RU2018138509A - Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения - Google Patents
Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения Download PDFInfo
- Publication number
- RU2018138509A RU2018138509A RU2018138509A RU2018138509A RU2018138509A RU 2018138509 A RU2018138509 A RU 2018138509A RU 2018138509 A RU2018138509 A RU 2018138509A RU 2018138509 A RU2018138509 A RU 2018138509A RU 2018138509 A RU2018138509 A RU 2018138509A
- Authority
- RU
- Russia
- Prior art keywords
- distribution
- value
- normality
- dnbr
- control
- Prior art date
Links
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
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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)
- High Energy & Nuclear Physics (AREA)
- Plasma & Fusion (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Claims (31)
1. Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации, при этом система содержит:
блок (100) извлечения переменной, выполняющий извлечение переменной путем разделения обучающего набора и контрольного набора и путем аппроксимации коэффициентов корреляции;
блок (200) проверки нормальности распределения, выполняющий проверку нормальности распределения для результатов извлечения переменной; и
блок (300) предела DNBR, выполняющий определение допустимого предела DNBR (запаса до кризиса теплообмена при кипении) на основе проверки нормальности распределения; и
блок (400) управления, выполняющий управление блоком (100) извлечения переменной, блоком (200) проверки нормальности распределения и блоком (300) предела DNBR.
2. Система по п. 1, отличающаяся тем, что блок (100) извлечения переменной содержит:
модуль (110) инициализации, выполняющий разделение обучающего набора и контрольного набора и извлечение ID запуска, такого как исходная DB из полной DB;
модуль (120) аппроксимации корреляции, выполняющий аппроксимацию коэффициентов корреляции исходного формировочного набора;
модуль (130) извлечения, выполняющий извлечение максимального значения М/Р (измерение/предсказание) для отдельного ID запуска путем применения результата аппроксимации коэффициентов корреляции к обучающему набору;
модуль (140) определения изменения положения и статистических показателей, выполняющий определение того, изменилось ли положение извлеченного максимального значения М/Р или статистические показатели среднего значения М/Р; и
модуль (150) извлечения переменной, выполняющий извлечение переменной, релевантной максимальному значению М/Р, путем применения результата аппроксимации коэффициентов корреляции к контрольному набору.
3. Система по п. 1, отличающаяся тем, что, когда обучающий набор и контрольный набор обладают одинаковой совокупностью, блок (200) проверки нормальности распределения выполняет определение того, имеют ли значения М/Р нормальное распределение, при этом значения М/Р извлекаются параметрическим способом или непараметрическим способом в соответствии с проверкой нормальности распределения набора данных, группируемого из обучающего набора и контрольного набора.
4. Система по п. 1, отличающаяся тем, что, когда обучающий набор и контрольный набор не обладают одинаковой совокупностью, блок (200) проверки нормальности распределения выполняет определение того, имеют ли значения М/Р нормальное распределение, при этом значения М/Р извлекаются параметрическим способом или непараметрическим способом в зависимости от результата проверки нормальности распределения, выполненной заранее на основе только контрольного набора.
5. Система по п. 1, отличающаяся тем, что блок (300) предела DNBR содержит:
модуль (310) вывода, выполняющий проверку одинаковой совокупности с использованием параметрического способа и непараметрического способа для отдельных случаев и вывод распределения значения 95/95 DNBR для отдельных случаев на основе нормальности распределения значения М/Р группируемого набора и нормальности распределения значения М/Р контрольного набора; и
модуль (320) определения предела, выполняющий вычисление значения 95/95 DNBR с использованием параметрического способа и значения 95/95 DNBR с использованием непараметрического способа для отдельных случаев на основе нормальности распределения из модуля вывода и определение предела 95/95 DNBR с использованием параметрического способа или предела 95/95 DNBR с использованием непараметрического способа для распределения значения 95/95 DNBR для N случаев.
6. Способ определения допустимого предела корреляции с использованием итеративной перекрестной валидации, который выполняется блоком управления системы по п. 1 и включает:
(a) выполнение блоком управления извлечения переменной путем разделения обучающего набора и контрольного набора и путем аппроксимации коэффициентов корреляции;
(b) выполнение блоком управления проверки нормальности распределения для результатов извлечения переменной; и
(c) выполнение блоком управления определения допустимого предела DNBR (запаса до кризиса теплообмена при кипении) на основе проверенной нормальности распределения.
7. Способ по п. 6, отличающийся тем, что этап (а) включает:
(а-1) выполнение блоком управления инициализации путем разделения обучающего набора и контрольного набора и путем извлечения ID запуска, такого как исходная DB из полной DB;
(а-2) выполнение блоком управления аппроксимации коэффициентов корреляции путем выполнения аппроксимации коэффициентов корреляции исходного обучающего набора;
(а-3) выполнение блоком управления извлечения максимального значения М/Р (измерение/предсказание) путем применения результата аппроксимации коэффициентов корреляции к обучающему набору;
(а-4) выполнение блоком управления определения того, изменились ли положение извлеченного максимального значения М/Р и статистические показатели среднего значения М/Р; и
(а-5) выполнение блоком управления извлечения переменной путем извлечения переменной, релевантной максимальному значению М/Р, путем применения результата аппроксимации коэффициентов корреляции к контрольному набору.
8. Способ по п. 6, отличающийся тем, что, когда обучающий набор и контрольный набор обладают одинаковой совокупностью, на этапе (b) блок управления выполняет определение того, имеют ли значения М/Р нормальное распределение, при этом значения М/Р извлекаются параметрическим способом или непараметрическим способом в соответствии с проверкой нормальности распределения для набора данных, группируемого из обучающего набора и контрольного набора.
9. Способ по п. 6, отличающийся тем, что, когда обучающий набор и контрольный набор не обладают одинаковой совокупностью, на этапе (b) блок управления выполняет определение того, имеют ли значения М/Р нормальное распределение, при этом значения М/Р извлекаются параметрическим способом или непараметрическим способом в зависимости от результата проверки нормальности распределения, выполненной заранее на основе только контрольного набора.
10. Способ по п. 6, отличающийся тем, что этап (с) включает:
(с-1) выполнение блоком управления проверки одинаковой совокупности с использованием параметрического способа и непараметрического способа для отдельных случаев и вывода распределения значения 95/95 DNBR для отдельных случаев на основе нормальности распределения значения М/Р группируемого набора и нормальности распределения значения М/Р контрольного набора;
(с-2) выполнение блоком управления вычисления значения 95/95 DNBR с использованием параметрического способа и значения 95/95 DNBR с использованием непараметрического способа для отдельных случаев на основе нормальности распределения значения М/Р группируемого набора и нормальности распределения значения М/Р контрольного набора и определения предела 95/95 DNBR с использованием параметрического способа или предела 95/95 DNBR с использованием непараметрического способа для распределения значения 95/95 DNBR для N случаев.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2016-0042413 | 2016-04-06 | ||
KR1020160042413A KR101687169B1 (ko) | 2016-04-06 | 2016-04-06 | 반복 교차검증을 이용한 상관식 공차한계 설정시스템 및 그 방법 |
PCT/KR2016/004340 WO2017175908A1 (ko) | 2016-04-06 | 2016-04-26 | 반복 교차검증을 이용한 상관식 공차한계 설정시스템 및 그 방법 |
Publications (4)
Publication Number | Publication Date |
---|---|
RU2018138509A true RU2018138509A (ru) | 2020-04-30 |
RU2018138509A3 RU2018138509A3 (ru) | 2020-04-30 |
RU2720586C2 RU2720586C2 (ru) | 2020-05-12 |
RU2720586C9 RU2720586C9 (ru) | 2020-09-18 |
Family
ID=57735657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018138509A RU2720586C9 (ru) | 2016-04-06 | 2016-04-26 | Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения |
Country Status (8)
Country | Link |
---|---|
US (1) | US20180190399A1 (ru) |
EP (1) | EP3293737B1 (ru) |
JP (1) | JP6626586B2 (ru) |
KR (1) | KR101687169B1 (ru) |
CN (1) | CN108885912B (ru) |
CA (1) | CA2985993C (ru) |
RU (1) | RU2720586C9 (ru) |
WO (1) | WO2017175908A1 (ru) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10028220B2 (en) | 2015-01-27 | 2018-07-17 | Locix, Inc. | Systems and methods for providing wireless asymmetric network architectures of wireless devices with power management features |
US10504364B2 (en) | 2016-01-05 | 2019-12-10 | Locix, Inc. | Systems and methods for using radio frequency signals and sensors to monitor environments |
US10455350B2 (en) | 2016-07-10 | 2019-10-22 | ZaiNar, Inc. | Method and system for radiolocation asset tracking via a mesh network |
US11170073B2 (en) | 2017-08-24 | 2021-11-09 | Westinghouse Electric Company Llc | Sequential embedding statistical analysis for multidimensional tolerance limits |
CN110727920B (zh) * | 2019-09-19 | 2022-08-19 | 中国核动力研究设计院 | 一种基于分组法的chf关系式dnbr限值统计学确定方法 |
CN110633454B (zh) * | 2019-09-19 | 2022-10-21 | 中国核动力研究设计院 | 一种基于修正法的chf关系式dnbr限值统计学确定方法 |
KR102148777B1 (ko) * | 2019-11-13 | 2020-08-27 | 한전원자력연료 주식회사 | 통계적 방법을 이용한 기준 열적여유도 분석모형 과출력 벌점 산출 시스템 |
KR102296871B1 (ko) * | 2020-06-09 | 2021-08-31 | 서울대학교산학협력단 | 하이브리드 피로 균열 성장 예측 방법 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4318778A (en) * | 1973-05-22 | 1982-03-09 | Combustion Engineering, Inc. | Method and apparatus for controlling a nuclear reactor |
US5745538A (en) * | 1995-10-05 | 1998-04-28 | Westinghouse Electric Corporation | Self-powered fixed incore detector |
US6061412A (en) * | 1995-10-05 | 2000-05-09 | Westinghouse Electric Company Llc | Nuclear reaction protection system |
US5912933A (en) * | 1997-12-04 | 1999-06-15 | General Electric Company | Method and system for direct evaluation of operating limit minimum critical power ratios for boiling water reactors |
KR100368325B1 (ko) * | 1999-10-30 | 2003-01-24 | 한국수력원자력 주식회사 | 노심감시계통에서 가상 핵계측기를 이용한 축방향 출력분포 계산 방법 |
KR100674106B1 (ko) * | 2003-05-20 | 2007-01-26 | 한국원자력연구소 | 통합형 실시간 원자로 열적 보호시스템 |
KR100600971B1 (ko) * | 2004-12-29 | 2006-07-13 | 두산중공업 주식회사 | 노심보호연산기계통 |
US9330127B2 (en) * | 2007-01-04 | 2016-05-03 | Health Care Productivity, Inc. | Methods and systems for automatic selection of classification and regression trees |
FR2914103B1 (fr) * | 2007-03-19 | 2009-12-18 | Areva Np | Procede de determination de la distribution de puissance volumique du coeur d'un reacteur nucleaire |
CN101267362B (zh) * | 2008-05-16 | 2010-11-17 | 亿阳信通股份有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN101419291A (zh) * | 2008-11-03 | 2009-04-29 | 重庆大学 | 一种基于超高速数据采集卡的多适性核信号处理系统 |
US20110112995A1 (en) * | 2009-10-28 | 2011-05-12 | Industrial Technology Research Institute | Systems and methods for organizing collective social intelligence information using an organic object data model |
CN102054538B (zh) * | 2009-10-30 | 2013-07-17 | 中国广东核电集团有限公司 | 压水堆核电站百万千瓦机组完全低中子泄漏先进四分之一换料方法及其安全分析系统 |
KR101083155B1 (ko) * | 2009-11-12 | 2011-11-11 | 한국전력공사 | 노심상태에 대응하는 국부과출력 정지설정치를 결정하는 방법 |
JP5642460B2 (ja) * | 2010-09-03 | 2014-12-17 | 三菱重工業株式会社 | 限界熱流束予測装置、限界熱流束予測方法、安全評価システム及び炉心燃料評価監視システム |
KR101626722B1 (ko) * | 2015-07-13 | 2016-06-01 | 한국수력원자력 주식회사 | 원자력 발전소의 노심손상 방지를 위해 사용되는 기기들의 공간적 배치 적정성 평가 시스템 및 그 방법 |
CN105203869A (zh) * | 2015-09-06 | 2015-12-30 | 国网山东省电力公司烟台供电公司 | 一种基于极限学习机的微电网孤岛检测方法 |
-
2016
- 2016-04-06 KR KR1020160042413A patent/KR101687169B1/ko active IP Right Grant
- 2016-04-26 RU RU2018138509A patent/RU2720586C9/ru active
- 2016-04-26 JP JP2018552159A patent/JP6626586B2/ja active Active
- 2016-04-26 CN CN201680084392.1A patent/CN108885912B/zh active Active
- 2016-04-26 US US15/563,267 patent/US20180190399A1/en not_active Abandoned
- 2016-04-26 WO PCT/KR2016/004340 patent/WO2017175908A1/ko active Application Filing
- 2016-04-26 CA CA2985993A patent/CA2985993C/en active Active
- 2016-04-26 EP EP16898012.6A patent/EP3293737B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3293737A1 (en) | 2018-03-14 |
CA2985993C (en) | 2021-05-18 |
CN108885912A (zh) | 2018-11-23 |
WO2017175908A1 (ko) | 2017-10-12 |
CN108885912B (zh) | 2022-05-06 |
CA2985993A1 (en) | 2017-10-12 |
JP2019510980A (ja) | 2019-04-18 |
EP3293737A4 (en) | 2019-01-23 |
KR101687169B1 (ko) | 2016-12-16 |
RU2720586C9 (ru) | 2020-09-18 |
RU2720586C2 (ru) | 2020-05-12 |
JP6626586B2 (ja) | 2019-12-25 |
RU2018138509A3 (ru) | 2020-04-30 |
EP3293737B1 (en) | 2020-05-06 |
US20180190399A1 (en) | 2018-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2018138509A (ru) | Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения | |
JP2021514497A5 (ru) | ||
JP2021523464A5 (ru) | ||
EP3584786B1 (en) | Voice recognition method, electronic device, and computer storage medium | |
RU2015102155A (ru) | Способ и устройство для проверки с использованием кода проверки | |
US9390711B2 (en) | Information recognition method and apparatus | |
JP2017509962A5 (ru) | ||
RU2015155633A (ru) | Системы и способы создания и реализации агента или системы с искусственным интеллектом | |
KR20170022625A (ko) | 분류기 학습 방법 및 객체 검출 방법 | |
KR102317833B1 (ko) | 악성 코드 탐지 모델 학습 방법 및 이를 이용한 탐지 방법 | |
CN107729322A (zh) | 分词方法及装置、建立句子向量生成模型方法及装置 | |
RU2010111780A (ru) | Двухпроходное хеш извлечение текстовых строк | |
SG11201907101UA (en) | Operational plan optimization device and operational plan optimization method | |
JP2018045302A5 (ru) | ||
RU2020111006A (ru) | Устройство верификации, способ обработки информации и программа | |
KR102261833B1 (ko) | 인증 방법 및 장치, 및 인식기 학습 방법 및 장치 | |
KR20170101500A (ko) | 노이즈 제거를 통한 오디오 신호 식별 방법 및 장치 | |
EP3073444A3 (en) | A computer implemented system and method for image texture determination | |
US20170039484A1 (en) | Generating negative classifier data based on positive classifier data | |
KR102300427B1 (ko) | 음성 인식기의 인식률 개선을 위한 학습용 단어 수집 장치 및 그 동작 방법 | |
CN107077456B (zh) | 用于存储数据的装置、方法和存储介质 | |
MY173084A (en) | Adaptive-window edit distance algorithm computation | |
KR101706827B1 (ko) | 개체 간 사회 관계 추출 장치 및 방법 | |
CN110516513B (zh) | 一种人脸识别方法及装置 | |
JP2017094543A5 (ja) | 画像処理装置、画像処理方法、データ生成方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
TH4A | Reissue of patent specification |