,所述特征获取单元将棒束通道划分为多个空间网格,通过建模仿真得到与棒束通道两相流动过程相关的输入和输出匹配的数据对,作为训练数据;
模型训练单元,所述模型训练单元利用所述训练数据对预先构建的机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型;所述机器学习模型为基于异质集成学习算法,建立的适用于棒束通道两相流动参数计算的机器学习模型;
以及,参数预测单元,所述参数预测单元获取棒束通道两相流动过程相关的输入参数为并将其输入到所述棒束通道两相流动参数计算模型,即可得到相应的两相流动输出参数,从而实现棒束通道两相流动参数的快速预测。
第三方面,本发明提出了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本发明所述方法的步骤。
第四方面,本发明提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明所述方法的步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明以数据驱动为核心,构建棒束通道两相流动参数智能计算模型,利用该智能计算模型能够快速准确的得到棒束通道两相流动参数,对计算资源的消耗相对较少;
2、本发明采用基于异质集成算法的棒束通道两相流动参数智能计算模型,可有效保证参数预测和计算的精度和效率;
3、本发明建立的机器学习模型将不同类型的算法相互结合,构建双层Stacking模型,并通过大量数据的再学习,实现模型的快速修正与优化,具有更强的扩展性和泛化能力。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例的方法流程示意图。
图2为本发明实施例的双层Stacking模型结构示意图。
图3为本发明实施例的系统原理框图。
图4为本发明实施例的3×3棒束通道示意图。
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,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
目前针对棒束通道内的两相流动特性研究,通常基于试验数据通过三维高精度CFD流体软件或堆芯子通道热工水力软件对棒束通道两相流动过程进行精细化建模与分析,从而得到棒束通道两相流动参数,然而当通道结构拓展至全堆芯级别时对计算资源的消耗大、计算速度慢、效率较低。基于此,本实施例提出了一种棒束通道两相流动参数智能预测方法,本实施例提出的方法以数据驱动为核心,构建棒束通道两相流动参数智能计算模型,能够快速准确的得到棒束通道两相流动参数,且对计算资源的消耗相对较小。
具体如图1所示,本实施例提出的方法包括以下步骤:
步骤1,通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制,确定与棒束通道两相流动过程相关的输入和输出匹配的数据对;该数据对包括与棒束通道两相流动过程相关的输入参数以及相应的输出参数;
步骤2,将棒束通道划分为多个空间网格,通过三维CFD流体软件或堆芯子通道热工水力软件计算得到与棒束通道两相流动过程相关的输入和输出匹配的数据对,作为训练数据;
步骤3,基于异质集成学习算法,建立适用于棒束通道两相流动参数计算的机器学习模型;
步骤4,利用训练数据对机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型;
步骤5,获取棒束通道两相流动过程相关的输入参数并将其输入到棒束通道两相流动参数计算模型,即可得到相应的两相流动输出参数,实现棒束通道两相流动参数的快速预测。
本实施例提出的方法根据建模仿真得到的数据,构建棒束通道两相流动参数智能计算模块,利用该模型可快速准确得到棒束通道两相流动参数,实现以基于数据驱动为核心的棒束通道两相流动参数的快速预测,计算资源占用少、计算速度快;同时本实施例采用异质集成算法构建的智能计算模型,对数据具有良好的泛化能力,可通过对大量数据的再学习,实现智能计算模型的快速修正与优化,且对计算资源的消耗相对较少。
一种可选实施方式,与棒束通道两相流动过程相关的输入参数包括气相折算速度、液相折算速度、通道轴向测点长度(以通道入口位置为起始点)、棒束组件类型、单棒直径、径向方向测点位置、通道入口流体压力、通道入口流体温度、通道壁面粗糙度、通道入口流体流量、通道加热功率或热流密度、流体物性参数(如流体密度等)、运动自由度参数(如倾斜角度、摇摆频率、摇摆幅值等)等流动过程初始状态参数及通道几何信息中的一个或者两个以上组合。
与棒束通道两相流动过程相关的输出参数包括在径向和轴向等方向上的两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值等参数的一个或者两个以上组合。
在实际应用过程中,可根据实际应用需求和方式确定后续模型构建和学习过程所需的输入和输出匹配的数据对(输入参数及其相应的输出参数)。
一种可选实施方式,本实施例的机器学习模型采用双层Stacking模型,第一层通过随机森林(RF)、极限学习机(ELM)、极端梯度提升法(XGBoosting)、反向传播神经网络(BPNN)和支持向量回归(SVR)等不同大小的回归树或不同变量数的线性回归模型构建基学习器产生多组预测序列,第二层采用岭回归(RR)为元学习器,建立适用于棒束通道两相流动参数计算模型,具体如图2所示。本实施例提出的方法采用双层Stacking模型,通过将多种不同大小的回归树或不同变量数的线性回归模型作为基学习器产生多组预测序列,然后选取计算鲁棒性强的岭回归作为元学习器学习多组预测序列与实际序列之间的关系,实现对基学习器预测结果的修正,具有较强的扩展性和泛化能力。
一种可选实施方式,机器学习模型的学习过程具体为:
从数据池中提取足够数量的特征数据作为棒束通道两相流动参数计算模型学习所需的与棒束通道两相流动过程相关的输入-输出匹配的数据对,该数据池通过建模仿真得到的若干与棒束通道两相流动过程相关的输入参数以及相应的与棒束通道两相流动过程相关的输出参数构成的数据对构成。
将获取的数据对中的输入参数输入到双层Stacking模型中,首先将输入参数分别输入到第一层基学习器中分别学习,得到多组预测序列,然后将多组预测序列输入到第二层元学习器中进行学习,通过元学习器学习多组预测序列与实际序列之间的关系,实现对基学习器预测结果的修正,直至序列参数误差小于设定值,从而建立适用于棒束通道两相流动参数计算模型。
棒束通道两相流动计算模型建立后,结合输入和输出匹配的数据对进行有监督的回归学习,基于K折交叉验证法(K可优选为5),当计算结果误差小于设定值时,学习停止,否则继续重新学习,直到固化计算模型,从而完成模型测试。
基于上述相同技术构思,本实施例还提出了一种棒束通道两相流动参数智能预测系统,具体如图3所示,本实施例提出的系统包括:
特征分析单元,该特征分析单元通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制,确定与棒束通道两相流动过程相关的输入和输出匹配的数据对;该数据对包括与棒束流动过程相关的输入参数以及相应的输出参数。
特征获取单元,该特征获取单元将棒束通道划分为多个空间网格,通过三维CFD流体软件或堆芯子通道热工水力软件计算得到与棒束通道两相流动过程相关的输入和输出匹配的数据对,作为训练数据。
模型训练单元,该模型训练单元利用训练数据对预先构建的机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型,预先构建的机器学习模型具体为基于异质集成学习算法,建立的适用于棒束通道两相流动参数计算的机器学习模型。
参数预测单元,该参数预测单元获取棒束通道两相流动过程相关的输入参数并将其输入到棒束通道两相流动参数计算模型,即可得到相应的两相流动输出参数,实现棒束通道两相流动参数的快速预测。
实施例2
本实施例以一种给定几何结构的静止条件下的3×3棒束通道为例对上述实施例提出的方法进行验证,其中棒直径已知,如图4所示,条件为常温常压,径向和轴向测点位置固定,建立某一特定工况下的棒束通道两相流动参数计算模型。棒束通道两相流动参数智能因此过程具体包括如下步骤:
S1,通过分析棒束通道两相流动过程中的流动特定关键影响因素及作用机制,选取机器学习所需的与棒束通道两相流动相关的输入参数和输出参数,确定机器学习所需的与棒束通道两相流动过程相关的输入和输出匹配的数据对。
S2,将棒束通道划分为多个空间网格,通过高精度的三维CFD流体软件或堆芯子通道热工水力软件计算两相流动初始状态参数,获得与两相流动特性相关的流动参数,建立与机器学习所需的棒束通道两相流动过程相关的输入-输出匹配的数据对。具体在本实施例中,选取不同组的气相折算速度和液相折算速度中的,形成不同气液相折算速度条件下的数据组,作为输入参数,通过高精度的三维CFD流体软件或堆芯子通道热工水力软件计算,获得棒束通道两相流动参数,包括两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值等参数,采用上式棒束通道两相流动参数中的一个或多个组合作为输出参数,从而获得机器学习所需的棒束通道两相流动过程相关的输入-输出匹配的数据对。
S3,从数据池中提取足够数量的特征数据(输入参数和输出参数)作为棒束通道两相流动参数计算模型学习所需的与棒束通道两相流动过程相关的输入和输出匹配的数据对,即训练数据对建立的适用于棒束通道两相流动参数计算的机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型。
S4,获取(通过试验或建模仿真)棒束通道两相流动过程相关的输入参数并将其输入到棒束通道两相流动参数计算模型中即可得到相应的两相流动输出参数,实现棒束通道两相流动参数的快速预测。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种棒束通道两相流动参数智能预测方法,其特征在于,所述方法包括:
通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制,确定与棒束通道两相流动过程相关的输入和输出匹配的数据对;所述数据对包括与棒束通道两相流动过程相关的输入参数以及相应的输出参数;
将棒束通道划分为多个空间网格,通过建模仿真得到与棒束通道两相流动过程相关的输入和输出匹配的数据对,作为训练数据;
基于异质集成学习算法,建立适用于棒束通道两相流动参数计算的机器学习模型;
利用所述训练数据对所述机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型;
获取棒束通道两相流动过程相关的输入参数并将其输入到所述棒束通道两相流动参数计算模型,即可得到相应的两相流动输出参数,从而实现棒束通道两相流动参数的快速预测。
2.根据权利要求1所述的一种棒束通道两相流动参数智能预测方法,其特征在于,与棒束通道两相流动过程相关的输入参数包括气相折算速度、液相折算速度、通道轴向测点长度、棒束组件类型、单棒直径、径向方向测点位置、通道入口流体压力、通道入口流体温度、通道壁面粗糙度、通道入口流体流量、通道加热功率或热流密度、流体物性参数、运动自由度参数中的一个或两个以上组合。
3.根据权利要求2所述的一种棒束通道两相流动参数智能预测方法,其特征在于,与棒束通道两相流动过程相关的输出参数包括两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值中的一个或者两个以上组合。
4.根据权利要求1-3任一项所述的一种棒束通道两相流动参数智能预测方法,其特征在于,所述机器学习模型采用双层Stacking模型,第一层通过随机森林、极限学习机、极端梯度提升法、反向传播神经网络和支持向量回归组成基学习器产生多组预测序列,第二层采用岭回归作为元学习器学习多组预测序列与实际序列之间的关系,实现对基学习器预测结果的修正。
5.根据权利要求4所述的一种棒束通道两相流动参数智能预测方法,其特征在于,所述机器学习模型的学习过程具体包括:
将所述训练数据中的输入参数分别输入到各基学习器中,产生多组预测序列并将多组预测序列作为元学习器的输入数据;
通过元学习器学习多组预测序列与实际序列之间的关系,直到序列参数误差小于阈值,从而建立适用于棒束通道两相流动参数计算模型;
模型建立后,利用输入和输出匹配的数据对进行有监督的回归学习,基于K折交叉验证法,当模型计算结果误差小于阈值时,学习停止,否则继续重新学习。
6.根据权利要求5所述的一种棒束通道两相流动参数智能预测方法,其特征在于,K可取5。
7.根据权利要求1-3任一项所述的一种棒束通道两相流动参数智能预测方法,其特征在于,所述方法通过三维CFD流体软件或堆芯子通道热工水力软件计算得到与棒束通道两相流动过程相关的输入和输出匹配的数据对。
8.一种棒束通道两相流动参数智能预测系统,其特征在于,所述系统包括:
特征分析单元,所述特征分析单元通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制,确定与棒束通道两相流动过程相关的输入和输出匹配的数据对;所述数据对包括与棒束流动过程相关的输入参数以及相应的输出参数;
特征获取单元,所述特征获取单元将棒束通道划分为多个空间网格,通过建模仿真得到与棒束通道两相流动过程相关的输入和输出匹配的数据对,作为训练数据;
模型训练单元,所述模型训练单元利用所述训练数据对预先构建的机器学习模型进行有监督的回归学习,得到棒束通道两相流动参数计算模型;所述机器学习模型为基于异质集成学习算法,建立的适用于棒束通道两相流动参数计算的机器学习模型;
以及,参数预测单元,所述参数预测单元获取棒束通道两相流动过程相关的输入参数为并将其输入到所述棒束通道两相流动参数计算模型,即可得到相应的两相流动输出参数,从而实现棒束通道两相流动参数的快速预测。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311611167.7A CN117591959A (zh) | 2023-11-27 | 2023-11-27 | 一种棒束通道两相流动参数智能预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311611167.7A CN117591959A (zh) | 2023-11-27 | 2023-11-27 | 一种棒束通道两相流动参数智能预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117591959A true CN117591959A (zh) | 2024-02-23 |
Family
ID=89918011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311611167.7A Pending CN117591959A (zh) | 2023-11-27 | 2023-11-27 | 一种棒束通道两相流动参数智能预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591959A (zh) |
-
2023
- 2023-11-27 CN CN202311611167.7A patent/CN117591959A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Georgiou et al. | Learning fluid flows | |
Giannakoglou et al. | Aerodynamic shape design using evolutionary algorithms and new gradient-assisted metamodels | |
Liu et al. | Block proposal neural architecture search | |
Ma et al. | Physics-driven learning of the steady Navier-Stokes equations using deep convolutional neural networks | |
Whalen et al. | Toward reusable surrogate models: Graph-based transfer learning on trusses | |
CN103440377B (zh) | 基于改进并行de算法的飞行器气动外形优化设计方法 | |
JP7221062B2 (ja) | 流体解析システム、流体解析方法、および流体解析プログラム | |
Qiu et al. | Multi-path deep learning framework on discrete pressure points to predict velocity field of pump-jet propulsor | |
CN112052617B (zh) | 一种非疾病诊断用途的用于预测支路血管流场的方法及系统 | |
CN117077579B (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
Deng et al. | Prediction of transonic flow over supercritical airfoils using geometric-encoding and deep-learning strategies | |
Dornheim et al. | Neural networks for constitutive modeling: From universal function approximators to advanced models and the integration of physics | |
US20230051237A1 (en) | Determining material properties based on machine learning models | |
Tang et al. | Discovering explicit Reynolds-averaged turbulence closures for turbulent separated flows through deep learning-based symbolic regression with non-linear corrections | |
KR102266279B1 (ko) | 비정상상태를 구현하기 위한 차수 감축 모델 구축 방법 | |
CN117591959A (zh) | 一种棒束通道两相流动参数智能预测方法和系统 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
Favoreel et al. | Comparative study between three subspace identification algorithms | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
Li et al. | Predicting unsteady incompressible fluid dynamics with finite volume informed neural network | |
CN114676522A (zh) | 融合gan和迁移学习的气动形状优化设计方法及系统及设备 | |
Park et al. | Sequential deep learning operator network (s-deeponet) for time-dependent loads | |
CN117933104B (zh) | 固体姿轨控发动机燃气调节阀压强修正方法 | |
Chen et al. | Intelligent prediction method for linear wave load based on deep neural 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 |