JP2021050939A - 予測モデル構築方法および予測方法 - Google Patents
予測モデル構築方法および予測方法 Download PDFInfo
- Publication number
- JP2021050939A JP2021050939A JP2019172262A JP2019172262A JP2021050939A JP 2021050939 A JP2021050939 A JP 2021050939A JP 2019172262 A JP2019172262 A JP 2019172262A JP 2019172262 A JP2019172262 A JP 2019172262A JP 2021050939 A JP2021050939 A JP 2021050939A
- Authority
- JP
- Japan
- Prior art keywords
- metal corrosion
- concentration
- reactor
- water
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/10—Structural combination of fuel element, control rod, reactor core, or moderator structure with sensitive instruments, e.g. for measuring radioactivity, strain
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/08—Regulation of any parameters in the plant
- G21D3/10—Regulation of any parameters in the plant by a combination of a variable derived from neutron flux with other controlling variables, e.g. derived from temperature, cooling flow, pressure
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C1/00—Reactor types
- G21C1/02—Fast fission reactors, i.e. reactors not using a moderator ; Metal cooled reactors; Fast breeders
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C1/00—Reactor types
- G21C1/04—Thermal reactors ; Epithermal reactors
- G21C1/06—Heterogeneous reactors, i.e. in which fuel and moderator are separated
- G21C1/08—Heterogeneous reactors, i.e. in which fuel and moderator are separated moderator being highly pressurised, e.g. boiling water reactor, integral super-heat reactor, pressurised water reactor
- G21C1/084—Boiling water reactors
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C15/00—Cooling arrangements within the pressure vessel containing the core; Selection of specific coolants
- G21C15/28—Selection of specific coolants ; Additions to the reactor coolants, e.g. against moderator corrosion
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/02—Devices or arrangements for monitoring coolant or moderator
- G21C17/022—Devices or arrangements for monitoring coolant or moderator for monitoring liquid coolants or moderators
- G21C17/0225—Chemical surface treatment, e.g. corrosion
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C5/00—Moderator or core structure; Selection of materials for use as moderator
- G21C5/12—Moderator or core structure; Selection of materials for use as moderator characterised by composition, e.g. the moderator containing additional substances which ensure improved heat resistance of the moderator
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Plasma & Fusion (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
Description
特許文献1の技術では、シミュレーションモデルおよびモデルパラメータは既に存在し、かつ最適化されている必要がある。しかし、現実には、モデルパラメータが時間的に変化し、運転が継続されていくに従って機器や材料が交換されモデル計算値と実測値との差が大きくなってくることがある。
マスバランスモデルで表現される状態量の相関関係は、モデルパラメータが最適化されることで最適化される。しかしながら、相関関係は考えられるが、相関関係が複雑で数式表現が難しい場合には、適切なモデルを構築できない。このため、複雑で数式で表現できない相関関係が含まれている場合でも、プラントの状態量を正確に予測することが求められている。
図1は、本実施形態に係る原子力発電プラントP100の全体系統構成図である。本実施形態における炉水放射能濃度予測装置が適用される原子力発電プラントP100(例えば沸騰水型原子力発電プラント)の概略構成を、図1を参照して説明する。
原子力発電プラントP100は、原子炉P1、タービンP3、復水器P4、原子炉浄化系および給水系などを備えている。原子炉格納容器P11内に設置された原子炉P1は、炉心P13を内蔵する原子炉圧力容器P12を有する。原子炉圧力容器P12内に設置された円筒状の炉心シュラウドP15が、炉心P13を取り囲んでいる。炉心P13には複数の燃料集合体(不図示)が装荷されている。各燃料集合体は、核燃料物質で製造された複数の燃料ペレットを充填した複数の燃料棒を含んでいる。原子炉圧力容器P12の内面と炉心シュラウドP15の外面の間には、環状のダウンカマP17が形成される。複数のインターナルポンプP21が原子炉圧力容器P12の底部に設置される。インターナルポンプP21のインペラは、ダウンカマP17の下部に配置される。
本実施形態に係る炉水放射能濃度予測装置によれば、放射性金属腐食生成物濃度が高精度に予測できる。この予測を用いることで、プラントの運用者は、運転中の炉水放射能濃度を下げたり、遮蔽を敷設したり、化学除染を実施したりして被ばくを抑制する計画を立案し、実施できるようになる。
図2は、本実施形態に係る炉水への金属腐食生成物の移行挙動のマスバランスモデル140(後記する図3参照)を説明するための図である。マスバランスモデル140は、給水中に含まれている金属腐食生成物と、炉水に接する炉内・炉外の構造材の腐食に伴って発生する金属腐食生成物とが、炉水を介在して燃料棒表面や炉内・炉外の構造材表面に再付着したり、炉水浄化系によって系外に除去されたりする動的挙動をマクロな質量保存則によって記述する物理モデルである。なお、図2の実線と破線の矢印は、クラッドとイオンによる移行を示している。
金属腐食生成物のマスバランスモデル140は、以下に示す式1〜式8に示される連立微分方程式群により記述される。
C:炉水の金属腐食生成物濃度(炉水金属腐食生成物濃度、例えば、鉄、ニッケル、コバルトなどの濃度)
t:時刻
V:炉水保有水量
Ff:給水流量
Cf:金属腐食生成物の給水中濃度(給水金属腐食生成物濃度)
X:炉内構造材の腐食により発生する金属腐食生成物の発生率
ζ:燃料棒付着物の溶出あるいは剥離定数
ζp 1:炉内構造材付着物の溶出あるいは剥離定数
ζp 2:炉外構造材付着物の溶出あるいは剥離定数
m1:炉内の構造材表面に付着蓄積する金属腐食生成物量
m2:炉外の構造材表面に付着蓄積する金属腐食生成物量
δ:燃料棒への付着定数
β:原子炉浄化系における除去率
δp 1:炉内構造材への付着定数
δp 2:炉外構造材への付着定数
S1:炉内の構造材の表面積
S2:炉外の構造材の表面積
Y:炉内構造材の腐食により発生する放射性金属腐食生成物の発生率
A:燃料棒上に蓄積する放射性金属腐食生成物量
Γ1:炉内の構造材表面に付着蓄積する放射性金属腐食生成物量
Γ2:炉外の構造材表面に付着蓄積する放射性金属腐食生成物量
λ:放射性金属腐食生成物の崩壊定数
G:燃料棒上における放射性核種の生成率
G1:炉内構造材上における放射性核種の生成率
以下に、本実施形態に係る原子力発電プラントP100における炉水の放射能濃度を予測する炉水放射能濃度予測装置を説明する。炉水放射能濃度予測装置は、炉水のコバルト60、コバルト58、クロム51、マンガン54などの濃度を予測する。予測には、式1〜式8で記述されるマスバランスモデル140によるシミュレーションおよび機械学習技術を用いる。詳しくは、機械学習モデルへの入力の一部として、シミュレーションの結果を用いる。
図4は、本実施形態に係る学習処理における予測モデル130の教師データの元となるデータの構成を説明するための図である。図5は、本実施形態に係る教師データに含まれる予測モデル130の入力データと出力データとを説明するための図である。ここでは、30日分のプラント状態量151およびコバルト60濃度152から1セットの教師データを生成する例を説明する。
以上に説明した入力データおよび出力データが予測モデル130に対する1セットの教師データとなる。同様にして、第2日を開始日とするデータセット220から1セットの教師データが生成される。以下、これを繰り返すことで、第1日〜第59日のプラント状態量、および第60日〜第89日のコバルト60濃度から、30セットの予測モデル130に対する教師データが生成される。
図6は、本実施形態に係る学習部111が実行する学習処理のフローチャートである。
ステップS11において学習部111は、所定の開始日(第1日〜第30日)ごとにステップS12〜S13を実行する。
ステップS12において学習部111の指示を受けてシミュレーション部113は、プラント状態量151を入力データとし、マスバランスモデル140によるシミュレーションを実行する。詳しくは、シミュレーション部113は、開始日から30日分のプラント状態量151に含まれる、給水流量、給水金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、電気出力などからマスバランスモデル140(式1〜式8)を用いて、燃料棒上に蓄積する金属腐食生成物量(M)および放射性金属腐食生成物量(A)を算出する。
ステップS15において学習部111は、ステップS13で生成した教師データを用いて予測モデル130を訓練して(予測モデル130に教師データを学習させて)、予測モデル130を構築する。
上記した予測処理により、コバルト60濃度を予測する予測モデル130が構築できる。続いて、予測モデル130を用いたコバルト60濃度を予測する処理を説明する。
図7は、本実施形態に係る予測処理における予測モデル130の入力データの元となるデータの構成を説明するための図である。図8は、本実施形態に係る予測処理における予測モデル130の入力データと出力データとを説明するための図である。
詳しくは、基準日の29日前〜基準日のプラント状態量のそれぞれに含まれる、給水流量、給水金属腐食生成物濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、および電気出力など実測可能なプラント状態量(実測データ)が、予測モデル130の入力データとして含まれる。この入力データは、図8記載のプラント状態量153から予測モデル130に向かう矢印に相当する。
ステップS21において予測部112の指示を受けてシミュレーション部113は、プラント状態量153を入力データとし、マスバランスモデル140によるシミュレーションを実行する。詳しくは、シミュレーション部113は、基準日を含めて過去30日分のプラント状態量153に含まれる、給水流量、給水金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、電気出力などからマスバランスモデル140(式1〜式8)を用いて、燃料棒上に蓄積する金属腐食生成物量(M)および放射性金属腐食生成物量(A)を算出する。
ステップS23において予測部112は、予測モデル130を実行してコバルト60濃度154の出力を取得することで、コバルト60濃度を予想する。
上記した実施形態において、予測モデル130(図5、図8参照)へ入力されるデータは、30日分であったが、これに限定されることはなく、例えば、より長期間のプラント状態量を基にしたデータであってもよい。また、基準日から30日後のコバルト60濃度を予測しているが、より未来の、例えば90日後のコバルト60濃度を予測するようにしてもよい。または、予測する日数を1日に限定せず、例えば、30日後から60日後などのように、期間にしてもよい。所望する入力データの期間や基準日とコバルト60濃度を予測する日(予測日)との間隔に応じて、教師データを作成して予測モデル130を構築することで、対応する入力データの期間や基準日と予想日との間隔でコバルト60濃度を予測できるようになる。
図10は、本実施形態の変形例に係る学習処理における予測モデル130の教師データの元となるデータの構成を説明するための図である。図11は、本実施形態の変形例に係る予測処理における予測モデル130の入力データの元となるデータの構成を説明するための図である。学習処理において、開始日からの30日分のプラント状態量に加えて(図4参照)、さらに29日分のプラント状態量を教師データの入力データの基となるデータに加えてもよい。予測処理においては、基準日を含めて過去30日分のプラント状態量に加えて(図7参照)、基準日から予想日までの計画値となるプラント状態量を入力データの基となるデータとする。
コバルト60濃度を所望する値以下に抑えるための運転計画立案のためには、計画値となるプラント状態量153(図8参照)を変えながら、繰り返し予測処理を実行すればよい。例えば、プラント状態量153としての給水中の鉄濃度がある。コバルト60は燃料棒表面で鉄酸化物を主成分とする金属酸化物に取り込まれており、炉水のコバルト60はここから溶出してくる。このため、コバルト60濃度は、給水の鉄濃度の影響を受けやすいと考えられる。給水中の鉄濃度は調整可能であり、計画を立てて給水中の鉄濃度を所望の値(予測時点までの計画値)に設定することで、コバルト60濃度に変化を及ぼすことが可能である。
炉水のコバルト60の発生源は燃料棒に付着したコバルトであり、これが燃料棒からの中性子照射を受けてコバルト60になる。このコバルト60は燃料棒表面で鉄酸化物を主成分とする金属酸化物に取り込まれており、炉水のコバルト60はここから溶出してくる。このため、炉水のコバルト60濃度の経時変化は燃料棒表面に形成される金属酸化物の量に強い影響を受ける。このプラント状態量は、原子力発電プラントの運転中には計測できず、定期検査など原子力発電プラントの停止中に炉心P13(図1参照)から燃料棒が取り出されて始めて計測できる値である。
図12においては、人手で炉水鉄濃度の計画値を入力して、炉水放射能濃度予測装置100がコバルト60濃度を予測している。炉水鉄濃度計画値を予め用意しておき、それぞれの計画値ごとにコバルト60濃度を予測して、予測結果を出力するようにしてもよい。計画値のパターンとしては、例えば、現在の炉水鉄濃度より所定値/所定比だけ高い/低い鉄濃度に移行するパターンや移行までの期間の長さのパターン、これらの組み合わせのパターンがある。例えば、現在の炉水鉄濃度より1日かけて1ppb(parts per billion、μg/l)増やした後にこの濃度を維持するパターン、現在の炉水鉄濃度より半日かけて2割減らした後にこの濃度を維持するパターン、毎日0.01ppb増やすパターンなどがある。
ステップS31において予測部112Aは、炉水鉄濃度の計画パターン121ごとに、ステップS32を実行する。
ステップS32において予測部112Aは、炉水鉄濃度の計画パターンに示されるプラント状態量を入力データの元データとして予測処理(図9参照)を実行する。
ステップS33において予測部112Aは、全ての炉水鉄濃度の計画パターン121ごとに、ステップS32を実行したならばステップS34に進み、未処理の炉水鉄濃度の計画パターン121があればステップS32に戻って、未処理の計画パターンについて処理する。
ステップS34において予測部112Aは、ステップS32の予測処理の結果を出力する(入出力部160のディスプレイに表示する)。
上記した実施形態において、マスバランスモデル140で計算されて予測モデル130の入力データとなるのは、燃料棒上に蓄積する金属腐食生成物量(M)や放射性金属腐食生成物量(A)である。炉水放射能濃度予測装置100は、炉水の金属腐食生成物濃度(C)や放射性金属腐食生成物濃度(R)をマスバランスモデル140で計算して予測モデル130の入力データとしてもよい。
また、予測処理(図9参照)においても同様に、ステップS21において計算された炉水の金属腐食生成物濃度(C)や放射性金属腐食生成物濃度(R)を、ステップS22において、予測モデル130に対する入力データに加える。この入力データは、図8記載のマスバランスモデル140から予測モデル130に向かう矢印に相当する。
上記した実施形態では、炉水放射能濃度予測装置100は、コバルト60濃度を学習して、予測している。コバルト60の他にコバルト58、マンガン54についても、同様に学習して予測できる。
なお、本発明は、上記した実施形態に限定されることなく、その趣旨を逸脱しない範囲で変更することができる。例えば、炉水放射能濃度予測装置100が実行する学習処理および予測処理を、別の装置で実行してもよい。予測モデル構築装置が学習処理を実行して予測モデルを構築し、この構築された予測モデルを取得した予測装置が、予測処理を実行してもよい。
上記した実施形態では、日ごとのデータを入力データとしていたが、これに限定されず、例えば、2日おきのデータであったり、6時間おきのデータであったりしてもよい。また、一定間隔に限らず、例えば、予測日に遠い入力データの間隔は長くなるようにしてもよい。間隔を長くして入力データ数を減らすことで、炉水放射能濃度予測装置100は、学習処理や予測処理を高速化できる。
上記した実施形態では、金属腐食生成物の移行挙動のモデルとしてマスバランスモデルを用いている。他に、加圧水型原子力発電プラントや他の炉型(例えば重水炉)に向いた物理的ないしは化学的なモデルを用いてもよい。
111 学習部
112 予測部
113 シミュレーション部
121 計画パターン
130 予測モデル
140 マスバランスモデル(物理モデル)
151,153 プラント状態量
152,154 コバルト60濃度(炉水放射性金属腐食生成物濃度)
P1 原子炉
P100 原子力発電プラント
Claims (11)
- 原子力発電プラントにおける原子炉の炉水放射性金属腐食生成物濃度を予測する炉水放射能濃度の予測モデル構築装置の予測モデル構築方法であって、
前記予測モデル構築装置は、
前記原子炉の炉水の給水流量および給水金属腐食生成物濃度を含む前記原子力発電プラントのプラント状態量を記述する物理モデルにより計算されるプラント状態量予測値を計算するステップと、
前記原子炉の炉水の給水流量、給水金属腐食生成物濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、および電気出力のなかの何れか少なくとも1つを含む実測可能なプラント状態量、および前記プラント状態量予測値を入力データとして含み、実測値である前記炉水放射性金属腐食生成物濃度を出力データとして含む教師データを機械学習モデルに学習させて予測モデルを構築するステップと
を実行することを特徴とする予測モデル構築方法。 - 前記物理モデルは、前記原子炉の炉水の給水流量、給水金属腐食生成物濃度を用いて前記炉水への金属腐食生成物と放射性金属腐食生成物の移行挙動に関するマスバランスモデルであり、
前記プラント状態量予測値は、前記マスバランスモデルにより計算された前記原子炉の燃料棒上に蓄積する金属腐食生成物量および放射性金属腐食生成物量のなかの何れか少なくとも1つを含む
ことを特徴とする請求項1に記載の予測モデル構築方法。 - 前記プラント状態量予測値は、前記マスバランスモデルにより計算された前記原子炉の炉水の金属腐食生成物濃度および放射性金属腐食生成物濃度のなかの何れか少なくとも1つをさらに含む
ことを特徴とする請求項2に記載の予測モデル構築方法。 - 前記炉水放射性金属腐食生成物濃度は、コバルト60、コバルト58、およびマンガン54のなかの何れかの炉水放射性金属腐食生成物濃度である
ことを特徴とする請求項1に記載の予測モデル構築方法。 - 原子力発電プラントにおける原子炉の炉水放射性金属腐食生成物濃度を予測する炉水放射能濃度の予測装置の予測方法であって、
前記予測装置は、
前記原子炉の炉水の給水流量、給水金属腐食生成物濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、および電気出力のなかの何れか少なくとも1つを含む実測可能なプラント状態量と、前記原子炉の炉水の給水流量および給水金属腐食生成物濃度を含む前記原子力発電プラントのプラント状態量を記述する物理モデルにより計算されるプラント状態量予測値とを入力データとして含み、実測値である前記炉水放射性金属腐食生成物濃度を出力データとして含む教師データを機械学習モデルに学習させて構築された予測モデルを記憶し、
前記物理モデルにより、前記プラント状態量から前記プラント状態量予測値を計算するステップと、
前記原子炉の炉水の給水流量、給水金属腐食生成物濃度、炉水金属腐食生成物濃度、炉水放射性金属腐食生成物濃度、炉水浄化流量、燃料集合体の炉内滞在期間、および電気出力のなかの何れか少なくとも1つを含むプラント状態量、および計算されたプラント状態量予測値を入力データとして、前記予測モデルに入力して、前記炉水放射性金属腐食生成物濃度を出力として計算するステップと
を実行することを特徴とする予測方法。 - 前記予測モデルに入力されるプラント状態量は、入力される時点における実測データである
ことを特徴とする請求項5に記載の予測方法。 - 前記予測モデルに入力されるプラント状態量は、前記入力される時点から前記炉水放射性金属腐食生成物濃度の予測時点までの計画値をさらに含む
ことを特徴とする請求項6に記載の予測方法。 - 前記予測装置は、前記入力される時点から前記炉水放射性金属腐食生成物濃度の予測時点までのプラント状態量の計画値の計画パターンを記憶し、
前記予測モデルに入力されるプラント状態量は、前記入力される時点から前記炉水放射性金属腐食生成物濃度の予測時点までの前記計画パターンの計画値をさらに含む
ことを特徴とする請求項6に記載の予測方法。 - 前記物理モデルは、前記原子炉の炉水の給水流量、給水金属腐食生成物濃度を用いて前記炉水への金属腐食生成物と放射性金属腐食生成物の移行挙動に関するマスバランスモデルであり、
前記プラント状態量予測値は、前記マスバランスモデルにより計算された前記原子炉の燃料棒上に蓄積する金属腐食生成物量および放射性金属腐食生成物量のなかの何れか少なくとも1つを含む
ことを特徴とする請求項5〜8の何れか1項に記載の予測方法。 - 前記プラント状態量予測値は、前記マスバランスモデルにより計算された前記原子炉の炉水の金属腐食生成物濃度および放射性金属腐食生成物濃度のなかの何れか少なくとも1つをさらに含む
ことを特徴とする請求項9に記載の予測方法。 - 前記炉水放射性金属腐食生成物濃度は、コバルト60、コバルト58、およびマンガン54のなかの何れかの炉水放射性金属腐食生成物濃度である
ことを特徴とする請求項5に記載の予測方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019172262A JP7221184B2 (ja) | 2019-09-20 | 2019-09-20 | 予測モデル構築方法および予測方法 |
US17/024,208 US11342089B2 (en) | 2019-09-20 | 2020-09-17 | Predictive model construction and prediction method for radioactive metal corrosion concentration in nuclear reactor water |
MX2020009672A MX2020009672A (es) | 2019-09-20 | 2020-09-17 | Metodo de construccion de modelo predictivo y metodo de prediccion. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019172262A JP7221184B2 (ja) | 2019-09-20 | 2019-09-20 | 予測モデル構築方法および予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021050939A true JP2021050939A (ja) | 2021-04-01 |
JP7221184B2 JP7221184B2 (ja) | 2023-02-13 |
Family
ID=75157535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019172262A Active JP7221184B2 (ja) | 2019-09-20 | 2019-09-20 | 予測モデル構築方法および予測方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11342089B2 (ja) |
JP (1) | JP7221184B2 (ja) |
MX (1) | MX2020009672A (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021081385A (ja) * | 2019-11-22 | 2021-05-27 | 日立Geニュークリア・エナジー株式会社 | 原子炉の炉水水質を予測する装置 |
US11953647B2 (en) | 2021-11-05 | 2024-04-09 | Saudi Arabian Oil Company | System and method for radioactivity prediction to evaluate formation productivity |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06289179A (ja) * | 1993-03-30 | 1994-10-18 | Hitachi Ltd | プラントの自己学習診断、予測方法及び装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6463894A (en) | 1987-09-04 | 1989-03-09 | Hitachi Ltd | Water quality diagnostic system |
US5133901A (en) * | 1991-03-01 | 1992-07-28 | Westinghouse Electric Corp. | System and method for on-line monitoring and control of heavy metal contamination in soil washing process |
US20030063702A1 (en) * | 2000-12-12 | 2003-04-03 | General Electric Company. | Method and apparatus for maintaining proper noble metal loading for a noble metal application process for water-cooled nuclear reactors |
US20070055392A1 (en) * | 2005-09-06 | 2007-03-08 | D Amato Fernando J | Method and system for model predictive control of a power plant |
JP2008008750A (ja) * | 2006-06-29 | 2008-01-17 | Tohoku Univ | 原子炉冷却水の腐食環境定量方法およびその装置 |
US20200338639A1 (en) * | 2017-11-17 | 2020-10-29 | Kevin Friesth | Advanced Automated Fabrication System And Methods For Thermal And Mechanical Components Utilizing Quadratic Or Squared Hybrid Direct Laser Sintering, Direct Metal Laser Sintering, CNC, Thermal Spraying, Direct Metal Deposition And Frictional Stir Welding. Cross-reference To Related Applications |
US11574094B2 (en) * | 2019-06-09 | 2023-02-07 | BWXT Advanced Technologies LLC | Rapid digital nuclear reactor design using machine learning |
US20210027901A1 (en) * | 2019-07-26 | 2021-01-28 | Robert Henry | Methods and systems for facilitating the management of reactor transient conditions associated with reactors |
US11581102B2 (en) * | 2019-09-09 | 2023-02-14 | Westinghouse Electric Company Llc | Nuclear control system with neural network |
-
2019
- 2019-09-20 JP JP2019172262A patent/JP7221184B2/ja active Active
-
2020
- 2020-09-17 MX MX2020009672A patent/MX2020009672A/es unknown
- 2020-09-17 US US17/024,208 patent/US11342089B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06289179A (ja) * | 1993-03-30 | 1994-10-18 | Hitachi Ltd | プラントの自己学習診断、予測方法及び装置 |
Also Published As
Publication number | Publication date |
---|---|
MX2020009672A (es) | 2021-03-22 |
US20210098142A1 (en) | 2021-04-01 |
JP7221184B2 (ja) | 2023-02-13 |
US11342089B2 (en) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105006259B (zh) | 一种核电厂堆芯损伤评价方法 | |
JP7221184B2 (ja) | 予測モデル構築方法および予測方法 | |
WO1994029809A1 (en) | Corrosion analysis system and method | |
Le Calvar et al. | Corrosion issues in pressurized water reactor (PWR) systems | |
Mathon et al. | Predicting tube repair at French nuclear steam generators using statistical modeling | |
JP7440340B2 (ja) | 予測モデル構築装置および予測装置 | |
CN109545408A (zh) | 基于人工智能技术对核电站反应堆燃料元件包壳破损的判定及预测方法 | |
Nguyen et al. | A Data-Driven approach for predicting the remaining useful life of steam generators | |
JP7446960B2 (ja) | 予測モデル構築装置および予測装置 | |
Andresen | Stress corrosion cracking (SCC) of austenitic stainless steels in high temperature light water reactor (LWR) environments | |
Drexler | Steam-water cycle chemistry relevant to nuclear steam generators | |
JP2022038449A (ja) | 予測モデル構築装置および予測装置 | |
Tapping | Corrosion issues in pressurized heavy water reactor (PHWR/CANDU®) systems | |
Lee et al. | Preliminary Prediction of Core Exit Temperature for Severe Accident using Machine Learning | |
Kim et al. | Data-Driven prognostics for major piping in nuclear power plants | |
JP2022131956A (ja) | 予測モデル構築装置および予測装置 | |
JP2024012771A (ja) | 原子力プラントの信頼性改善方法 | |
JP7351718B2 (ja) | 原子力プラントの線量当量予測方法、線量当量予測プログラム、及び、線量当量予測装置 | |
EA038887B1 (ru) | Способ управления скоростью коррозии оборудования технологических контуров атомных станций | |
Song et al. | A study on Prediction of Radioactive Source-term from the Decommissioning of Domestic NPPs by using CRUDTRAN Code | |
Walker et al. | Environmental Fatigue Screening for Subsequent License Renewal | |
Seppänen et al. | Embrittlement Trend Curves and Reactor Pressure Vessel Operation in Finland | |
Hoffman et al. | Advanced Fuel Cycle Cost Basis Report: Supporting Documents 3 Cost Correlations | |
Scarth et al. | CANDU steam generator fitness-for-service guidelines | |
TW202347355A (zh) | 用於控制壓水式反應器的方法、電腦程式產品及控制系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211207 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220913 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221011 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221201 |
|
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: 20230124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230201 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7221184 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |