JP2020071156A - Method and program for analyzing fast reactor debris bed cooling - Google Patents
Method and program for analyzing fast reactor debris bed cooling Download PDFInfo
- Publication number
- JP2020071156A JP2020071156A JP2018206205A JP2018206205A JP2020071156A JP 2020071156 A JP2020071156 A JP 2020071156A JP 2018206205 A JP2018206205 A JP 2018206205A JP 2018206205 A JP2018206205 A JP 2018206205A JP 2020071156 A JP2020071156 A JP 2020071156A
- Authority
- JP
- Japan
- Prior art keywords
- data set
- evaluation result
- analysis
- data
- debris
- 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
Classifications
-
- 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
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
Description
本発明は、高速炉デブリベッド冷却の解析方法及び解析プログラムに関する。 The present invention relates to an analysis method and an analysis program for fast reactor debris bed cooling.
次世代ナトリウム冷却高速炉においては、炉心損傷事象の原子炉容器内終息を目標とした設計がなされている。図１は、炉心損傷事象に伴い発生した燃料デブリが原子炉容器下部プレナムに設置されたコアキャッチャー上に堆積した状態を説明する図である。炉心損傷事象に伴い発生した溶融燃料は、炉心領域外に排出され、冷却材との相互作用により分散・微粒化する。そして、溶融燃料は、図１に示すように、最終的に下部プレナムに設置されたコアキャッチャー１０１にベッド状に堆積したデブリベッド１０２となる。デブリベッドは、主に数百μｍの粒子で形成され、崩壊熱により発熱する。原子炉容器内終息の達成のためには、デブリベッドを長期間安定に冷却する必要があり、冷却性を評価することが設計上重要となる。 Next-generation sodium-cooled fast reactors are designed with the goal of terminating the core damage event in the reactor vessel. FIG. 1 is a diagram illustrating a state in which fuel debris generated due to a core damage event is accumulated on a core catcher installed in a reactor vessel lower plenum. Molten fuel generated by the core damage event is discharged to the outside of the core region, and dispersed and atomized due to the interaction with the coolant. Then, as shown in FIG. 1, the molten fuel finally becomes a debris bed 102 accumulated in a bed shape on a core catcher 101 installed in a lower plenum. The debris bed is mainly formed of particles having a size of several hundred μm and generates heat due to heat of decay. In order to achieve the termination in the reactor vessel, it is necessary to cool the debris bed stably for a long period of time, and it is important in design to evaluate the cooling performance.
冷却性評価モデルとしては、下記式（１）に示すデブリベッドの等価熱伝導度ｋｅｑを用いた非定常熱伝導方程式を解く冷却性評価モデルが知られている（例えば、非特許文献１参照）。冷却性評価モデルに、デブリベッドの冷却性に影響を与えるパラメータに対応する各種の入力項目の値を入力することにより、冷却性が評価される。
冷却性評価モデルに用いられる入力項目の値は、炉心損傷の事象推移及び設計時の各種の選択内容に起因して、最適値を特定することが難しいことから、入力項目の値を変更しながら多数の計算を実施し、冷却性の傾向を把握することが望ましい。しかしながら、非定常熱伝導方程式を解く冷却性評価モデルを用いて大量の計算を行うには多大な時間がかかるため、実行可能な計算回数が制限される。 It is difficult to specify the optimum values for the input item values used in the coolability evaluation model due to the event transition of core damage and various selections at the time of design. It is desirable to carry out a number of calculations to understand the cooling tendency. However, since it takes a lot of time to perform a large amount of calculation using a cooling property evaluation model that solves the unsteady heat conduction equation, the number of calculations that can be executed is limited.
したがって、従来の冷却性評価モデルを用いた冷却性の評価では、設計者は、第一段階として、ある限定された入力値から当該モデルを用いて離散的な計算結果を得て、それらを参考に、次の段階で得るべき計算結果を推定する。そして、設計者は、第二段階として、入力値を決めて再計算を行う。設計者は、第一段階及び第二段階の作業を繰り返し行う必要がある。また、計算結果の推定は熟練者でも困難であることから、適切な評価結果を得るために必要となる繰り返し作業の回数の見通しも立ちにくいといった課題もある。そこで、計算結果を短時間で得ることが求められている。 Therefore, in the evaluation of cooling performance using the conventional cooling performance evaluation model, the designer, as the first step, obtains discrete calculation results using the model from a certain limited input value and refers to them. Then, we estimate the calculation result to be obtained in the next step. Then, as a second step, the designer decides an input value and performs recalculation. Designers need to repeat the first and second steps. In addition, since it is difficult for a skilled person to estimate the calculation result, there is a problem that it is difficult to predict the number of repetitive operations required to obtain an appropriate evaluation result. Therefore, it is required to obtain the calculation result in a short time.
そこで、本発明はこれらの点に鑑みてなされたものであり、冷却性評価モデルに対応する計算結果を短時間で得ることができる高速炉デブリベッド冷却の解析方法及び解析プログラムを提供することを目的とする。 Therefore, the present invention has been made in view of these points, and it is an object of the present invention to provide an analysis method and an analysis program for fast reactor debris bed cooling that can obtain a calculation result corresponding to a coolability evaluation model in a short time. To aim.
本発明の第１の態様に係る高速炉デブリベッド冷却の解析方法は、コンピュータが実行する、高速炉において、原子炉容器内に設けられたコアキャッチャーに堆積した粒子状の燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成する第１データセット生成ステップと、前記第１の個数の前記データセットのそれぞれに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得する解析ステップと、前記第１の個数の前記データセットのそれぞれと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより、前記データセットの入力に対して前記評価結果を出力する解析モデルを生成するモデル生成ステップと、任意の前記データセットを前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する評価結果取得ステップと、を備える。 A fast reactor debris bed cooling analysis method according to a first aspect of the present invention is a computer-implemented method for cooling a particulate fuel debris deposited on a core catcher provided in a reactor vessel in a fast reactor. A first data set generating step of generating a first number of data sets, which is a combination of input data of a plurality of input items used for analysis, and based on each of the first number of the data sets, An analysis step of obtaining an evaluation result of the cooling performance of the fuel debris by analyzing the cooling performance of the fuel debris, each of the first number of the data sets, and the evaluation corresponding to the data set. The combination with the result is used as teacher data, and machine learning is performed based on the teacher data, so that the input of the data set A model generation step of generating an analysis model that outputs an evaluation result, and an evaluation result acquisition step of inputting any of the data sets to the analysis model and acquiring the evaluation result corresponding to the data set from the analysis model , Is provided.
前記データセットを前記第１の個数よりも多い第２の個数生成する第２データセット生成ステップをさらに有し、前記評価結果取得ステップにおいて、前記第２の個数の前記データセットのそれぞれを前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得してもよい。 The method further comprises a second data set generating step of generating a second number of the data sets larger than the first number, wherein in the evaluation result obtaining step, each of the second number of the data sets is analyzed. You may input into a model and acquire the said evaluation result corresponding to the said data set from the said analytical model.
第１データセット生成ステップにおいて、前記複数のデータセットに含まれる前記入力項目の値が、当該入力項目が取り得る値の範囲において、一様分布となるように前記複数のデータセットを生成してもよい。 In the first data set generation step, the plurality of data sets are generated so that the values of the input items included in the plurality of data sets have a uniform distribution in the range of values that the input items can take. Good.
前記高速炉デブリベッド冷却の解析方法は、前記評価結果取得ステップにおいて取得された前記燃料デブリの冷却性の評価結果に基づいて、異なる評価結果となる境界を含む境界領域を特定する境界領域特定ステップと、特定された前記境界領域において、前記第１データセット生成ステップにおけるデータセットの生成密度よりも高い密度でデータセットを生成する第３データセット生成ステップと、をさらに有し、前記解析ステップにおいて、前記第３データセット生成ステップにおいて生成された前記データセットに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得し、前記モデル生成ステップにおいて、前記第３データセット生成ステップにおいて生成されたデータセットと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより前記解析モデルを修正し、前記評価結果取得ステップにおいて、前記第１の個数よりも多い第２の個数の前記データセットのそれぞれを修正後の前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得してもよい。 The fast reactor debris bed cooling analysis method, based on the evaluation result of the cooling performance of the fuel debris acquired in the evaluation result acquisition step, a boundary area specifying step for specifying a boundary area including a boundary that is a different evaluation result And a third data set generation step of generating a data set in the specified boundary region at a density higher than the generation density of the data set in the first data set generation step, and in the analysis step, , Analyzing the cooling performance of the fuel debris on the basis of the data set generated in the third data set generating step to obtain an evaluation result of the cooling performance of the fuel debris, and in the model generating step, A dataset generated in the third dataset generating step, A combination with the evaluation result corresponding to the data set is used as teacher data, and the analysis model is corrected by performing machine learning based on the teacher data, and in the evaluation result acquisition step, the first number is larger than the first number. Each of the large second number of the data sets may be input to the modified analysis model, and the evaluation result corresponding to the data set may be acquired from the analysis model.
前記解析モデルは、所定の層数及びノード数のニューラルネットワークに基づいて生成されるモデルであり、前記高速炉デブリベッド冷却の解析方法は、前記評価結果取得ステップにおいて取得された前記燃料デブリの冷却性の評価結果に基づいて、異なる評価結果となる境界を含む境界領域を特定する境界領域特定ステップと、特定された前記境界領域において、前記第１データセット生成ステップにおけるデータセットの生成密度よりも高い密度でデータセットを生成する第３データセット生成ステップと、をさらに有し、前記解析ステップにおいて、前記第３データセット生成ステップにおいて生成された前記データセットに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得し、前記モデル生成ステップにおいて、前記第３データセット生成ステップにおいて生成されたデータセットと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて前記解析モデルよりも前記ニューラルネットワークにおける層数及びノード数の少なくともいずれかを多くした機械学習を行うことにより第２解析モデルを生成し、前記評価結果取得ステップにおいて、前記第１の個数よりも多い第２の個数の前記データセットのそれぞれを前記第２解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得してもよい。 The analysis model is a model generated based on a neural network having a predetermined number of layers and a predetermined number of nodes, and the analysis method of fast reactor debris bed cooling is cooling of the fuel debris acquired in the evaluation result acquisition step. A boundary area specifying step of specifying a boundary area including a boundary having a different evaluation result based on the evaluation result of the sex, and a generation density of the data set in the first data set generation step in the specified boundary area. A third data set generating step of generating a data set with a high density, and in the analyzing step, based on the data set generated in the third data set generating step, the cooling performance of the fuel debris By obtaining the evaluation result of the cooling performance of the fuel debris, In the model creating step, a combination of the data set created in the third data set creating step and the evaluation result corresponding to the data set is used as teacher data, and the combination of the analysis model and the analysis model is set based on the teacher data. A second analysis model is generated by performing machine learning in which at least one of the number of layers and the number of nodes in the neural network is increased, and in the evaluation result acquisition step, a second number of the second number that is larger than the first number is used. Each of the data sets may be input to the second analysis model, and the evaluation result corresponding to the data set may be acquired from the analysis model.
前記高速炉デブリベッド冷却の解析方法は、前記解析ステップにおいて取得された前記燃料デブリの冷却性の評価結果に基づいて、異なる評価結果となる境界を含む境界領域を特定する境界領域特定ステップと、特定された前記境界領域において、前記第１データセット生成ステップにおけるデータセットの生成密度よりも高い密度でデータセットを生成する第３データセット生成ステップと、をさらに有し、前記解析ステップにおいて、前記第３データセット生成ステップにおいて生成された前記データセットに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得し、前記モデル生成ステップにおいて、前記第１の個数の前記データセットのそれぞれと、当該データセットに対応する前記評価結果との組み合わせを教師データとするとともに、前記第３データセット生成ステップにおいて生成されたデータセットと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより前記解析モデルを生成してもよい。 The fast reactor debris bed cooling analysis method, based on the evaluation result of the cooling performance of the fuel debris acquired in the analysis step, a boundary region specifying step of specifying a boundary region including a boundary that is a different evaluation result, and A third data set generating step of generating a data set with a density higher than the generation density of the data set in the first data set generating step in the specified boundary region, and in the analyzing step, Based on the data set generated in the third data set generating step, an analysis result of the cooling performance of the fuel debris is obtained to obtain an evaluation result of the cooling performance of the fuel debris, and in the model generating step, Each of the first number of said datasets and before corresponding to said datasets The combination with the evaluation result is used as the teacher data, and the combination of the data set generated in the third data set generating step and the evaluation result corresponding to the data set is used as the teacher data, and based on the teacher data. The analysis model may be generated by performing machine learning.
本発明の第２の態様に係る高速炉デブリベッド冷却の解析プログラムは、コンピュータを、高速炉において、原子炉容器内に設けられたコアキャッチャーに堆積した粒子状の燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成する第１データセット生成部、前記第１の個数の前記データセットのそれぞれに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得する解析部、前記第１の個数の前記データセットのそれぞれと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより、前記データセットの入力に対して前記評価結果を出力する解析モデルを生成するモデル生成部、及び、任意の前記データセットを前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する評価結果取得部、として機能させる。 A fast reactor debris bed cooling analysis program according to a second aspect of the present invention uses a computer to analyze the coolability of particulate fuel debris deposited on a core catcher provided in a reactor vessel in a fast reactor. A first data set generation unit that generates a first number of data sets, which is a combination of input data of a plurality of input items used, and the fuel debris based on each of the first number of the data sets. By analyzing the cooling performance of the fuel debris to obtain an evaluation result of the cooling performance of the fuel debris, a combination of each of the first number of the data sets, and the evaluation result corresponding to the data set. Is used as teacher data and machine learning is performed based on the teacher data to output the evaluation result to the input of the data set. Model generating unit for generating an analysis model that, and to enter any of the data set in the analysis model, to function the evaluation result corresponding to the data set as the evaluation result obtaining unit, for obtaining from the analysis model.
本発明によれば、冷却性評価モデルに対応する計算結果を短時間で得ることができるという効果を奏する。 According to the present invention, it is possible to obtain the calculation result corresponding to the cooling evaluation model in a short time.
［高速炉デブリベッド冷却の解析装置の概要］
図１に示すように、原子炉容器１００の下部プレナムには、炉心損傷事象に伴い発生した燃料デブリを受け止めるコアキャッチャー１０１が設けられている。炉心損傷事象に伴い発生した溶融燃料は、炉心領域外に排出され、冷却材との相互作用により分散・微粒化する。そして、溶融燃料は、最終的にはコアキャッチャー１０１にベッド状に堆積したデブリベッド１０２となる。
[Outline of analysis equipment for fast reactor debris bed cooling]
As shown in FIG. 1, the lower plenum of the reactor vessel 100 is provided with a core catcher 101 that receives fuel debris generated due to a core damage event. Molten fuel generated by the core damage event is discharged to the outside of the core region, and dispersed and atomized due to the interaction with the coolant. Then, the molten fuel finally becomes the debris bed 102 accumulated in the bed shape on the core catcher 101.
第１実施形態に係る高速炉デブリベッド冷却の解析装置を説明するにあたり、まず、従来の高速炉デブリベッド冷却の解析手法について説明する。図２は、従来の高速炉デブリベッド冷却の解析手法を説明するための図である。 Before describing the fast reactor debris bed cooling analysis apparatus according to the first embodiment, first, a conventional fast reactor debris bed cooling analysis method will be described. FIG. 2 is a diagram for explaining a conventional analysis method for fast reactor debris bed cooling.
図２に示すように、従来の高速炉デブリベッド冷却の解析手法では、冷却性の解析に使用される複数の入力値のデータセットを受け付け、当該データセットに基づいて解析条件を設定し、当該条件の下で非定常熱伝導方程式を解くことにより、冷却性を評価する。図２では、上部冷却材温度と、下部冷却材温度と、冷却性の判定結果との関係を評価する。従来の高速炉デブリベッド冷却の解析手法では、非定常熱伝導方程式の計算に時間がかかることから、計算回数が制限され、その結果、冷却性の評価結果についても荒い評価結果となってしまう。 As shown in FIG. 2, in the conventional fast reactor debris bed cooling analysis method, a data set of a plurality of input values used for the cooling property analysis is accepted, analysis conditions are set based on the data set, and Coolability is evaluated by solving the unsteady heat conduction equation under the conditions. In FIG. 2, the relationship between the upper coolant temperature, the lower coolant temperature, and the determination result of the cooling property is evaluated. In the conventional fast reactor debris bed cooling analysis method, the calculation of the unsteady heat conduction equation takes time, so the number of calculations is limited, and as a result, the evaluation result of the cooling property also becomes a rough evaluation result.
これに対し、第１実施形態に係る高速炉デブリベッド冷却の解析装置１は、機械学習を利用することにより、非定常熱伝導方程式に使用される入力値のデータセットが入力されると冷却性の評価結果を出力する解析モデルを生成し、当該解析モデルに基づいて当該データセットに対応する評価結果を取得する。高速炉デブリベッド冷却の解析装置１は、例えば、コンピュータである。以下の説明において、高速炉デブリベッド冷却の解析装置１を、単に解析装置１という。 On the other hand, the fast reactor debris bed cooling analysis apparatus 1 according to the first embodiment uses machine learning to cool the input data set used for the unsteady heat conduction equation. An analysis model that outputs the evaluation result is generated, and the evaluation result corresponding to the data set is acquired based on the analysis model. The fast reactor debris bed cooling analysis device 1 is, for example, a computer. In the following description, the analysis device 1 for fast reactor debris bed cooling is simply referred to as the analysis device 1.
図３は、第１実施形態に係る高速炉デブリベッド冷却の解析手法を説明するための図である。図３に示すように、解析装置１は、まず、冷却性の解析に使用される複数の入力値のデータセットを第１の個数生成し、各データセットに基づいて解析条件を設定し、当該条件の下で非定常熱伝導方程式を解くことにより、各データセットに対応する冷却性の評価結果を取得する。 FIG. 3 is a diagram for explaining an analysis method of fast reactor debris bed cooling according to the first embodiment. As shown in FIG. 3, the analysis apparatus 1 first generates a first number of data sets of a plurality of input values used for cooling analysis, sets an analysis condition based on each data set, and The unsteady heat conduction equation is solved under the condition to obtain the evaluation result of the cooling property corresponding to each data set.
続いて、解析装置１は、各データセットと、当該データセットに対応する評価結果との組み合わせを教師データとして、データセットの入力に対して評価結果を出力する解析モデルを生成する。続いて、解析装置１は、任意のデータセットのそれぞれを解析モデルに入力し、当該データセットに対応する評価結果を解析モデルから取得する。本実施形態において、解析装置１は、第１の個数よりも多い第２の個数のデータセットのそれぞれを解析モデルにこれらのデータセットに対応する評価結果を解析モデルから取得する。 Then, the analysis device 1 uses the combination of each data set and the evaluation result corresponding to the data set as teacher data to generate an analysis model that outputs the evaluation result with respect to the input of the data set. Subsequently, the analysis device 1 inputs each of the arbitrary data sets into the analysis model and acquires the evaluation result corresponding to the data set from the analysis model. In the present embodiment, the analysis device 1 uses each of the second number of data sets, which is larger than the first number, as an analysis model, and acquires the evaluation results corresponding to these data sets from the analysis model.
解析モデルは、非定常熱伝導方程式を解くことによりデータセットに対応する冷却性の評価結果を取得する場合に比べて、評価結果を短時間で出力することができる。したがって、解析装置１は、解析モデルを用いることにより、冷却性評価モデルに対応する計算結果を短時間で得ることができる。解析装置１は、第１の個数よりも多い第２の個数のデータセットのそれぞれを解析モデルに入力しても、これらのデータセットに対応する評価結果を短時間で取得することができる。これにより、解析装置１は、図３に示すように、冷却性の評価結果を高精度に取得することができる。 The analysis model can output the evaluation result in a shorter time than when the evaluation result of the cooling property corresponding to the data set is acquired by solving the unsteady heat conduction equation. Therefore, the analysis apparatus 1 can obtain the calculation result corresponding to the cooling property evaluation model in a short time by using the analysis model. Even if each of the second number of data sets, which is larger than the first number, is input to the analysis model, the analysis device 1 can acquire the evaluation results corresponding to these data sets in a short time. As a result, the analyzer 1 can acquire the evaluation result of the cooling property with high accuracy, as shown in FIG.
［解析装置１の構成例］
続いて、解析装置１の構成について説明する。図４は、第１実施形態に係る解析装置１の構成を示す図である。
解析装置１は、入力部１１と、表示部１２と、通信部１３と、記憶部１４と、制御部１５とを備える。
[Example of configuration of analyzer 1]
Next, the configuration of the analysis device 1 will be described. FIG. 4 is a diagram showing the configuration of the analysis device 1 according to the first embodiment.
The analysis device 1 includes an input unit 11, a display unit 12, a communication unit 13, a storage unit 14, and a control unit 15.
入力部１１は、例えば、マウス又はキーボード等により構成されており、解析装置１のユーザから操作入力を受け付ける。
表示部１２は、例えば、液晶ディスプレイや有機ＥＬ（Electro-Luminescence）ディスプレイ等により構成される。表示部１２は、制御部１５の制御に応じて各種情報を表示する。
通信部１３は、例えば、解析装置１が他の装置と通信するための通信インタフェースである。
The input unit 11 is composed of, for example, a mouse or a keyboard, and receives an operation input from the user of the analysis device 1.
The display unit 12 is composed of, for example, a liquid crystal display, an organic EL (Electro-Luminescence) display, or the like. The display unit 12 displays various information under the control of the control unit 15.
The communication unit 13 is, for example, a communication interface for the analysis device 1 to communicate with another device.
記憶部１４は、例えば、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等である。記憶部１４は、解析装置１を機能させるための各種プログラムを記憶する。例えば、記憶部１４は、解析装置１の制御部１５を、後述する第１データセット生成部１５１、解析部１５２、モデル生成部１５３、第２データセット生成部１５４、及び評価結果取得部１５５として機能させる高速炉デブリベッド冷却の解析プログラムを記憶する。 The storage unit 14 is, for example, a ROM (Read Only Memory) and a RAM (Random Access Memory). The storage unit 14 stores various programs for causing the analysis device 1 to function. For example, the storage unit 14 uses the control unit 15 of the analysis device 1 as a first data set generation unit 151, an analysis unit 152, a model generation unit 153, a second data set generation unit 154, and an evaluation result acquisition unit 155, which will be described later. The analysis program of the fast reactor debris bed cooling to be operated is stored.
制御部１５は、例えばＣＰＵ（Central Processing Unit）である。制御部１５は、記憶部１４に記憶されている高速炉デブリベッド冷却の解析プログラムを実行することにより、第１データセット生成部１５１、解析部１５２、モデル生成部１５３、第２データセット生成部１５４、及び評価結果取得部１５５として機能する。 The control unit 15 is, for example, a CPU (Central Processing Unit). The control unit 15 executes the fast reactor debris bed cooling analysis program stored in the storage unit 14 to generate the first data set generation unit 151, the analysis unit 152, the model generation unit 153, and the second data set generation unit. It functions as 154 and the evaluation result acquisition part 155.
第１データセット生成部１５１は、高速炉において、原子炉容器内に設けられたコアキャッチャーに堆積した粒子状の燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成する。 In the fast reactor, the first data set generation unit 151 analyzes the input data of each of the plurality of input items used for the analysis of the cooling property of the particulate fuel debris accumulated in the core catcher provided in the reactor vessel. A first number of data sets that are combinations is generated.
複数の入力項目は、デブリベッドの冷却性に影響を与える複数のパラメータに対応しており、例えば、デブリベッドの初期温度、デブリベッドの高さ、デブリの粒子径、デブリベッドの空隙、上部冷却材温度、下部冷却材温度、スチール粒子の混入率である。複数の入力項目のうち、一部の入力項目の値は、固定値であってもよい。 The multiple input items correspond to multiple parameters that affect the cooling performance of the debris bed, such as the initial temperature of the debris bed, the height of the debris bed, the debris particle size, the debris bed void, and the upper cooling. Material temperature, lower coolant temperature, and steel particle mixing rate. Values of some of the plurality of input items may be fixed values.
第１データセット生成部１５１は、複数のデータセットに含まれる複数の入力項目のうち、値を変化させる入力項目について、当該入力項目の値が、当該入力項目が取り得る値の範囲において、一様分布となるように複数のデータセットを生成する。例えば、第１データセット生成部１５１は、ラテン超方格法に基づいてサンプリングを行うことにより、第１の個数のデータセットを生成する。なお、第１データセット生成部１５１は、ラテン超方格法とは異なるサンプリング手法を用いて第１の個数のデータセットを生成してもよい。 The first data set generation unit 151 sets the value of the input item whose value is changed among the plurality of input items included in the plurality of data sets within a range of values that the input item can take. Generate multiple datasets with a uniform distribution. For example, the first data set generation unit 151 generates a first number of data sets by performing sampling based on the Latin hypercube method. Note that the first data set generation unit 151 may generate the first number of data sets using a sampling method different from the Latin hypercube method.
解析部１５２は、第１データセット生成部１５１が生成した第１の個数のデータセットのそれぞれについて、燃料デブリの冷却性の解析を行うことにより、燃料デブリの冷却性の評価結果を取得する。 The analysis unit 152 obtains the evaluation result of the fuel debris coolability by analyzing the fuel debris coolability for each of the first number of data sets generated by the first data set generation unit 151.
第１実施形態において、解析部１５２は、第１の個数のデータセットのそれぞれについて、以下に示すように燃料デブリの冷却性を解析する。まず、解析部１５２は、高速炉において、原子炉容器内に設けられたコアキャッチャー１０１上に、データセットに含まれる入力項目「デブリベッドの高さ」が示す高さのデブリベッドが堆積している場合を想定し、当該デブリベッドを分割することにより、第１サイズの複数のメッシュを生成する。第１実施形態では、解析部１５２は、コアキャッチャー１０１上の一点に堆積しているデブリベッドを、デブリベッドの高さ方向に第１サイズにより分割することにより、第１サイズの複数のメッシュを生成する。なお、第１実施形態では、解析部１５２は、デブリベッドを、デブリベッドの高さ方向に第１サイズにより分割することとしているが、これに限らず、デブリベッドを、高さ方向、水平方向（幅方向、奥行方向）のうち、一以上の方向に分割してもよい。 In the first embodiment, the analysis unit 152 analyzes the cooling property of the fuel debris for each of the first number of data sets as described below. First, in the fast reactor, the analysis unit 152 deposits the debris bed having the height indicated by the input item “height of debris bed” included in the data set on the core catcher 101 provided in the reactor vessel. Assuming that there is such a case, the debris bed is divided to generate a plurality of meshes of the first size. In the first embodiment, the analysis unit 152 divides the debris bed accumulated at one point on the core catcher 101 by the first size in the height direction of the debris bed, thereby generating a plurality of meshes of the first size. To generate. In the first embodiment, the analysis unit 152 divides the debris bed in the height direction of the debris bed by the first size, but is not limited to this, and the debris bed may be divided in the height direction and the horizontal direction. You may divide in one or more directions among (width direction, depth direction).
続いて、解析部１５２は、生成した第１サイズの複数のメッシュのそれぞれについて、デブリベッドの未沸騰領域における等価熱伝導度と、デブリベッドの沸騰領域における等価熱伝導度よりも大きい、デブリベッドの沸騰領域における模擬的な等価熱伝導度とに基づいて各時間における非定常熱伝導方程式を解くことにより、デブリベッドの未沸騰領域の温度及び沸騰領域の範囲を過渡解析する。 Subsequently, the analysis unit 152, for each of the generated plurality of meshes of the first size, the debris bed having a larger equivalent thermal conductivity in the non-boiling region of the debris bed and a larger thermal conductivity in the boiling region of the debris bed. Transient analysis of the temperature and the range of the boiling region of the debris bed is performed by solving the unsteady heat conduction equation at each time based on the simulated equivalent thermal conductivity in the boiling region of.
ここで、非定常熱伝導方程式は、以下の式（２）に示されるものとする。式（２）中の（ρＣｐ）Ｂはデブリベッドの熱容量、ＴＢはデブリベッドの温度、ｔは時間、Ｑはデブリベッドの発熱密度、ｋｅｑは等価熱伝導度、ｚはデブリベッドの高さ方向の位置を示している。
図５は、第１実施形態に係る解析部１５２が非定常熱伝導方程式を解く場合に用いるデブリベッドの沸騰領域における模擬的な等価熱伝導度を示す図である。図５における実線及び一点鎖線は模擬的な等価熱伝導度を示しており、破線は、デブリベッドの等価熱伝導度を示している。図５に示すように、模擬的な等価熱伝導度は、デブリベッドの沸騰領域の開始温度から所定範囲内を示す範囲Ｒ１内において、最低の熱伝導度である。 FIG. 5 is a diagram showing a simulated equivalent thermal conductivity in the boiling region of the debris bed used when the analysis unit 152 according to the first embodiment solves the unsteady heat conduction equation. The solid line and the alternate long and short dash line in FIG. 5 indicate the simulated equivalent thermal conductivity, and the broken line indicates the equivalent thermal conductivity of the debris bed. As shown in FIG. 5, the simulated equivalent thermal conductivity is the lowest thermal conductivity within a range R1 that indicates a predetermined range from the starting temperature of the boiling region of the debris bed.
また、模擬的な等価熱伝導度は、デブリベッドの沸騰領域の開始温度から所定範囲外の温度を示す範囲Ｒ２内の温度において、破線で示すデブリベッドの等価熱伝導度よりも高い熱伝導度である。デブリベッドの沸騰領域の開始温度から所定範囲外の温度における模擬的な等価熱伝導度は、例えば、同温度範囲におけるデブリベッドの等価熱伝導度のピーク値に対して数倍以上高い値を有している。また、模擬的な等価熱電導度は、一点鎖線で示すように、最低の熱伝導度から、破線で示されるデブリベッドの等価熱伝導度よりも高い熱伝導度に移行するまでの間に極端に不連続な値とならないように定義される。 Further, the simulated equivalent thermal conductivity is higher than the equivalent thermal conductivity of the debris bed indicated by the broken line at a temperature within a range R2 indicating a temperature outside the predetermined range from the start temperature of the boiling region of the debris bed. Is. The simulated equivalent thermal conductivity at a temperature outside the predetermined range from the starting temperature of the boiling region of the debris bed has a value several times higher than the peak value of the equivalent thermal conductivity of the debris bed in the same temperature range. is doing. Also, the simulated equivalent thermal conductivity is extremely high during the transition from the lowest thermal conductivity to the thermal conductivity higher than the equivalent thermal conductivity of the debris bed indicated by the broken line, as shown by the chain line. Is defined so as not to be a discontinuous value.
図５に示すように、沸騰領域の広い範囲における模擬的な等価熱伝導度を、デブリベッドの等価熱伝導度に比べて大きい値とすることにより、メッシュサイズを大きくしてもメッシュ間で熱が十分に伝わるという前提で解析することができる。これにより、解析部１５２は、デブリベッドの温度及び水率の過渡解析を高速に行うことができる。 As shown in Fig. 5, by setting the simulated equivalent thermal conductivity in a wide range of the boiling region to a value larger than the equivalent thermal conductivity of the debris bed, even if the mesh size is increased, the heat between the meshes is increased. Can be analyzed on the assumption that is transmitted sufficiently. As a result, the analysis unit 152 can perform transient analysis of the temperature and water rate of the debris bed at high speed.
解析部１５２が各メッシュについて温度を算出した結果、沸騰点よりも低い温度となるメッシュに対応する位置のデブリベッドは未沸騰領域に属し、沸騰点以上の温度となるメッシュに対応する位置のデブリベッドは沸騰領域に属する。また、未沸騰領域の水率は１となり、沸騰領域の水率は１以下となる。 As a result of the analysis unit 152 calculating the temperature for each mesh, the debris bed at the position corresponding to the mesh having a temperature lower than the boiling point belongs to the non-boiling region, and the debris at the position corresponding to the mesh having the temperature equal to or higher than the boiling point is included. The bed belongs to the boiling area. The water rate in the non-boiling region is 1, and the water rate in the boiling region is 1 or less.
ここで、解析部１５２は、図５に示す模擬的な等価熱伝導度を用いてデブリベッドの温度及び水率を算出するので、沸騰領域の温度及び水率の精度が低くなってしまう。沸騰領域において、沸騰点からドライアウト（等価熱伝導度が再びほぼゼロとなる温度）までの温度差は数℃しかなく、その間の等価熱伝導度の平均値は非常に大きいことから、沸騰領域は、過渡状態においても定常的な挙動を示すと考えられる。そこで、解析部１５２は、沸騰領域の範囲に対して、図５において破線で示すデブリベッドの等価熱伝導度に基づく定常解析を行い、沸騰領域の温度及び水率の分布を解析する。 Here, since the analysis unit 152 calculates the temperature and water rate of the debris bed using the simulated equivalent thermal conductivity shown in FIG. 5, the accuracy of the temperature and water rate in the boiling region becomes low. In the boiling region, the temperature difference from the boiling point to the dryout (the temperature at which the equivalent thermal conductivity becomes almost zero again) is only a few degrees Celsius, and the average equivalent thermal conductivity during that period is very large. Is considered to show steady behavior even in a transient state. Therefore, the analysis unit 152 performs a steady-state analysis on the range of the boiling region based on the equivalent thermal conductivity of the debris bed shown by the broken line in FIG. 5, and analyzes the distribution of the temperature and the water rate in the boiling region.
具体的には、解析部１５２は、解析された各時間の沸騰領域の範囲のうち、特定の時間における沸騰領域の範囲に対応するデブリベッドを第１サイズよりも小さい第２サイズの複数のメッシュに分割する。第１実施形態では、解析部１５２は、沸騰領域の範囲に対応するデブリベッドを高さ方向に分割することにより、第２サイズの複数のメッシュを生成する。なお、第１実施形態では、解析部１５２は、デブリベッドを、デブリベッドの高さ方向に第２サイズにより分割することとしているが、これに限らず、デブリベッドを、高さ方向、水平方向（幅方向、奥行方向）のうち、一以上の方向に分割してもよい。 Specifically, the analysis unit 152 uses a plurality of meshes of a second size smaller than the first size for the debris bed corresponding to the range of the boiling region at a specific time in the range of the boiling region of each analyzed time. Split into. In the first embodiment, the analysis unit 152 generates a plurality of meshes of the second size by dividing the debris bed corresponding to the range of the boiling region in the height direction. In the first embodiment, the analysis unit 152 divides the debris bed in the height direction of the debris bed according to the second size, but is not limited to this. You may divide in one or more directions among (width direction, depth direction).
ここで、特定の時間は、解析装置１が、解析結果をユーザが閲覧可能な情報として出力するタイミングに対応する時間である。例えば、解析部１５２は、第１時間間隔ごとに第１サイズに分割された各メッシュに対する解析を行うのに対し、解析部１５２は、第１時間よりも長い第２時間間隔ごとに、第２サイズに分割された各メッシュに対する解析を行う。 Here, the specific time is a time corresponding to the timing when the analysis device 1 outputs the analysis result as information that can be browsed by the user. For example, the analysis unit 152 analyzes each mesh divided into the first size for each first time interval, while the analysis unit 152 performs the second analysis for each second time interval longer than the first time. Analyze each mesh divided into size.
続いて、解析部１５２は、第２サイズの複数のメッシュのそれぞれについて、デブリベッドの沸騰領域における等価熱伝導度に基づく定常解析を行うことにより、特定の時間における沸騰領域の温度及び水率の分布を解析する。上述したとおり、沸騰領域は、過渡においても定常的な挙動を示すと考えられることから、式（２）の左辺のｄＴ／ｄｔがほぼ０となる。解析部１５２は、式（２）の左辺の値を０として式（２）を解くことにより、第２サイズの複数のメッシュのそれぞれに対応する温度及び水率を算出する。 Then, the analysis unit 152 performs a steady-state analysis based on the equivalent thermal conductivity in the boiling region of the debris bed for each of the plurality of meshes of the second size to determine the temperature and water rate of the boiling region at a specific time. Analyze the distribution. As described above, since it is considered that the boiling region exhibits a steady behavior even in the transient state, dT / dt on the left side of the equation (2) becomes almost zero. The analysis unit 152 calculates the temperature and the water rate corresponding to each of the plurality of meshes of the second size by solving the equation (2) with the value on the left side of the equation (2) set to 0.
解析部１５２は、所定期間における温度及び水率を算出した結果に基づいて、燃料デブリの冷却性の評価結果を特定する。第１実施形態では、燃料デブリの冷却性の評価結果は、例えば、デブリベッドが沸騰することなく冷却できたか、デブリベッドが沸騰を伴いながら冷却できたか、デブリベッドが冷却できなかったか（ドライアウトしたか）のいずれかを示す冷却判定結果である。なお、第１実施形態では、解析部１５２は、燃料デブリの冷却性の評価結果として、冷却判定結果を特定することとしているが、これに限らず、所定期間におけるデブリベッドのピーク温度や、ピーク最低水率を燃料デブリの冷却性の評価結果として特定してもよい。 The analysis unit 152 identifies the evaluation result of the cooling property of the fuel debris based on the result of calculating the temperature and the water rate in the predetermined period. In the first embodiment, the evaluation result of the cooling performance of the fuel debris is, for example, whether the debris bed could be cooled without boiling, whether the debris bed could be cooled with boiling, or the debris bed could not be cooled (dryout It is a cooling determination result indicating either of the above. In the first embodiment, the analysis unit 152 specifies the cooling determination result as the evaluation result of the cooling property of the fuel debris, but the present invention is not limited to this, and the peak temperature of the debris bed during a predetermined period and the peak. The minimum water rate may be specified as the evaluation result of the cooling property of the fuel debris.
解析部１５２は、上述のデブリベッドを第１サイズの複数のメッシュを生成してから分類するまでの処理を、複数のデータセットのそれぞれについて行うことにより、複数のデータセットのそれぞれに対応する燃料デブリの冷却性の評価結果を取得する。 The analysis unit 152 performs the above-described processing from the generation of the plurality of meshes of the first size to the classification of the debris bed for each of the plurality of data sets, so that the fuel corresponding to each of the plurality of data sets is obtained. Obtain the evaluation results of the debris cooling performance.
なお、解析部１５２は、上述した処理に従って燃料デブリの冷却性を解析するが、上述した処理とは異なる処理により燃料デブリの冷却性を解析してもよい。例えば、式（１）に示すデブリベッドの等価熱伝導度ｋｅｑを用いた非定常熱伝導方程式を解くことにより燃料デブリの冷却性を解析したり、上述した処理よりも高速な手法に基づいて燃料デブリの冷却性を解析したりしてもよい。 Although the analysis unit 152 analyzes the cooling performance of the fuel debris according to the above-described processing, the cooling performance of the fuel debris may be analyzed by a processing different from the above processing. For example, the cooling performance of the fuel debris is analyzed by solving the unsteady heat conduction equation using the equivalent thermal conductivity keq of the debris bed shown in the equation (1), and the fuel debris is cooled based on a method faster than the above-mentioned processing. You may analyze the cooling of debris.
モデル生成部１５３は、第１の個数のデータセットのそれぞれと、当該データセットに対応する燃料デブリの冷却性の評価結果との組み合わせを教師データとすることにより、第１の個数の教師データを生成する。そして、モデル生成部１５３は、第１の個数の教師データに基づいて機械学習を行うことにより、データセットの入力に対して評価結果を出力する解析モデルを生成する。例えば、モデル生成部１５３は、所定の層数及びノード数のニューラルネットワークについて、第１の個数の教師データに基づいて機械学習を行うことにより解析モデルを生成する。なお、モデル生成部１５３は、ニューラルネットワークを用いた機械学習とは異なる手法により機械学習を行うことにより解析モデルを生成してもよい。 The model generation unit 153 uses the combination of each of the first number of data sets and the evaluation result of the cooling performance of the fuel debris corresponding to the data set as the teacher data, and thereby the first number of the teacher data is acquired. To generate. Then, the model generation unit 153 performs machine learning based on the first number of teacher data to generate an analysis model that outputs the evaluation result with respect to the input of the data set. For example, the model generator 153 generates an analytical model by performing machine learning on a neural network having a predetermined number of layers and a predetermined number of nodes based on the first number of teacher data. The model generation unit 153 may generate the analysis model by performing machine learning by a method different from the machine learning using a neural network.
評価結果取得部１５５は、任意のデータセットを解析モデルに入力することにより、当該データセットに対応する評価結果を解析モデルから取得する。
例えば、まず、第２データセット生成部１５４は、データセットを、第１の個数よりも多い第２の個数生成する。第２データセット生成部１５４は、複数のデータセットに含まれる複数の入力項目のうち、値を変化させる入力項目について、当該入力項目の値が、当該入力項目が取り得る値の範囲において、全ての組み合わせを網羅するように複数のデータセットを生成する。
The evaluation result acquisition unit 155 acquires an evaluation result corresponding to the data set from the analysis model by inputting an arbitrary data set into the analysis model.
For example, first, the second data set generation unit 154 generates a second number of data sets, which is larger than the first number. The second data set generation unit 154 selects all the input items whose values are changed among the plurality of input items included in the plurality of data sets in the range of values that the input item can take. Generate multiple datasets to cover all combinations.
評価結果取得部１５５は、第２データセット生成部１５４が生成した第２の個数のデータセットのそれぞれを解析モデルに入力し、当該データセットのそれぞれに対応する評価結果を解析モデルから取得する。 The evaluation result acquisition unit 155 inputs each of the second number of data sets generated by the second data set generation unit 154 to the analysis model, and acquires the evaluation result corresponding to each of the data sets from the analysis model.
［検証結果］
続いて、従来の手法である非定常熱伝導方程式を解くことによる冷却性の評価結果と、第１実施形態に係る解析モデルによる冷却性の評価結果との比較結果について説明する。図６は、従来の手法による冷却性の評価結果と、第１実施形態に係る解析モデルによる冷却性の評価結果との比較結果を示す図である。
[inspection result]
Next, a comparison result between the evaluation result of the cooling performance by solving the unsteady heat conduction equation which is the conventional method and the evaluation result of the cooling performance by the analysis model according to the first embodiment will be described. FIG. 6 is a diagram showing a comparison result between the evaluation result of the cooling performance by the conventional method and the evaluation result of the cooling performance by the analysis model according to the first embodiment.
図６（ａ）は、デブリベッドの高さを１８ｃｍとした場合のデブリベッドの冷却性の評価結果を示す図である。図６（ｂ）は、デブリベッドの高さを２０ｃｍとした場合のデブリベッドの冷却性の評価結果を示す図である。図６（ａ）、（ｂ）では、第１実施形態に係る解析モデルによる冷却性の複数種類の評価結果を、領域Ａ、領域Ｂ及び領域Ｃとして示している。領域Ａは、沸騰することなく冷却できたことを示す領域であり、領域Ｂは、沸騰を伴いながら冷却できたことを示す領域であり、領域Ｃは、冷却できなかった（ドライアウトした）ことを示す領域である。また、図６（ａ）、（ｂ）における〇は、沸騰することなく冷却できたことを示す解析結果に対応し、△は、沸騰を伴いながら冷却できたことを示す解析結果に対応し、×は、冷却できなかった（ドライアウトした）ことを示す冷却結果に対応している。図６（ａ）、（ｂ）のいずれにおいても、従来の手法による冷却性の評価結果の大部分が、第１実施形態に係る解析モデルの冷却性の評価結果と一致していることが確認できる。 FIG. 6A is a diagram showing the evaluation results of the cooling performance of the debris bed when the height of the debris bed is 18 cm. FIG.6 (b) is a figure which shows the evaluation result of the cooling property of a debris bed when the height of a debris bed is 20 cm. In FIGS. 6A and 6B, a plurality of types of evaluation results of the coolability by the analysis model according to the first embodiment are shown as a region A, a region B, and a region C. A region A is a region showing that cooling was possible without boiling, a region B is a region showing that cooling was possible with boiling, and a region C was not able to be cooled (dried out). Is an area indicating. Further, ◯ in FIGS. 6 (a) and 6 (b) corresponds to the analysis result indicating that cooling was possible without boiling, and Δ corresponds to the analysis result indicating that cooling was possible with boiling, X corresponds to the cooling result indicating that the cooling could not be performed (dried out). In both of FIGS. 6A and 6B, it is confirmed that most of the evaluation results of the cooling performance by the conventional method match the evaluation results of the cooling performance of the analysis model according to the first embodiment. it can.
［計算時間の比較］
続いて、従来の手法による冷却性の評価結果の算出時間と、第１実施形態に係る解析モデルによる冷却性の評価結果との算出時間とについて説明する。ここで、従来の手法として、第１実施形態に示す解析部１５２が行う解析手法を用いることとした。同等の性能のコンピュータを用いて同条件にて冷却性の評価を行った場合に、従来の手法において約１分かかる評価を、第１実施形態に係る解析モデルによりマイクロ秒オーダーで評価することができた。したがって、解析モデルを使用することにより、冷却性の評価結果を短時間で得ることが可能になった。この結果、冷却性の評価結果を瞬時に大量に取得することができるため、従来の手法において行われていたような、離散的な計算結果から入力値と結果を推測しながらの繰り返し作業が不要となり、冷却性評価を短時間で容易に検証することが可能となった。
[Comparison of calculation time]
Next, the calculation time of the evaluation result of the cooling performance by the conventional method and the calculation time of the evaluation result of the cooling performance by the analysis model according to the first embodiment will be described. Here, as the conventional method, the analysis method performed by the analysis unit 152 according to the first embodiment is used. When the cooling performance is evaluated under the same conditions using a computer having equivalent performance, the evaluation that takes about 1 minute in the conventional method can be evaluated in the microsecond order by the analysis model according to the first embodiment. did it. Therefore, it becomes possible to obtain the evaluation result of the cooling property in a short time by using the analysis model. As a result, a large amount of cooling performance evaluation results can be acquired instantly, eliminating the need for repetitive work, such as with conventional methods, inferring input values and results from discrete calculation results. Therefore, it becomes possible to easily verify the cooling property evaluation in a short time.
［冷却性の評価結果の可視化例］
続いて、冷却性の評価結果を可視化した例について説明する。図７は、第１実施形態に係る解析モデルを用いて取得した冷却性の評価結果に基づいて、３つの入力項目と、冷却性の評価結果との関係を示す三次元マップを作成した例を示す図である。図７における領域ａは、沸騰することなく冷却できたことを示す領域であり、領域ｂは、沸騰を伴いながら冷却できたことを示す領域であり、領域ｃは、冷却できなかった（ドライアウトした）ことを示す領域である。図７に示す３つの入力項目は、上部冷却材温度、下部冷却材温度、及びデブリベッドの高さである。第１実施形態に係る解析モデルを用いることにより、図７に示すように、各入力項目が冷却性にどのように影響するのかを容易に把握することができる。
[Example of visualization of cooling performance evaluation results]
Subsequently, an example of visualizing the evaluation result of the cooling property will be described. FIG. 7 is an example in which a three-dimensional map showing the relationship between the three input items and the cooling performance evaluation result is created based on the cooling performance evaluation result acquired using the analysis model according to the first embodiment. FIG. Region a in FIG. 7 is a region showing that cooling was possible without boiling, region b was a region showing that cooling could be performed with boiling, and region c could not be cooled (dryout). This is an area that indicates that The three input items shown in FIG. 7 are the upper coolant temperature, the lower coolant temperature, and the height of the debris bed. By using the analysis model according to the first embodiment, it is possible to easily understand how each input item affects the cooling property, as shown in FIG. 7.
［第１実施形態における効果］
以上のとおり、第１実施形態に係る解析装置１は、原子炉容器内に設けられたコアキャッチャー１０１に堆積した粒子状の燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成し、第１の個数のデータセットのそれぞれに基づいて、燃料デブリの冷却性の解析を行うことにより、燃料デブリの冷却性の評価結果を取得する。解析装置１は、第１の個数のデータセットのそれぞれと、当該データセットに対応する評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより、データセットの入力に対して評価結果を出力する解析モデルを生成する。そして、解析装置１は、任意のデータセットを解析モデルに入力し、当該データセットに対応する評価結果を解析モデルから取得する。
[Effects of First Embodiment]
As described above, the analysis apparatus 1 according to the first embodiment is provided with each of a plurality of input items used for analyzing the cooling property of the particulate fuel debris accumulated on the core catcher 101 provided in the reactor vessel. A first number of data sets, which is a combination of input data, is generated, and the cooling performance of the fuel debris is analyzed by analyzing the cooling performance of the fuel debris based on each of the first number of data sets. get. The analysis apparatus 1 uses the combination of each of the first number of data sets and the evaluation result corresponding to the data set as teacher data, and performs machine learning based on the teacher data to input the data set. An analysis model that outputs the evaluation result is generated. Then, the analysis device 1 inputs an arbitrary data set into the analysis model and acquires the evaluation result corresponding to the data set from the analysis model.
解析モデルは、データセットの入力に対して短時間で評価結果を出力することができるので、解析装置１は、解析モデルを使用して評価結果を取得することにより、非定常熱伝導方程式を解く従来の冷却性評価モデルのみを用いて冷却性を評価する場合に比べて、冷却性評価モデルに対応する計算結果を短時間で得ることができる。 Since the analysis model can output the evaluation result in a short time with respect to the input of the data set, the analysis apparatus 1 solves the unsteady heat conduction equation by acquiring the evaluation result using the analysis model. It is possible to obtain a calculation result corresponding to the cooling property evaluation model in a shorter time than in the case of evaluating the cooling property using only the conventional cooling property evaluation model.
＜第２実施形態＞
［境界領域に対応するデータセット及び解析結果に基づいて解析結果を修正する］
続いて、第２実施形態に係る解析装置１について説明する。解析モデルの生成にあたり、重要な教師データは、判定結果が変化する境界付近のデータである。このため、当該境界付近の教師データを重点的に生成することにより、解析モデルの精度を向上させることができる。そこで、第２実施形態に係る解析装置１は、境界領域に対応するデータセット及び解析結果に基づいて解析モデルを修正する点で第１実施形態と異なる。以下、第２実施形態に係る解析装置１について説明する。なお、第１実施形態と同じ部分については適宜説明を省略する。
<Second Embodiment>
[Modify the analysis result based on the data set corresponding to the boundary area and the analysis result]
Next, the analysis device 1 according to the second embodiment will be described. In generating the analysis model, the important teaching data is data near the boundary where the determination result changes. Therefore, the accuracy of the analysis model can be improved by intensively generating the teacher data near the boundary. Therefore, the analysis apparatus 1 according to the second embodiment is different from the first embodiment in that the analysis model is corrected based on the data set corresponding to the boundary area and the analysis result. Hereinafter, the analysis device 1 according to the second embodiment will be described. The description of the same parts as those in the first embodiment will be appropriately omitted.
図８は、第２実施形態に係る解析装置１の構成を示す図である。図８に示すように、第２実施形態に係る解析装置１の制御部１５は、境界領域特定部１５６と、第３データセット生成部１５７とをさらに備える。 FIG. 8 is a diagram showing the configuration of the analysis device 1 according to the second embodiment. As shown in FIG. 8, the control unit 15 of the analysis device 1 according to the second embodiment further includes a boundary region identification unit 156 and a third data set generation unit 157.
第１データセット生成部１５１は、第１実施形態と同様に、燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成する。 Similar to the first embodiment, the first data set generation unit 151 generates a first number of data sets which are combinations of input data of a plurality of input items used for analysis of cooling performance of fuel debris. ..
解析部１５２は、第１の個数のデータセットのそれぞれについて、燃料デブリの冷却性の解析を行うことにより、燃料デブリの冷却性の評価結果を取得する。モデル生成部１５３は、第１実施形態と同様に、第１の個数のデータセットのそれぞれと、当該データセットに対応する評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより解析モデルを生成する。第２データセット生成部１５４は、第２の個数のデータセットを生成し、評価結果取得部１５５は、第２の個数のデータセットのそれぞれを解析モデルに入力し、当該データセットに対応する評価結果を解析モデルから取得する。 The analysis unit 152 obtains the evaluation result of the fuel debris coolability by analyzing the fuel debris coolability for each of the first number of data sets. As in the first embodiment, the model generation unit 153 sets the combination of each of the first number of data sets and the evaluation result corresponding to the data set as teacher data, and performs machine learning based on the teacher data. An analysis model is generated by performing. The second data set generation unit 154 generates a second number of data sets, and the evaluation result acquisition unit 155 inputs each of the second number of data sets into the analysis model and performs evaluation corresponding to the data set. Get the results from the analytical model.
境界領域特定部１５６は、評価結果取得部１５５が取得した燃料デブリの冷却性の評価結果に基づいて、異なる評価結果となる境界を含む境界領域を特定する。例えば、境界領域特定部１５６は、所定の入力項目に対応する入力値について、評価結果が変化する２つ入力値を特定し、当該２つの入力値のいずれか一方から所定範囲を、当該所定の入力項目の境界領域と特定する。境界領域特定部１５６は、複数の入力項目のそれぞれについて境界領域を特定する。 The boundary area specifying unit 156 specifies a boundary area including a boundary having a different evaluation result based on the evaluation result of the cooling performance of the fuel debris acquired by the evaluation result acquisition unit 155. For example, the boundary area specifying unit 156 specifies two input values whose evaluation results change, with respect to the input value corresponding to the predetermined input item, and sets a predetermined range from either of the two input values to the predetermined range. Specify as the boundary area of the input item. The boundary area specifying unit 156 specifies a boundary area for each of the plurality of input items.
第３データセット生成部１５７は、境界領域特定部１５６が特定した境界領域において、第１データセット生成部１５１によるデータセットの生成密度よりも高い密度でデータセットを生成する。 The third data set generation unit 157 generates a data set in the boundary area specified by the boundary area specification unit 156 at a density higher than the density of the data set generated by the first data set generation unit 151.
解析部１５２は、第３データセット生成部１５７が生成したデータセットに基づいて、第１実施形態と同様に燃料デブリの冷却性の解析を行うことにより、燃料デブリの冷却性の評価結果を取得する。 The analysis unit 152 obtains the evaluation result of the cooling performance of the fuel debris by performing the cooling performance analysis of the fuel debris based on the data set generated by the third data set generation unit 157 as in the first embodiment. To do.
モデル生成部１５３は、第３データセット生成部１５７が生成したデータセットと、当該データセットに対応する評価結果との組み合わせを新たな教師データとする。そして、モデル生成部１５３は、当該教師データに基づいて機械学習を行うことにより解析モデルを修正する。このようにすることで、境界付近の教師データにより解析モデルが修正されるので、解析装置１は、解析モデルの精度を向上させることができる。 The model generation unit 153 sets a combination of the data set generated by the third data set generation unit 157 and the evaluation result corresponding to the data set as new teacher data. Then, the model generation unit 153 corrects the analysis model by performing machine learning based on the teacher data. By doing so, the analysis model is corrected by the teacher data near the boundary, so that the analysis apparatus 1 can improve the accuracy of the analysis model.
なお、モデル生成部１５３は、第３データセット生成部１５７が生成したデータセットと、当該データセットに対応する評価結果とを組み合わせた教師データに基づいて機械学習を行うことにより解析モデルを修正することとしたが、これに限らない。モデル生成部１５３は、第３データセット生成部１５７が生成したデータセットと、当該データセットに対応する評価結果とを組み合わせた教師データに基づいて、既に生成した解析モデルよりもニューラルネットワークにおける層数及びノード数の少なくともいずれかを多くした機械学習を行うことにより第２解析モデルを生成してもよい。 The model generation unit 153 corrects the analysis model by performing machine learning based on the teacher data that combines the data set generated by the third data set generation unit 157 and the evaluation result corresponding to the data set. However, it is not limited to this. The model generation unit 153, based on the teacher data obtained by combining the data set generated by the third data set generation unit 157 and the evaluation result corresponding to the data set, has a higher number of layers in the neural network than the already generated analysis model. The second analysis model may be generated by performing machine learning in which at least one of the number of nodes and the number of nodes is increased.
この場合において、モデル生成部１５３は、第１の個数の教師データと、第３データセット生成部１５７が生成したデータセットと、当該データセットに対応する評価結果とを組み合わせた教師データとに基づいて、第２解析モデルを生成してもよい。ニューラルネットワークにおける層数及びノード数の少なくともいずれかを多くすることにより、第２解析モデルを生成するまでにかかる時間が増加するものの、解析装置１は、モデルの精度を向上させることができる。 In this case, the model generation unit 153 is based on the teacher data obtained by combining the first number of teacher data, the data set generated by the third data set generation unit 157, and the evaluation result corresponding to the data set. Then, the second analysis model may be generated. By increasing at least one of the number of layers and the number of nodes in the neural network, the analysis device 1 can improve the accuracy of the model, although the time taken to generate the second analysis model increases.
第２実施形態に係る評価結果取得部１５５は、第２の個数のデータセットのそれぞれを修正後の解析モデルに入力し、当該データセットに対応する評価結果を解析モデルから取得する。なお、評価結果取得部１５５は、第２解析モデルを生成した場合、第２の個数のデータセットのそれぞれを第２解析モデルに入力し、当該データセットに対応する評価結果を第２解析モデルから取得する。 The evaluation result acquisition unit 155 according to the second embodiment inputs each of the second number of data sets into the corrected analysis model, and acquires the evaluation result corresponding to the data set from the analysis model. When the second analysis model is generated, the evaluation result acquisition unit 155 inputs each of the second number of data sets into the second analysis model and outputs the evaluation result corresponding to the data set from the second analysis model. get.
［第２実施形態における効果］
以上のとおり、第２実施形態に係る解析装置１は、境界付近の教師データにより解析モデルを修正するので、解析モデルの精度を高めることができる。そして、解析装置１は、第２の個数のデータセットのそれぞれを修正後の解析モデルに入力し、当該データセットに対応する評価結果を解析モデルから取得するので、冷却性の評価を精度良く行うことができる。
[Effects of Second Embodiment]
As described above, the analysis apparatus 1 according to the second embodiment corrects the analysis model with the teacher data near the boundary, so that the accuracy of the analysis model can be improved. Then, the analysis apparatus 1 inputs each of the second number of data sets into the corrected analysis model and acquires the evaluation result corresponding to the data set from the analysis model, so that the cooling performance is evaluated with high accuracy. be able to.
なお、第２実施形態に係る第１の個数は、第１実施形態に係る第１の個数よりも少ない個数（例えば、第３の個数）であってもよい。第１の個数が第１実施形態に係る第１の個数よりも少ない場合、解析モデルの精度は、第１実施形態に係る解析モデルの精度よりも低くなる。しかしながら、第２実施形態に係る解析装置１は、解析モデルを生成した後に、境界付近の教師データにより解析モデルを修正し、解析モデルの精度を向上させることができる。よって、解析装置１は、第１の個数の数を少なくしても、解析モデルの精度を維持することができる。 Note that the first number according to the second embodiment may be a number smaller than the first number according to the first embodiment (for example, a third number). When the first number is smaller than the first number according to the first embodiment, the accuracy of the analysis model is lower than the accuracy of the analysis model according to the first embodiment. However, the analysis apparatus 1 according to the second embodiment can improve the accuracy of the analysis model by correcting the analysis model with the teacher data near the boundary after generating the analysis model. Therefore, the analysis apparatus 1 can maintain the accuracy of the analysis model even if the number of the first number is reduced.
＜第３実施形態＞
［第１の個数のデータセットの解析結果に基づいて境界領域を特定する］
続いて、第３実施形態に係る解析装置１について説明する。第２実施形態に係る解析装置１が、評価結果取得部１５５が取得した燃料デブリの冷却性の評価結果に基づいて境界領域を特定したのに対して、第３実施形態に係る解析装置１は、第１の個数のデータセットの解析結果に基づいて境界領域を特定する点で第２実施形態と異なる。
<Third Embodiment>
[Specify the boundary region based on the analysis result of the first number of data sets]
Next, the analysis device 1 according to the third embodiment will be described. While the analysis apparatus 1 according to the second embodiment specifies the boundary region based on the evaluation result of the cooling performance of the fuel debris acquired by the evaluation result acquisition unit 155, the analysis apparatus 1 according to the third embodiment The second embodiment is different from the second embodiment in that the boundary area is specified based on the analysis result of the first number of data sets.
図９は、第３実施形態に係る解析装置１の構成を示す図である。第３実施形態に係る解析装置１は、第２実施形態に係る解析装置１の構成と同じであるが、図９に示すように、処理の順序が、第２実施形態に係る解析装置１に係る処理の順序と異なる。 FIG. 9 is a diagram showing the configuration of the analysis device 1 according to the third embodiment. The analysis apparatus 1 according to the third embodiment has the same configuration as that of the analysis apparatus 1 according to the second embodiment. However, as shown in FIG. 9, the order of processing is different from that of the analysis apparatus 1 according to the second embodiment. The order of such processing is different.
第３実施形態に係る境界領域特定部１５６は、解析部１５２において、第１の個数のデータセットに基づく燃料デブリの冷却性の解析を行うことにより取得された燃料デブリの冷却性の評価結果に基づいて、異なる評価結果となる境界を含む境界領域を特定する。 The boundary area identifying unit 156 according to the third embodiment uses the analysis result of the cooling performance of the fuel debris obtained by the analysis unit 152 to analyze the cooling performance of the fuel debris based on the first number of data sets. Based on this, the boundary area including the boundary having different evaluation results is specified.
第３データセット生成部１５７は、境界領域特定部１５６が特定した境界領域において、第１データセット生成部１５１によるデータセットの生成密度よりも高い密度でデータセットを生成する。 The third data set generation unit 157 generates a data set in the boundary area specified by the boundary area specification unit 156 at a density higher than the density of the data set generated by the first data set generation unit 151.
第３実施形態に係る解析部１５２は、第２実施形態と同様に、第３データセット生成部１５７が生成したデータセットに基づいて、第１実施形態と同様に燃料デブリの冷却性の解析を行うことにより、燃料デブリの冷却性の評価結果を取得する。 Similar to the second embodiment, the analysis unit 152 according to the third embodiment analyzes the cooling performance of the fuel debris based on the data set generated by the third data set generation unit 157, similarly to the first embodiment. By doing so, the evaluation result of the cooling property of the fuel debris is acquired.
第３実施形態に係るモデル生成部１５３は、第１の個数のデータセットのそれぞれと、当該データセットに対応する評価結果との組み合わせを教師データとするとともに、第３データセット生成部１５７が生成したデータセットと、当該データセットに対応する評価結果との組み合わせを新たな教師データとする。そして、モデル生成部１５３は、これらの教師データに基づいて機械学習を行うことにより解析モデルを生成する。 The model generation unit 153 according to the third embodiment uses the combination of each of the first number of data sets and the evaluation result corresponding to the data set as teacher data, and the model generation unit 157 generates the data. A combination of the created data set and the evaluation result corresponding to the data set is used as new teacher data. Then, the model generation unit 153 generates an analysis model by performing machine learning based on these teacher data.
［第３実施形態における効果］
以上のとおり、第３実施形態に係る解析装置１は、境界領域付近の教師データに基づいて機械学習を行うことにより学習が強化された解析モデルを生成することができるので、第１実施形態に係る解析モデルに比べて精度を向上させることができる。また、第３実施形態に係る解析装置１は、第２実施形態に係る解析装置１のように、解析モデルを修正する処理を行わないので、第２実施形態に比べて短い時間で解析モデルを作成することができる。
[Effects of Third Embodiment]
As described above, the analysis device 1 according to the third embodiment can generate an analysis model in which learning is reinforced by performing machine learning based on teacher data in the vicinity of the boundary area. The accuracy can be improved as compared with the analysis model. In addition, the analysis apparatus 1 according to the third embodiment does not perform the process of correcting the analysis model like the analysis apparatus 1 according to the second embodiment, and therefore the analysis model can be created in a shorter time than the second embodiment. Can be created.
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。また、装置の分散・統合の具体的な実施の形態は、以上の実施の形態に限られず、その全部又は一部について、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を合わせ持つ。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes are possible within the scope of the gist thereof. is there. Further, the specific embodiment of the dispersion / integration of the device is not limited to the above-mentioned embodiment, and all or a part of them may be functionally or physically distributed / integrated in arbitrary units. You can Further, a new embodiment that occurs due to an arbitrary combination of a plurality of embodiments is also included in the embodiment of the present invention. The effect of the new embodiment produced by the combination has the effect of the original embodiment.
１・・・高速炉デブリベッド冷却の解析装置、１１・・・入力部、１２・・・表示部、１３・・・通信部、１４・・・記憶部、１５・・・制御部、１５１・・・第１データセット生成部、１５２・・・解析部、１５３・・・モデル生成部、１５４・・・第２データセット生成部、１５５・・・評価結果取得部、１５６・・・境界領域特定部、１５７・・・第３データセット生成部、１００・・・原子炉容器、１０１・・・コアキャッチャー、１０２・・・デブリベッド 1 ... Fast reactor debris bed cooling analysis device, 11 ... Input unit, 12 ... Display unit, 13 ... Communication unit, 14 ... Storage unit, 15 ... Control unit, 151. ..First data set generation unit, 152 ... Analysis unit, 153 ... Model generation unit, 154 ... Second data set generation unit, 155 ... Evaluation result acquisition unit, 156 ... Boundary region Identification unit, 157 ... Third data set generation unit, 100 ... Reactor vessel, 101 ... Core catcher, 102 ... Debris bed
Claims (7)
高速炉において、原子炉容器内に設けられたコアキャッチャーに堆積した粒子状の燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成する第１データセット生成ステップと、
前記第１の個数の前記データセットのそれぞれに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得する解析ステップと、
前記第１の個数の前記データセットのそれぞれと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより、前記データセットの入力に対して前記評価結果を出力する解析モデルを生成するモデル生成ステップと、
任意の前記データセットを前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する評価結果取得ステップと、
を備える高速炉デブリベッド冷却の解析方法。 Computer running,
In a fast reactor, a dataset that is a combination of input data of each of a plurality of input items used to analyze the cooling performance of particulate fuel debris accumulated in a core catcher provided in a reactor vessel A first data set generating step of generating a number,
An analysis step of acquiring a cooling performance evaluation result of the fuel debris by performing a cooling performance analysis of the fuel debris based on each of the first number of the data sets;
A combination of each of the first number of the data sets and the evaluation result corresponding to the data set is used as teacher data, and machine learning is performed based on the teacher data, thereby inputting the data set. And a model generation step of generating an analysis model that outputs the evaluation result,
An evaluation result acquisition step of inputting any of the data sets to the analysis model and acquiring the evaluation results corresponding to the data set from the analysis model,
Method for analysis of fast reactor debris bed cooling.
前記評価結果取得ステップにおいて、前記第２の個数の前記データセットのそれぞれを前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する、
請求項１に記載の高速炉デブリベッド冷却の解析方法。 The method further comprises a second data set generating step of generating a second number of the data sets that is larger than the first number,
In the evaluation result acquisition step, each of the second number of the data sets is input to the analysis model, and the evaluation result corresponding to the data set is acquired from the analysis model,
The fast reactor debris bed cooling analysis method according to claim 1.
請求項１又は２に記載の高速炉デブリベッド冷却の解析方法。 In the first data set generating step, the plurality of data sets are generated so that the values of the input items included in the plurality of data sets have a uniform distribution in a range of values that the input items can take.
The fast reactor debris bed cooling analysis method according to claim 1.
特定された前記境界領域において、前記第１データセット生成ステップにおけるデータセットの生成密度よりも高い密度でデータセットを生成する第３データセット生成ステップと、
をさらに有し、
前記解析ステップにおいて、前記第３データセット生成ステップにおいて生成された前記データセットに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得し、
前記モデル生成ステップにおいて、前記第３データセット生成ステップにおいて生成されたデータセットと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより前記解析モデルを修正し、
前記評価結果取得ステップにおいて、前記第１の個数よりも多い第２の個数の前記データセットのそれぞれを修正後の前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する、
請求項１から３のいずれか１項に記載の高速炉デブリベッド冷却の解析方法。 Based on the evaluation result of the cooling performance of the fuel debris acquired in the evaluation result acquisition step, a boundary area specifying step of specifying a boundary area including a boundary that is a different evaluation result,
A third data set generating step of generating a data set in the identified boundary region at a density higher than that of the data set in the first data set generating step;
Further has
In the analysis step, based on the data set generated in the third data set generation step, by analyzing the cooling performance of the fuel debris, an evaluation result of the cooling performance of the fuel debris is obtained,
In the model generation step, a combination of the data set generated in the third data set generation step and the evaluation result corresponding to the data set is used as teacher data, and machine learning is performed based on the teacher data. Modify the analysis model,
In the evaluation result acquisition step, each of the second number of the data sets, which is larger than the first number, is input to the corrected analysis model, and the evaluation result corresponding to the data set is input from the analysis model. get,
The fast reactor debris bed cooling analysis method according to any one of claims 1 to 3.
前記評価結果取得ステップにおいて取得された前記燃料デブリの冷却性の評価結果に基づいて、異なる評価結果となる境界を含む境界領域を特定する境界領域特定ステップと、
特定された前記境界領域において、前記第１データセット生成ステップにおけるデータセットの生成密度よりも高い密度でデータセットを生成する第３データセット生成ステップと、
をさらに有し、
前記解析ステップにおいて、前記第３データセット生成ステップにおいて生成された前記データセットに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得し、
前記モデル生成ステップにおいて、前記第３データセット生成ステップにおいて生成されたデータセットと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて前記解析モデルよりも前記ニューラルネットワークにおける層数及びノード数の少なくともいずれかを多くした機械学習を行うことにより第２解析モデルを生成し、
前記評価結果取得ステップにおいて、前記第１の個数よりも多い第２の個数の前記データセットのそれぞれを前記第２解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する、
請求項１から３のいずれか１項に記載の高速炉デブリベッド冷却の解析方法。 The analysis model is a model generated based on a neural network having a predetermined number of layers and nodes,
Based on the evaluation result of the cooling performance of the fuel debris acquired in the evaluation result acquisition step, a boundary area specifying step of specifying a boundary area including a boundary that is a different evaluation result,
A third data set generating step of generating a data set in the identified boundary region at a density higher than that of the data set in the first data set generating step;
Further has
In the analysis step, based on the data set generated in the third data set generation step, by analyzing the cooling performance of the fuel debris, an evaluation result of the cooling performance of the fuel debris is obtained,
In the model generation step, a combination of the data set generated in the third data set generation step and the evaluation result corresponding to the data set is used as teacher data, and based on the teacher data, the analysis model A second analysis model is generated by performing machine learning in which at least one of the number of layers and the number of nodes in the neural network is increased,
In the evaluation result acquisition step, each of the second number of the data sets, which is larger than the first number, is input to the second analysis model, and the evaluation result corresponding to the data set is acquired from the analysis model. To do
The fast reactor debris bed cooling analysis method according to any one of claims 1 to 3.
特定された前記境界領域において、前記第１データセット生成ステップにおけるデータセットの生成密度よりも高い密度でデータセットを生成する第３データセット生成ステップと、
をさらに有し、
前記解析ステップにおいて、前記第３データセット生成ステップにおいて生成された前記データセットに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得し、
前記モデル生成ステップにおいて、前記第１の個数の前記データセットのそれぞれと、当該データセットに対応する前記評価結果との組み合わせを教師データとするとともに、前記第３データセット生成ステップにおいて生成されたデータセットと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより前記解析モデルを生成する、
請求項１から３のいずれか１項に記載の高速炉デブリベッド冷却の解析方法。 Based on the evaluation result of the cooling performance of the fuel debris acquired in the analysis step, a boundary area specifying step of specifying a boundary area including a boundary that is a different evaluation result,
A third data set generating step of generating a data set in the identified boundary region at a density higher than that of the data set in the first data set generating step;
Further has
In the analysis step, based on the data set generated in the third data set generation step, by analyzing the cooling performance of the fuel debris, an evaluation result of the cooling performance of the fuel debris is obtained,
In the model generating step, a combination of each of the first number of the data sets and the evaluation result corresponding to the data set is used as teacher data, and the data generated in the third data set generating step is used. A set and a combination of the evaluation result corresponding to the data set are used as teacher data, and the analysis model is generated by performing machine learning based on the teacher data.
The fast reactor debris bed cooling analysis method according to any one of claims 1 to 3.
高速炉において、原子炉容器内に設けられたコアキャッチャーに堆積した粒子状の燃料デブリの冷却性の解析に使用される複数の入力項目のそれぞれの入力データの組み合わせであるデータセットを第１の個数生成する第１データセット生成部、
前記第１の個数の前記データセットのそれぞれに基づいて、前記燃料デブリの冷却性の解析を行うことにより、前記燃料デブリの冷却性の評価結果を取得する解析部、
前記第１の個数の前記データセットのそれぞれと、当該データセットに対応する前記評価結果との組み合わせを教師データとし、当該教師データに基づいて機械学習を行うことにより、前記データセットの入力に対して前記評価結果を出力する解析モデルを生成するモデル生成部、及び、
任意の前記データセットを前記解析モデルに入力し、当該データセットに対応する前記評価結果を前記解析モデルから取得する評価結果取得部、
として機能させる高速炉デブリベッド冷却の解析プログラム。 Computer,
In a fast reactor, a dataset that is a combination of input data of each of a plurality of input items used to analyze the cooling performance of particulate fuel debris accumulated in a core catcher provided in a reactor vessel A first data set generation unit for generating a number,
An analysis unit that obtains an evaluation result of the cooling performance of the fuel debris by performing a cooling performance analysis of the fuel debris based on each of the first number of the data sets,
A combination of each of the first number of the data sets and the evaluation result corresponding to the data set is used as teacher data, and machine learning is performed based on the teacher data, so that the input of the data set is performed. And a model generation unit that generates an analysis model that outputs the evaluation result, and
An evaluation result acquisition unit that inputs any of the data sets to the analysis model and acquires the evaluation results corresponding to the data set from the analysis model,
Analysis program of fast reactor debris bed cooling to function as.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018206205A JP6728305B2 (en) | 2018-11-01 | 2018-11-01 | Fast reactor debris bed cooling analysis method and analysis program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018206205A JP6728305B2 (en) | 2018-11-01 | 2018-11-01 | Fast reactor debris bed cooling analysis method and analysis program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020071156A true JP2020071156A (en) | 2020-05-07 |
| JP6728305B2 JP6728305B2 (en) | 2020-07-22 |
Family
ID=70547687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018206205A Active JP6728305B2 (en) | 2018-11-01 | 2018-11-01 | Fast reactor debris bed cooling analysis method and analysis program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6728305B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112456042A (en) * | 2020-11-05 | 2021-03-09 | 中国石油天然气集团有限公司 | Debris bed early warning method based on real-time weighing of debris conveying |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5598392A (en) * | 1975-12-22 | 1980-07-26 | Interatom | Under cooling portion protection layer in nuclear reactor vessel |
| JPS57114890A (en) * | 1981-01-08 | 1982-07-16 | Tokyo Shibaura Electric Co | Device for cooling chamber of fast breeder reactor |
| JPH04113297A (en) * | 1990-09-01 | 1992-04-14 | Toshiba Corp | Device for presuming reactor core function of nuclear reactor |
| US5349615A (en) * | 1992-09-14 | 1994-09-20 | Elektrowatt Ingenieurunternehmung Ag | Core melt-through retention device for light-water reactors |
| JPH0863203A (en) * | 1994-08-24 | 1996-03-08 | Hitachi Ltd | Method and device for neutral net control |
| JPH09211166A (en) * | 1996-02-02 | 1997-08-15 | Toshiba Corp | Reactor core catcher |
| JP2002239745A (en) * | 2001-02-16 | 2002-08-28 | Matsushita Electric Ind Co Ltd | Resistance welding equipment and resistance welding quality monitoring device |
| JP2012237490A (en) * | 2011-05-11 | 2012-12-06 | Hitachi Appliances Inc | System, method and server for providing air conditioner control information, and program |
| JP2014157029A (en) * | 2013-02-14 | 2014-08-28 | Toshiba Corp | Nuclear reactor system and nuclear reactor molten material retaining device |
-
2018
- 2018-11-01 JP JP2018206205A patent/JP6728305B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5598392A (en) * | 1975-12-22 | 1980-07-26 | Interatom | Under cooling portion protection layer in nuclear reactor vessel |
| JPS57114890A (en) * | 1981-01-08 | 1982-07-16 | Tokyo Shibaura Electric Co | Device for cooling chamber of fast breeder reactor |
| JPH04113297A (en) * | 1990-09-01 | 1992-04-14 | Toshiba Corp | Device for presuming reactor core function of nuclear reactor |
| US5349615A (en) * | 1992-09-14 | 1994-09-20 | Elektrowatt Ingenieurunternehmung Ag | Core melt-through retention device for light-water reactors |
| JPH0863203A (en) * | 1994-08-24 | 1996-03-08 | Hitachi Ltd | Method and device for neutral net control |
| JPH09211166A (en) * | 1996-02-02 | 1997-08-15 | Toshiba Corp | Reactor core catcher |
| JP2002239745A (en) * | 2001-02-16 | 2002-08-28 | Matsushita Electric Ind Co Ltd | Resistance welding equipment and resistance welding quality monitoring device |
| JP2012237490A (en) * | 2011-05-11 | 2012-12-06 | Hitachi Appliances Inc | System, method and server for providing air conditioner control information, and program |
| JP2014157029A (en) * | 2013-02-14 | 2014-08-28 | Toshiba Corp | Nuclear reactor system and nuclear reactor molten material retaining device |
Non-Patent Citations (1)
| Title |
|---|
| "A Method to Calculate Boiling and Dryout in Debris Bed Using a Heat Conduction Code", PROCEEDINGS OF THE INTERNATIONAL TOPICAL MEETING ON FAST REACTOR SAFETY, JPN7020000435, 1985, ISSN: 0004215656 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112456042A (en) * | 2020-11-05 | 2021-03-09 | 中国石油天然气集团有限公司 | Debris bed early warning method based on real-time weighing of debris conveying |
| CN112456042B (en) * | 2020-11-05 | 2021-08-13 | 中国石油天然气集团有限公司 | Debris bed early warning method based on real-time weighing of debris conveying |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6728305B2 (en) | 2020-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7413580B2 (en) | Generating integrated circuit floorplans using neural networks | |
| Xiong et al. | Parallel cell mapping method for global analysis of high-dimensional nonlinear dynamical systems | |
| Martelli et al. | PGS-COM: a hybrid method for constrained non-smooth black-box optimization problems: brief review, novel algorithm and comparative evaluation | |
| Yondo et al. | A review of surrogate modeling techniques for aerodynamic analysis and optimization: current limitations and future challenges in industry | |
| Mandelli et al. | Adaptive sampling using support vector machines | |
| Valero et al. | Multifidelity prediction in wildfire spread simulation: Modeling, uncertainty quantification and sensitivity analysis | |
| Arendt et al. | Objective-oriented sequential sampling for simulation based robust design considering multiple sources of uncertainty | |
| JP2007018444A (en) | Method and system for searching component substance information of new material | |
| Fick et al. | Direct numerical simulation of pebble bed flows: database development and investigation of low-frequency temporal instabilities | |
| Maljovec et al. | Adaptive sampling algorithms for probabilistic risk assessment of nuclear simulations | |
| Sane et al. | An Interpolation Scheme for VDVP Lagrangian Basis Flows. | |
| O’Hara et al. | Efficient analysis of transient heat transfer problems exhibiting sharp thermal gradients | |
| Zhang et al. | Toward explainable and interpretable building energy modelling: an explainable artificial intelligence approach | |
| JP6728305B2 (en) | Fast reactor debris bed cooling analysis method and analysis program | |
| Xing et al. | Direct and inverse model for single-hole film cooling with machine learning | |
| CN114117873A (en) | Time-varying reliability analysis method for complex equipment based on importance sampling proxy model | |
| Kharmanda et al. | Reliability-based topology optimization using inverse optimum safety factor approaches | |
| US20130076752A1 (en) | Computing method and computing apparatus | |
| Mirsoleimani et al. | A two-tier design space exploration algorithm to construct a gpu performance predictor | |
| Banerjee et al. | Cmt-bone—a proxy application for compressible multiphase turbulent flows | |
| Yang et al. | Lipschitz singularities in diffusion models | |
| Andreassi et al. | Multidimensional modelling of gaseous injection: Analysis of an impinging jet | |
| Dehkordi et al. | Numerical simulation of flow through tube bundles in in‐line square and general staggered arrangements | |
| Zhang et al. | A streamline placement method highlighting flow field topology | |
| JP6666384B2 (en) | Analysis method and analysis program for fast reactor debris bed cooling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190304 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200210 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200218 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200319 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200514 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200630 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200701 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6728305 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |