KR101104893B1 - 중수로 압력관 반경방향 크립 예측 방법 - Google Patents
중수로 압력관 반경방향 크립 예측 방법 Download PDFInfo
- Publication number
- KR101104893B1 KR101104893B1 KR1020090091769A KR20090091769A KR101104893B1 KR 101104893 B1 KR101104893 B1 KR 101104893B1 KR 1020090091769 A KR1020090091769 A KR 1020090091769A KR 20090091769 A KR20090091769 A KR 20090091769A KR 101104893 B1 KR101104893 B1 KR 101104893B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- creep
- function
- fnn
- here
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
- G21C17/017—Inspection or maintenance of pipe-lines or tubes in nuclear installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- 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)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- High Energy & Nuclear Physics (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
Description
원전에서 획득한 입출력데이터 쌍(여기서, 에서 는 각각 중성자속, 축방향 위치, 압력, 온도의 입력 신호, 은 압력관 반경방향 크립을 나타내는 출력 신호임)으로 이루어진 크립데이터를 훈련데이터와 검증데이터로 분류하는 단계(단계 S1)와;
유전자 알고리즘을 실행하기 위해 초기에 임의의 변수를 입력함으로써, 멤버쉽 함수 변수를 포함한 초기 유전자를 무작위로 생성하는 단계(단계 S2);
유전자 알고리즘의 적합도 함수를 계산하는 단계(단계 S3);
상기 단계 S3에서의 계산 결과, 정해진 값 보다 적합도 함수의 적합도가 큰가의 여부를 판단하는 단계(단계 S4);
상기 단계 S4에서 적합도 함수가 정해진 값 보다 작으면 유전자 알고리즘을 개선하기 위해, 선택, 교차, 변형과 같은 유전적 조작에 의해 변수들을 변경해 나가는 단계(단계 S5);
집단소거(Subtractive Clustering; SC) 방법을 기반으로 멤버쉽 함수를 생산하는 단계(단계 S6);
퍼지 규칙함수의 후항 매개변수를 최소자승법을 이용해서 계산하여 구하는 단계(단계 S7);
상기 단계 S6 및 S7에서 구해진 멤버쉽 함수 및 후항 매개변수로 퍼지-신경망(FNN) 크립 예측 모델을 개정하는 단계(단계 S8);
상기 단계 S4에서 정해진 값 보다 적합도 함수의 적합도가 큰 것으로 판단되면, FNN 크립 예측 모델의 불확실도를 평가하는 단계(단계 S9) 및;
최종 FNN 크립 예측 모델을 산출하는 단계(단계 S10)를 갖추어 이루어지고,
상기 단계 S9에서 FNN 크립 예측 모델의 불확실도 평가가,
부트스트랩 샘플링 알고리즘에 의한 통계학적 방법 또는 분석적 방법에 의해 수행되고,
상기 부트스트랩 샘플링 알고리즘에 의한 통계학적 방법이,
훈련데이터 세트의 J개(부트스트랩 샘플의 개수)의 샘플을 개발 데이터로부터 만드는 단계와;
(여기서, 샘플의 크기는 N으로, 개발데이터로부터 복원 추출한 것이고, j번째 샘플은 으로 나타냄)
각각의 부트스트랩 샘플에서 FNN 모델을 얻는 단계 및;
관측데이터 포인트 에서 예측 의 분산과 바이어스를,
식 와,
(여기서, 임)
식
(여기서, K는 개발데이터 점의 수)
에 의해 구하는 단계;를 갖추어 이루어지고,
상기 분석적 방법은, 에서 관측된 예측치가 에 의해 주어지고,
임의의 시험입력값 의 95% 신뢰구간이,
(여기서, , f 0는 관측치 x 0에서의 매개변수로 편미분한 일차 미분치, F는 오차 제곱의 최소화로부터 결정된 매개변수들에 관한 일차 편미분의 자코비안 행렬)
에 의해 구해지는 것을 특징으로 한다.
상기 단계 S3에서 적합도 함수가,
(여기서, 과 는 가중치 계수임)
에 의해 정의되고,
와 는,
(여기서, 는 실제 측정된 신호, 는 fuzzy 모델로 추정된 신호, N은 데이터 샘플의 크기, q는 신호 에 대한 입력의 가중치(매개변수)임)
에 의해 정의되는 에너지 개념의 값이며,
L은 후항 매개변수의 수인 것을 특징으로 한다.
식 (여기서, 기호 ∥∥는 Norm을 의미하고, 는 이웃간의 거리로 정의되는 반지름, x(k)는 P(k)에 해당되는 k번째 입력데이터, x(j)는 j=1∼N까지에 해당되는 입력데이터, P(k)는 k번째 포텐셜 값을 나타냄)에 의해 모든 데이터 점들의 포텐셜을 계산한 다음 가장 높은 포텐셜을 갖는 데이터를 첫번째 집단의 중심으로 선택하는 단계와;
i번째의 집단 중심을 구한 후, 각 데이터 점들의 포텐셜을 식 (여기서, 는 i번째 집단 중심의 위치를 나타내고, 는 그 포텐셜 값을 나타냄)에 의해 수정하고, 모든 데이터 점들의 포텐셜이 수정되면, 가장 큰 포텐셜을 갖는 데이터를 다음 집단의 중심으로 선택하는 단계 및;
(여기서, 매개변수 은 fuzzy 규칙의 수가 n개로 만들어진 집단의 수에 의해 조정되는 디자인 요소임)이 성립하면, 계산을 멈추고, 그렇지 않으면, 계산을 계속하는 단계;를 갖추어 이루어진 것을 특징으로 한다.
식
(여기서, 는 이웃간의 거리로 정의되는 반지름, 는 k번째 입력, 는 i번째 집단 중심의 위치를 나타냄)
에 의해 정의되는 것을 특징으로 한다.
목표 출력 와 추정 출력 사이의 오차의 제곱으로 이루어진 비용함수 (여기서, 임)를 최소화하기 위해 최소자승법이 선택되고,
상기 비용함수를 최소화하기 위한 해가,
식
(여기서, W는 멤버쉽 함수로 구현된 가중치 벡터, q는 후항 매개변수임)
에 의해 구해지며,
상기 최소자승법은 후항 매개변수 와 를 계산하기 위해 사용되는 것을 특징으로 한다.
Claims (8)
- 원전에서 획득한 입출력데이터 쌍(여기서, 에서 는 각각 중성자속, 축방향 위치, 압력, 온도의 입력 신호, 은 압력관 반경방향 크립을 나타내는 출력 신호임)으로 이루어진 크립데이터를 훈련데이터와 검증데이터로 분류하는 단계(단계 S1)와;유전자 알고리즘을 실행하기 위해 초기에 임의의 변수를 입력함으로써, 멤버쉽 함수 변수를 포함한 초기 유전자를 무작위로 생성하는 단계(단계 S2);유전자 알고리즘의 적합도 함수를 계산하는 단계(단계 S3);상기 단계 S3에서의 계산 결과, 정해진 값 보다 적합도 함수의 적합도가 큰가의 여부를 판단하는 단계(단계 S4);상기 단계 S4에서 적합도 함수가 정해진 값 보다 작으면 유전자 알고리즘을 개선하기 위해, 선택, 교차, 변형과 같은 유전적 조작에 의해 변수들을 변경해 나가는 단계(단계 S5);집단소거(Subtractive Clustering; SC) 방법을 기반으로 멤버쉽 함수를 생산하는 단계(단계 S6);퍼지 규칙함수의 후항 매개변수를 최소자승법을 이용해서 계산하여 구하는 단계(단계 S7);상기 단계 S6 및 S7에서 구해진 멤버쉽 함수 및 후항 매개변수로 퍼지-신경망(FNN) 크립 예측 모델을 개정하는 단계(단계 S8);상기 단계 S4에서 정해진 값 보다 적합도 함수의 적합도가 큰 것으로 판단되면, FNN 크립 예측 모델의 불확실도를 평가하는 단계(단계 S9) 및;최종 FNN 크립 예측 모델을 산출하는 단계(단계 S10)를 갖추어 이루어지고,상기 단계 S9에서 FNN 크립 예측 모델의 불확실도 평가가,부트스트랩 샘플링 알고리즘에 의한 통계학적 방법 또는 분석적 방법에 의해 수행되고,상기 부트스트랩 샘플링 알고리즘에 의한 통계학적 방법이,훈련데이터 세트의 J개(부트스트랩 샘플의 개수)의 샘플을 개발 데이터로부터 만드는 단계와;각각의 부트스트랩 샘플에서 FNN 모델을 얻는 단계 및;(여기서, K는 개발데이터 점의 수)에 의해 구하는 단계;를 갖추어 이루어지고,에 의해 구해지는 것을 특징으로 하는 중수로 압력관 반경방향 크립 예측 방법.
- 삭제
- 제1항에 있어서, 상기 단계 S8에서 FNN 크립 예측 모델이 개정되면, 상기 단계 S3으로 진행하여 상기 개정된 FNN 크립 예측 모델을 이용해서 유전자 알고리즘의 적합도 함수를 다시 계산하고, 상기 단계 S3에서 계산된 적합도 함수가 상기 단계 S4에서 정해진 값과 다시 비교되어, 적합도 함수가 기준치를 만족하면, 상기 단계 S9로 진행하고,상기 단계 S3에서 적합도 함수가,에 의해 정의되고,에 의해 정의되는 에너지 개념의 값이며,L은 후항 매개변수의 수인 것을 특징으로 하는 중수로 압력관 반경방향 크립 예측 방법.
- 제1항에 있어서, 상기 단계 S6에서 SC 방법이,식 (여기서, 기호 ∥∥는 Norm을 의미하고, 는 이웃간의 거리로 정의되는 반지름, x(k)는 P(k)에 해당되는 k번째 입력데이터, x(j)는 j=1∼N까지에 해당되는 입력데이터, P(k)는 k번째 포텐셜 값을 나타냄)에 의해 모든 데이터 점들의 포텐셜을 계산한 다음 가장 높은 포텐셜을 갖는 데이터를 첫번째 집단의 중심으로 선택하는 단계와;i번째의 집단 중심을 구한 후, 각 데이터 점들의 포텐셜을 식 (여기서, 는 i번째 집단 중심의 위치를 나타내고, 는 그 포텐셜 값을 나타냄)에 의해 수정하고, 모든 데이터 점들의 포텐셜이 수정되면, 가장 큰 포텐셜을 갖는 데이터를 다음 집단의 중심으로 선택하는 단계 및;
- 삭제
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020090091769A KR101104893B1 (ko) | 2009-09-28 | 2009-09-28 | 중수로 압력관 반경방향 크립 예측 방법 |
CA2686176A CA2686176A1 (en) | 2009-09-28 | 2009-11-20 | Method of predicting diametral creep of candu reactor pressure tubes |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020090091769A KR101104893B1 (ko) | 2009-09-28 | 2009-09-28 | 중수로 압력관 반경방향 크립 예측 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20110034288A KR20110034288A (ko) | 2011-04-05 |
KR101104893B1 true KR101104893B1 (ko) | 2012-01-12 |
Family
ID=43824535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020090091769A KR101104893B1 (ko) | 2009-09-28 | 2009-09-28 | 중수로 압력관 반경방향 크립 예측 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR101104893B1 (ko) |
CA (1) | CA2686176A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160127896A (ko) * | 2015-04-27 | 2016-11-07 | 성균관대학교산학협력단 | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 |
KR20220039037A (ko) | 2020-09-21 | 2022-03-29 | 한국원자력연구원 | 중수로 압력관의 직경 예측 방법 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808910B (zh) * | 2014-12-30 | 2018-11-02 | 中核核电运行管理有限公司 | 锆铌压力管在candu反应堆中的辐照变形计算方法 |
CN109598337B (zh) * | 2018-12-05 | 2021-02-02 | 河南工业大学 | 基于分解模糊神经网络的二氧化硫浓度预测方法 |
CN110542748B (zh) * | 2019-07-24 | 2022-04-19 | 北京工业大学 | 一种基于知识的鲁棒型出水氨氮软测量方法 |
CN112100574A (zh) * | 2020-08-21 | 2020-12-18 | 西安交通大学 | 一种基于重采样的aakr模型不确定度计算方法及系统 |
CN112906275A (zh) * | 2021-02-26 | 2021-06-04 | 上海核工程研究设计院有限公司 | 一种获取锆合金辐照变形单晶本构参数的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100810798B1 (ko) * | 2000-05-31 | 2008-03-06 | 와이어쓰 | 복합조성물 스틱제품 및 이를 제작하기 위한 공정 및 시스템 |
-
2009
- 2009-09-28 KR KR1020090091769A patent/KR101104893B1/ko active IP Right Grant
- 2009-11-20 CA CA2686176A patent/CA2686176A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100810798B1 (ko) * | 2000-05-31 | 2008-03-06 | 와이어쓰 | 복합조성물 스틱제품 및 이를 제작하기 위한 공정 및 시스템 |
Non-Patent Citations (1)
Title |
---|
이재용 외 2인, "중수로 원전 압력관 크립 평가 기법", 한국에너지공학회 2008년도 추계학술발표회, 2008년 10월, pp. 79-84 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160127896A (ko) * | 2015-04-27 | 2016-11-07 | 성균관대학교산학협력단 | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 |
KR101725629B1 (ko) | 2015-04-27 | 2017-04-12 | 성균관대학교산학협력단 | 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 |
KR20220039037A (ko) | 2020-09-21 | 2022-03-29 | 한국원자력연구원 | 중수로 압력관의 직경 예측 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20110034288A (ko) | 2011-04-05 |
CA2686176A1 (en) | 2011-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101104893B1 (ko) | 중수로 압력관 반경방향 크립 예측 방법 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
Na et al. | Prediction of major transient scenarios for severe accidents of nuclear power plants | |
CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
Tian et al. | A study on the robustness of neural network models for predicting the break size in LOCA | |
Kim et al. | Reactor vessel water level estimation during severe accidents using cascaded fuzzy neural networks | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN115186857A (zh) | 一种基于集成学习的神经网络水库水位预测方法 | |
Oliveira et al. | Applying particle swarm optimization algorithm for tuning a neuro-fuzzy inference system for sensor monitoring | |
CN114548680B (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 | |
CN115983494A (zh) | 一种新建小样本风电场的短期风电功率预测方法及系统 | |
Yao et al. | Model-based deep transfer learning method to fault detection and diagnosis in nuclear power plants | |
Park et al. | Leak flow prediction during loss of coolant accidents using deep fuzzy neural networks | |
CN116562169A (zh) | 一种基于深度学习的电力变压器故障诊断方法 | |
Back et al. | Prediction and uncertainty analysis of power peaking factor by cascaded fuzzy neural networks | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
CN116388232A (zh) | 风电调频综合惯性控制方法、系统、电子设备和存储介质 | |
Hu et al. | Bayesian averaging-enabled transfer learning method for probabilistic wind power forecasting of newly built wind farms | |
CN110110944A (zh) | 一种基于修正的小波神经网络预测风电消纳需求量算法 | |
No et al. | Development of a prediction method for SAMG entry time in NPPs using the extended group method of data handling (GMDH) model | |
Jovanović et al. | Feedforward neural network and ANFIS-based approaches to forecasting the off-cam energy characteristics of Kaplan turbine | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN114139788A (zh) | 海上风电机组功率预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
N231 | Notification of change of applicant | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20150102 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20151221 Year of fee payment: 5 |
|
FPAY | Annual fee payment |
Payment date: 20170102 Year of fee payment: 6 |
|
FPAY | Annual fee payment |
Payment date: 20180102 Year of fee payment: 7 |
|
FPAY | Annual fee payment |
Payment date: 20190103 Year of fee payment: 8 |
|
FPAY | Annual fee payment |
Payment date: 20200103 Year of fee payment: 9 |