RU2720586C9 - 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 PDF

Info

Publication number
RU2720586C9
RU2720586C9 RU2018138509A RU2018138509A RU2720586C9 RU 2720586 C9 RU2720586 C9 RU 2720586C9 RU 2018138509 A RU2018138509 A RU 2018138509A RU 2018138509 A RU2018138509 A RU 2018138509A RU 2720586 C9 RU2720586 C9 RU 2720586C9
Authority
RU
Russia
Prior art keywords
dnbr
value
limit
distribution
correlation
Prior art date
Application number
RU2018138509A
Other languages
English (en)
Other versions
RU2018138509A (ru
RU2720586C2 (ru
RU2018138509A3 (ru
Inventor
Кан Хоон КИМ
Пеун Сок КИМ
Кее Йиль НАХМ
Original Assignee
Кепко Ньюклеар Фьюэл Ко., Лтд.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Кепко Ньюклеар Фьюэл Ко., Лтд. filed Critical Кепко Ньюклеар Фьюэл Ко., Лтд.
Publication of RU2018138509A publication Critical patent/RU2018138509A/ru
Publication of RU2018138509A3 publication Critical patent/RU2018138509A3/ru
Application granted granted Critical
Publication of RU2720586C2 publication Critical patent/RU2720586C2/ru
Publication of RU2720586C9 publication Critical patent/RU2720586C9/ru

Links

Images

Classifications

    • GPHYSICS
    • G21NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21DNUCLEAR POWER PLANT
    • G21D3/00Control of nuclear power plant
    • G21D3/001Computer implemented control
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive 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
    • GPHYSICS
    • G21NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21CNUCLEAR REACTORS
    • G21C17/00Monitoring; Testing ; Maintaining
    • G21C17/10Structural combination of fuel element, control rod, reactor core, or moderator structure with sensitive instruments, e.g. for measuring radioactivity, strain
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00Energy generation of nuclear origin
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00Energy generation of nuclear origin
    • Y02E30/30Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Complex Calculations (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Изобретение относится к системе определения допустимого предела запаса до кризиса теплообмена при кипении (DNBR) путем определения допустимого предела корреляции с использованием итеративной перекрестной валидации и к способу ее выполнения. Система допустимого предела запаса до кризиса теплообмена при кипении (DNBR) путем определения допустимого предела корреляции с использованием итеративной перекрестной валидации содержит блок извлечения переменной для классификации обучающих наборов и контрольных наборов и оптимизации коэффициента корреляции для извлечения переменных; блок проверки нормальности распределения для проверки нормальности распределения в соответствии с результатом извлечения переменной; блок предела DNBR для проверки того, имеется ли одинаковая совокупность в соответствии с нормальностью распределения, и определения допустимого предела запаса до кризиса теплообмена при кипении с использованием распределения допустимого предела для кризиса теплообмена при кипении; и блок управления. Техническим результатом является предотвращение искажения характеристик данных по причине случайного или человеческого вмешательства в оптимизацию корреляции и определение допустимого предела и для предотвращения создаваемого таким образом риска или для его количественной оценки. 2 н. и 8 з.п. ф-лы, 7 ил.

Description

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ
Настоящее изобретение относится к системе определения допустимого предела корреляции с использованием итеративной перекрестной валидации и к способу ее выполнения. В частности настоящее изобретение относится к системе определения допустимого предела корреляции с использованием итеративной перекрестной валидации и к способу ее выполнения с целью предотвращения преднамеренного или непреднамеренного искажения характеристик данных за счет человеческого или иного вмешательства, предотвращения риска, вызванного искажением характеристик данных, и количественной оценки влияния искажения характеристик данных при аппроксимации корреляции и определении допустимого предела.
ПРЕДПОСЫЛКИ СОЗДАНИЯ ИЗОБРЕТЕНИЯ
До настоящего времени, согласно не прошедшей патентную экспертизу опубликованной заявке на патент Кореи №2011-0052340, в качестве способа оценки уставки аварийной защиты активной зоны реактора, уставку аварийной защиты вычисляют с использованием информации о распределении нейтронного потока, вычисленном заранее в отношении каждого из более чем 600 состояний активной зоны реактора, информации об измерительных приборах для защиты от превышения мощности в региональной энергосистеме и информации о термогидравлических показателях. По завершении вычисления уставки аварийной защиты, за счет получения оптимальной корреляции между информацией о распределении сигналов измерительных приборов для защиты от превышения мощности в региональной энергосистеме и уставкой аварийной защиты, предусматривается способ определения уставки аварийной защиты в соответствии с каждым состоянием активной зоны реактора с использованием только распределения сигналов измерительных приборов.
В традиционном уровне техники, для того чтобы избежать риска чрезмерной аппроксимации, аппроксимацию корреляции выполняют на основе разделения данных (на обучающий набор и контрольный набор) одного цикла, или ограниченного количества случаев, или допустимый предел и область применения корреляции задают отдельно при помощи простого статистического анализа в отношении отдельного набора данных путем финализации задачи, относящейся к аппроксимации, на уровне отдельного управления независимым набором данных испытаний, обладающим аналогичной структурой или аналогичными структурными характеристиками.
Что касается ограниченного количества случаев, аппроксимация корреляции и определение допустимого предела на основе отдельного набора данных создает трудность, связанную с тем, что невозможно предотвратить преднамеренное или непреднамеренное искажение характеристик данных за счет человеческого или иного вмешательства, невозможно предотвратить риск, вызванный непреднамеренным искажением характеристик данных, и невозможно количественно оценить влияние искажения на характеристики данных при аппроксимации корреляции и определении допустимого предела.
В дополнение, в случае отдельного управления независимым набором данных испытаний, имеющим аналогичную структуру или аналогичные структурные характеристики, так как в него потенциально включено влияние, вызванное разностью подробных структурных характеристик, наряду с областью воспроизводимости данных испытаний, могут существовать ограничения в исключении риска чрезмерной аппроксимации или указанного влияния. Соответственно, это неминуемо увеличивает издержки дополнительного получения данных испытаний.
ОПИСАНИЕ ИЗОБРЕТЕНИЯ
Техническая проблема
Целью настоящего изобретения, предложенной в виду вышеупомянутых проблем в данной области техники, является выполнение аппроксимации корреляции и определения допустимого предела в пределах области технических/законных требований, или создание системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способа ее выполнения, осуществляющего валидацию ее эффективности.
Еще одной целью настоящего изобретения является создание системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способа ее выполнения, при помощи которых можно предотвратить преднамеренное или непреднамеренное искажение характеристик данных за счет человеческого или иного вмешательства, предотвратить риск, вызванный искажением характеристик данных, и количественно оценить влияние искажения характеристик данных.
Техническое решение
Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно аспекту настоящего изобретения 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; блок 300 предела запаса до кризиса теплообмена при кипении (departure from nucleate boiling ratio; DNBR), выполняющий определение допустимого предела DNBR на основе нормальности распределения; и блок 400 управления, выполняющий управление блоком извлечения переменной, блоком проверки нормальности распределения и блоком предела DNBR.
Блок 100 извлечения переменной может содержать модуль 110 инициализации, выполняющий разделение обучающего набора и контрольного набора и извлечение ID (идентификатора) запуска, такого как исходная DB (DataBase) из полной DB; модуль 120 аппроксимации корреляции, выполняющий аппроксимацию коэффициентов корреляции из исходного обучающего набора; модуль 130 извлечения, выполняющий извлечение максимального значения «измерение/предсказание» (measurement/prediction, M/P) для отдельного ID запуска с применением результата аппроксимации коэффициентов корреляции к обучающему набору; модуль 140 определения изменения положения и статистических показателей, выполняющий определение того, изменилось ли положение извлеченного максимального значения M/P 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.
Указанный блок 200 проверки нормальности распределения, когда обучающий набор и контрольный набор обладают одинаковой совокупностью, 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.
В дополнение, блок 200 проверки нормальности распределения, когда обучающий набор и контрольный набор не обладают одинаковой совокупностью, 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 только на основе контрольного набора.
Указанный 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 или значения 95/95 DNBR с использованием непараметрического способа для отдельных случаев на основе нормальности распределения 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.
Способ определения допустимого предела корреляции с использованием итеративной перекрестной валидации, выполняемый блоком управления системы по п. 1 формулы изобретения, включает: этап (а) выполнения блоком управления извлечения переменной путем разделения обучающего набора и контрольного набора, и аппроксимации коэффициентов корреляции; этап (b) выполнения блоком управления проверки нормальности распределения для результатов извлечения переменной; и этап (с) выполнения блоком управления определения допустимого предела DNBR на основе проверенной нормальности распределения.
Способ отличается тем, что этап (a) включает: подэтап (a-1) выполнения блоком управления инициализации путем разделения обучающего набора и контрольного набора и извлечения ID запуска, такого как исходная DB из полной DB; подэтап (a-2) выполнения блоком управления аппроксимации коэффициентов корреляции путем выполнения аппроксимации коэффициентов корреляции исходного обучающего набора; подэтап (а-3) выполнения блоком управления извлечения максимального значения М/Р путем применения результата аппроксимации коэффициентов корреляции к обучающему набору; подэтап (а-4) выполнения блоком управления определения того, изменилось ли положение извлеченного максимального значения М/Р или статистические показатели среднего значения М/Р; и подэтап (а-5) выполнения блоком управления извлечения переменной, релевантной максимальному значению М/Р, путем применения результата аппроксимации коэффициентов корреляции к контрольному набору.
Способ отличается 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.
В дополнение, способ отличается 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.
Способ отличается тем, что этап (с) включает: подэтап (с-1) выполнения 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; и подэтап (с-2) выполнения блоком управления вычисления значения 95/95 DNBR с использованием параметрического способа или значения 95/95 DNBR с использованием непараметрического способа для отдельных случаев на основе нормальности распределения из 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.
Полезные эффекты
Как описано выше, результатом аппроксимации корреляции и определении допустимого предела является предотвращение преднамеренного или непреднамеренного искажения характеристик данных за счет человеческого или иного вмешательства, предотвращение риска, вызванного искажением характеристик данных, и обеспечение возможности количественной оценки влияния искажения характеристик данных.
ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВ
На фиг. 1 представлена блок-схема, на которой показана система определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 2 представлена схема, на которой показано действие блока извлечения переменной в системе определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 3 представлена схема, на которой показано действие блока проверки нормальности распределения и блока предела DNBR системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 4 представлена общая последовательность операций, на которой показан способ использования системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 5 представлен график, на котором показан концептуальный результат действия системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 6 представлен график, на котором показана функция плотности вероятности значения М/Р корреляции и концепция допустимого предела системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 7 представлен график, на котором показано распределение средних значений переменной, извлеченной блоком извлечения переменной системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
Предпочтительный вариант осуществления
Конкретные характеристики и преимущественные признаки настоящего изобретения станут более ясными при помощи приведенного ниже описания со ссылкой на сопутствующие графические материалы. Предварительно следует отметить, что подробные описания известных функций и компонентов, являющихся частью данного документа, опущены там, где они могут сделать неясным предмет настоящего изобретения.
Здесь и далее, настоящее изобретение будет подробно описано со ссылкой на сопутствующие графические материалы.
На фиг. 1 представлена блок-схема, на которой показана система определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения, на фиг. 2 представлена схема, на которой показано действие блока извлечения переменной в системе определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения, и на фиг. 3 представлена схема, на которой показано действие блока проверки нормальности распределения и блока предела DNBR системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
Как представлено на фиг. 1, система определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения содержит блок 100 извлечения переменной, блок 200 проверки нормальности распределения, блок 300 предела DNBR и блок 400 управления.
В первую очередь, блок 100 извлечения переменной выполняет свою функцию N раз путем повторения процесса извлечения переменной путем разделения обучающего набора и контрольного набора и путем аппроксимации коэффициентов корреляции.
Блок 100 извлечения переменной для выполнения указанной функции содержит модуль 110 инициализации, модуль 120 аппроксимации корреляции, модуль 130 извлечения, модуль 140 определения изменения положения и статистических показателей, и модуль 150 извлечения переменной.
Модуль 110 инициализации выполняет разделение обучающего набора и контрольного набора, для контрольного набора извлекается ID запуска, такой как исходная DB из полной DB для исходного контрольного набора, и для обучающего набора выполняется извлечение ID запуска, такой как исходная DB из полной DB для исходного обучающего набора.
Модуль 120 аппроксимации корреляции выполняет аппроксимацию коэффициентов корреляции из исходного обучающего набора.
Модуль 130 извлечения выполняет извлечение максимального значения М/Р для отдельного ID запуска путем применения результата аппроксимации коэффициентов корреляции к обучающему набору. Здесь корреляция согласно варианту осуществления настоящего изобретения представляет собой корреляцию критического теплового потока (critical heat flux, CHF) и извлекает максимальные статистические показатели максимума (среднее значение М/Р) для отдельного ID запуска.
Модуль 140 определения изменения положения и статистических показателей выполняет определение того, изменилось ли положение извлеченного максимального значения М/Р или статистические показатели среднего значения М/Р. Модуль 140 определения итеративно выполняет стадию аппроксимации для коэффициентов корреляции на исходном обучающем наборе до тех пор, пока, в случае изменения положения, не перестанет происходить изменение положения, или, в случае изменения статистических показателей, не перестанет происходить изменение статистических показателей, для извлеченного максимального значения М/Р.
Модуль 150 извлечения переменной способен выполнять извлечение переменной, релевантной максимальному значению М/Р, путем применения результата аппроксимации коэффициентов корреляции к контрольному набору, и сохранять результаты в памяти путем повторения выполнения процесса N раз от модуля инициализации до модуля извлечения переменной.
Здесь «N» может быть приравнено 5, 10, 20, 100, 200, 1000, 5000 или более, и в типичном варианте осуществления подходящим является 1000.
На фиг. 5 представлен график, на котором показан концептуальный результат действия системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
Концептуальные результаты типичного варианта осуществления представлены в таблице 1 и на фиг. 5.
Таблица 1
Распределение отдельного допустимого предела Группа набора данных Номер случая Среднее значение Стандартное отклонение Комментарий
Группируемость Группируемая (T+V) 941 1,1161 0,0017
Негруппируемая (V) 59 1,1375 0,0220
Комбинированная (T+V) и (V) 1000 1,1173 0,0075 1,1234 (39-е значение*)
* В таблице 1 выше указан непараметрический ряд
Блок 200 проверки нормальности распределения выполняет проверку нормальности распределения в отношении результата действия (максимального значения М/Р для отдельного ID запуска в обучающем наборе) модуля извлечения, пропущенного через модуль 140 определения изменения положения и статистических показателей, и результата действия (максимального значения M/P для отдельного ID запуска в контрольном наборе) модуля 150 извлечения переменной или группируемого набора, и т.д. В дальнейшем блок 200 выполняет проверку нормальности распределения в отношении распределения 95/95 DNBR, полученного в блоке предела DNBR.
Блок 300 предела DNBR выполняет проверку одинаковой совокупности параметрическим способом и непараметрическим способом для отдельных случаев и вывод значения 95/95 DNBR для отдельных случаев на основе нормальности распределения значения М/Р группируемого набора и нормальности распределения значения М/Р контрольного набора. Затем блок 300 выполняет вывод распределения значения 95/95 DNBR для N случаев на основе значения 95/95 DNBR и определение выбора предела 95/95 DNBR параметрическим способом или предела 95/95 DNBR непараметрическим способом на основе нормальности распределения значения 95/95 DNBR.
Для данного блока 300 предела DNBR, определение окончательного допустимого предела в соответствии с критерием 95/95 (доверительный уровень 95 % и вероятность 95 %) с использованием указанного распределения, можно предотвратить искажение характеристик данных, предотвратить риск, вызванный искажением характеристик данных, и количественно оценить влияние искажения характеристик данных.
Для выполнения данной функции, блок 300 предела DNBR содержит модуль 310 вывода и модуль 320 определения предела.
Модуль 310 вывода выполняет проверку одинаковой совокупности с использованием параметрического способа и непараметрического способа для отдельных случаев и вывод значения 95/95 DNBR, полученного параметрическим способом, или значения 95/95 DNBR, полученного непараметрическим способом, вычисленного с использованием модуля 320 определения предела на основе нормальности распределения значения М/Р группируемого набора и нормальности распределения значения М/Р контрольного набора. Затем модуль 310 выполняет вывод распределения значения 95/95 DNBR для N случаев на основе значения 95/95 DNBR. Модуль 320 выполняет 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 310 вывода и определение предела 95/95 DNBR параметрическим способом или предела 95/95 DNBR непараметрическим способом для распределения значения 95/95 DNBR для N случаев.
К сведению, в качестве предела DNBR корреляции CHF, DNBR представляет собой количественный критерий оценки возникновения CHF на поверхности стержня ядерного топлива, и его определяют при помощи статистической оценки неопределенности предсказания корреляции CHF. Согласно критериям теплового расчета для активной зоны реактора, предел DNBR корреляции CHF следует определять так, что вероятность того, что CHF не возникнет, должна составлять 95 % или более на доверительном уровне 95 % или более. DNBR определяют как отношение предсказанного CHF (=P) и фактического локального теплового потока (=A), т.е. DNBR=P/A. В экспериментальных условиях для CHF, так как фактический локальный тепловой поток является идентичным измеренному CHF (=М), DNBR имеет такое же значение, как Р/М. Поскольку CHF(P), предсказанный при помощи корреляции в постоянных локальных термогидравлических условиях, всегда вычисляется как постоянное значение, CHF(M), фактически измеренный в тех же условиях, может иметь некоторое произвольное значение по причине случайности данного физического явления. В виду этого, значение М/Р для статистической оценки DNBR выбирают как случайную переменную. Для соответствия расчетным критериям в отношении CHF, фактический локальный тепловой поток в произвольных условиях эксплуатации должен быть меньше критического теплового потока, измеренного в тех же условиях. Т.е. А<M, при условии учета неопределенности М согласно расчетным критериям 95/95, выражается здесь следующим образом.
A<M (нижний предел 95/95)
Применяя DNBR=P/A и деля обе части на Р, получаем
DNBR > 1/(M/P)нижний предел 95/95.
Исходя из этого, предел DNBR(DNBRCL) корреляции имеет вид:
DNBRCL ≡ 1/(M/P)нижний предел 95/95.
Нижний предел 95/95 значения M/P определяется на основе допустимого предела путем количественной оценки статистических показателей совокупности на основе выборочного значения M/P, как представлено на фиг. 6.
На фиг. 6 представлен график, на котором показана функция плотности вероятности значения М/Р корреляции и концепция допустимого предела системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
Блок 400 управления создан для управления блоком 100 извлечения переменной, блоком 200 проверки нормальности распределения и блоком 300 предела DNBR.
В соответствии с сигналом управления блока управления, способ использования системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения описывается следующим образом.
На фиг. 4 представлена общая последовательность операций, иллюстрирующая способ использования системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
Как представлено в графическом материале, способ выполняется следующим образом. (a) Сначала блок управления выполняет извлечение переменной путем разделения обучающего набора и контрольного набора и аппроксимации коэффициентов корреляции.
(b) Затем блок управления выполняет проверку нормальности распределения для результатов извлечения переменной.
(c) В конечном итоге блок управления выполняет определение допустимого предела DNBR на основе нормальности распределения, проверенной выше на этапе (b).
Процесс аппроксимации коэффициентов корреляции и извлечения переменной на этапе (а) выполняется путем: ① выполнения разделения данных на обучающий набор (T — обучающий набор) и контрольный набор (V — контрольный набор); ② при аппроксимации (коэффициентов) корреляции — выполнения аппроксимации вплоть до отсутствия изменения положения или статистических показателей максимального значения M/Р для отдельного ID запуска в T; ③вычисления и извлечения максимального значения М/Р для отдельного ID запуска в V; ④ сохранения в памяти значения М/Р для отдельного ID запуска в T и V; и ⑤ повторения подэтапов ① ~ ④ (N случаев) N раз.
Способ извлечения переменной на этапе (a) выполняется посредством следующих подэтапов: (a-1), на котором выполняется разделение обучающего набора и контрольного набора и извлечение ID запуска, такого как исходная DB из полной DB, за счет чего реализуется инициализация; (a-2), на котором выполняется аппроксимация корреляции исходного обучающего набора; (a-3), на котором выполняется извлечение максимального значения М/Р путем применения результатов аппроксимации корреляции к обучающему набору; (a-4), на котором выполняется определение изменения положения и статистических показателей извлеченного максимального значения М/Р, и, в то же время, допускается повторение выполнения аппроксимации корреляции вплоть до отсутствия возникновения изменения положения или статистических показателей; и (а-5), на котором, если не происходит изменение положения или статистических показателей для извлеченного максимального значения М/Р, путем применения результата аппроксимации коэффициентов корреляции к контрольному набору выполняется извлечение переменной с целью извлечения переменной, релевантной максимальному значению М/Р.
Проверка нормальности распределения результатов извлечения переменной на этапе (b) выполняется следующим образом: ⑥ выполняется проверка нормальности распределения значения М/Р в T и V для отдельных случаев; ⑦ при выполнении проверки одинаковой совокупности для отдельных случаев используется параметрический способ, если T и V представляют собой нормальные распределения, и используется непараметрический способ, если T и V не представляют собой нормальное распределение; ⑧ при вычислении значения 95/95 DNBR для отдельных случаев — определение выполняется в отношении группы группируемого набора данных Т и V, если Т и V обладают одинаковой совокупностью, при этом параметрический способ или непараметрический способ являются применимыми в зависимости от результатов выполнения проверки нормальности распределения для группы группируемого набора данных; и определение выполняется только в отношении V, если Т и V не обладают одинаковой совокупностью, при этом параметрический способ или непараметрический способ являются применимыми в зависимости от результатов заранее выполненной проверки нормальности распределения; ⑨ на основе результата «⑧» получается распределение значения 95/95 DNBR, полученное в отношении T, V, группируемого, негруппируемого и комбинированного (группируемого+негруппируемого) наборов данных; и ⑩ проверка нормальности распределения выполняется в отношении «⑨».
В дополнение, при проверке нормальности распределения на этапе (b) проверка нормальности распределения выполняется в отношении обучающего набора и контрольного набора для отдельных случаев, и определяется нормальность распределения значения М/Р, извлеченного параметрическим способом или непараметрическим способом.
Определение допустимого предела DNBR на этапе (с) выполняется следующим образом:
Figure 00000001
при вычислении предела 95/95 DNBR параметрический способ используется, когда результаты ⑩ представляют собой нормальное распределение, и непараметрический способ используется, когда результаты на подэтапе ⑩ не представляют собой нормальное распределение;
Figure 00000002
при определении предела 95/95 DNBR, в одном варианте осуществления, допустимый предел 95/95 «комбинированного» распределения определяется так, что 1,1234 → 1,124, и, в другом варианте осуществления, среднее значение «валидации» определяется так, что 1,1337 → 1,134.
Этап (с) обеспечивает возможность вывода на подэтапе (с-1) распределения значения 95/95 DNBR для N случаев на основе значения 95/95 DNBR для отдельных случаев на основе нормальности распределения значения М/Р группируемого набора и нормальности распределения значения М/Р контрольного набора параметрическим способом и непараметрическим способом, и определения на подэтапе (с-2) предела 95/95 DNBR параметрическим способом или 95/95 предела DNBR непараметрическим способом на основе нормальности распределения.
В варианте осуществления настоящего изобретения разделение данных при определении N должно производиться на случайной основе, однако допускается включение в разделение данных k-кратных (выполнение разделения данных на k подгрупп, не перекрывающихся друг с другом и внутреннее повторение k раз для k–1 подгрупп в качестве обучающего набора и одной подгруппы в качестве контрольного набора). Определение допустимого предела и его валидация возможны для переменных согласно реализации в варианте осуществления настоящего изобретения не только с использованием значения M/P, но также значений M/P-1, M-P или P/M, P/M-1, P-M и P-, и т.д.
В другом варианте осуществления при условии расширения типичного варианта осуществления возможна реализация в форме выполнения повторения для N случаев вплоть до случая непосредственно перед «получением распределения значения 95/95 DNBR для N случаев». В дополнение, также возможна реализация для анализа «распределения значения 95/95 DNBR» в отношении двух групп наборов данных из обучающего набора и контрольного набора для каждого или отдельных случаев и для их комбинации, когда они обладают или не обладают одинаковой совокупностью.
Таблица 2
Распределение отдельного допустимого предела Группа Номер случая Среднее значение С.О.
(Стандартное
отклонение)
Комментарий
Все Обучающая 1000 1,1168 0,0027
Контрольная 1000 1,1337 0,0151 1,134
В результате действия системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно настоящему изобретению допустимый предел уменьшается, самое большее, на 2,5 % по сравнению с существующим, и это уменьшение допустимого предела может быть использовано для увеличения запаса безопасности или улучшения фактических эксплуатационных характеристик. В сравнении с отечественной технологией, результат представляет собой повышение, самое большее, на 5 %.
Таблица 3
Случай Современный допустимый предел Риск/Результат Ожидаемый допустимый предел
Существующая/Аналогичная технология не реализована (отечественный уровень) 1,113 Максимум 1,18
Существующая/Аналогичная технология реализована (зарубежный уровень) 1,08~1,18 Рассмотрение каждого случая в отдельности 1,15
Технология согласно изобретению Типичный вариант осуществления (критерии распределения значения 95/95 DNBR в отношении комбинированных данных) - ~1% 1,124
Другой вариант осуществления (критерии распределения значения 95/95 DNBR относительно контрольных данных) - ~2% 1,134
В сравнении с отечественным технологическим уровнем
На фиг. 7 представлен график, на котором показано распределение средних значений переменной, извлеченной блоком извлечения переменной системы определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения.
На фиг. 7, в соответствии с классификацией, представленной на фиг. 5, представлены средние значения переменной (значения M/P), извлеченной из двух наборов данных (обучающего и контрольного) для N случаев, полученных на основе результатов, представленных на фиг. 2 при помощи способов, представленных на фиг. 3 и фиг. 4.
Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения обладает способностью выполнения проверки одинаковой совокупности (параметрическим способом и непараметрическим способом) для значений М/Р обучающего и контрольного наборов данных для N случаев со ссылкой на фиг. 3.
В дополнение, для процесса получения значения 95/95 DNBR для случая одинаковой совокупности или наоборот признаками являются параметрический способ и непараметрический способ, и еще одним признаком является наличие возможности определения предела 95/95 DNBR на основе распределения значений 95/95 DNBR.
Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации согласно варианту осуществления настоящего изобретения действует следующим образом: ① система разделяет данные на обучающий набор данных (T) и контрольный набор данных (V);
② при выполнении аппроксимации (коэффициентов) корреляции система выполняет аппроксимацию до тех пор, пока перестанет возникать изменение положения или статистических показателей максимального значения М/Р для отдельного ID запуска в T;
③ система вычисляет и извлекает максимальное значение M/P для отдельного ID запуска в V, и ④ сохраняет в памяти значение M/P для отдельного ID запуска в T и V;
⑤ система повторяет процесс ①~④ N раз (для N случаев);
⑥ система проверяет нормальность распределения значения M/P для отдельных случаев в T и V;
⑦ при проверке одинаковой совокупности для отдельных случаев система выполняет эту проверку при помощи параметрического способа, когда Т и V представляют собой нормальные распределения, и выполняет эту проверку при помощи непараметрического способа, когда Т и V не представляют собой нормальное распределение;
⑧ при вычислении значения 95/95 DNBR для отдельных случаев система с использованием группы группируемого набора данных определяет T и V как стандарт, когда T и V обладают одинаковой совокупностью. Здесь, в зависимости от результатов выполнения проверки нормальности распределения для группы группируемого набора данных, является применимым параметрический способ или непараметрический способ;
система с использованием в качестве стандарта только V выполняет определение того, что T и V не обладают одинаковой совокупностью, при этом, в зависимости от результатов выполненной заранее проверки нормальности распределения, является применимым параметрический способ или непараметрический способ;
⑨ на основе результата «⑧» система выполняет получение распределения значения 95/95 DNBR в отношении T, V, группируемого, негруппируемого и комбинированного (группируемый+негруппируемый) наборов данных;
⑩ система выполняет проверку нормальности распределения для «⑨»;
Figure 00000001
при вычислении предела 95/95 DNBR система выполняет вычисление предела параметрическим способом, если результатом ⑩ является нормальное распределение, и непараметрическим способом, если результатом ⑩ не является нормальное распределение; и
Figure 00000002
при определении предела 95/95 DNBR система, в одном варианте осуществления, выполняет определение допустимого предела 95/95 «комбинированного» распределения, так что 1,1234 → 1,124, и, в другом варианте осуществления, выполняет определение среднего для распределения «валидации», так что 1,1337 → 1,134.
Описание ссылочных позиций в графических материалах
100: блок извлечения переменной, 110: модуль инициализации.
120: модуль аппроксимации корреляции, 130: модуль извлечения.
140: модуль определения изменения положения и статистических показателей, 150: модуль извлечения переменной
200: блок проверки нормальности распределения, 300: блок предела DNBR.
310: модуль вывода, 320: модуль определения предела.

Claims (31)

1. Система определения допустимого предела DNBR (запаса до кризиса теплообмена при кипении) путем определения допустимого предела корреляции с использованием итеративной перекрестной валидации, при этом система содержит:
блок (100) извлечения переменной, выполненный с возможностью извлечения максимальной переменной М/Р (измерение/предсказание) путем разделения обучающего набора и контрольного набора данных и путем аппроксимации коэффициентов корреляции для определения максимальной переменной М/Р из данных;
блок (200) проверки нормальности распределения, выполненный с возможностью проверки нормальности распределения для максимальной переменной М/Р;
блок (300) предела DNBR, выполненный с возможностью определения допустимого предела DNBR на основе максимальной переменной М/Р, при этом определение зависит от проверки нормальности распределения; и
блок (400) управления, выполненный с возможностью управления 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, выполненный с возможностью разделения полной DB (базы данных) ID (идентификационных номеров) запуска на обучающий набор и контрольный набор;
модуль (120) аппроксимации корреляции, выполненный с возможностью аппроксимации коэффициентов корреляции исходного обучающего набора;
модуль (130) извлечения, выполненный с возможностью извлечения максимального значения М/Р для отдельного ID запуска обучающего набора путем применения результата аппроксимации коэффициентов корреляции к отдельному ID запуска;
модуль (140) определения изменения положения и статистических показателей, выполненный с возможностью определения того, изменились ли положение извлеченного максимального значения М/Р или статистические показатели извлеченного максимального М/Р, и в случае, если происходит изменение, подключения к модулю (120) аппроксимации корреляции для аппроксимации коэффициентов корреляции до тех пор, пока изменения не перестанут происходить;
и модуль (150) извлечения переменной, выполненный с возможностью извлечения максимального значения 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, выполненный с возможностью проверки 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, выполненный с возможностью 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 из модуля вывода (310) 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 DNBR (запаса до кризиса теплообмена при кипении) путем определения допустимого предела корреляции с использованием итеративной перекрестной валидации, который выполняется блоком управления (400) системы по п. 1 и включает:
(a) выполнение блоком управления (400) извлечения максимальной переменной М/Р путем разделения обучающего набора и контрольного набора данных и путем аппроксимации коэффициентов корреляции для определения максимальной переменной М/Р из данных;
(b) выполнение блоком управления (400) проверки нормальности распределения для максимальной переменной М/Р; и
(c) выполнение блоком управления (400) определения допустимого предела DNBR в зависимости от проверенной нормальности распределения.
7. Способ по п. 6, отличающийся тем, что этап (а) включает:
(а-1) выполнение блоком управления инициализации путем разделения полной DB ID запуска на обучающий набор и контрольный набор;
(а-2) выполнение блоком управления (400) аппроксимации коэффициентов корреляции путем выполнения аппроксимации коэффициентов корреляции исходного обучающего набора (части обучающего набора);
(а-3) выполнение блоком управления (400) извлечения максимального значения М/Р для отдельного ID запуска обучающего набора путем применения результата аппроксимации коэффициентов корреляции к отдельному ID запуска;
(а-4) выполнение блоком управления (400) определения того, изменились ли положение и статистические показатели извлеченного максимального значения М/Р, и, в случае если происходит изменение, возврата к этапу (а-2) для аппроксимации коэффициентов корреляции до тех пор, пока изменения не перестанут происходить; и
(а-5) выполнение блоком управления (400) 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 (400) 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 (400) 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 (400) 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 (400) 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.
RU2018138509A 2016-04-06 2016-04-26 Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения RU2720586C9 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020160042413A KR101687169B1 (ko) 2016-04-06 2016-04-06 반복 교차검증을 이용한 상관식 공차한계 설정시스템 및 그 방법
KR10-2016-0042413 2016-04-06
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 RU2018138509A (ru) 2020-04-30
RU2018138509A3 RU2018138509A3 (ru) 2020-04-30
RU2720586C2 RU2720586C2 (ru) 2020-05-12
RU2720586C9 true 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)

* Cited by examiner, † Cited by third party
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6061412A (en) * 1995-10-05 2000-05-09 Westinghouse Electric Company Llc Nuclear reaction protection system
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
RU2009137958A (ru) * 2007-03-19 2011-04-27 Арева Нп (Fr) Способ определения трехмерного распределения мощности в активной зоне ядерного реактора
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

Family Cites Families (13)

* Cited by examiner, † Cited by third party
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
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
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
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
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6061412A (en) * 1995-10-05 2000-05-09 Westinghouse Electric Company Llc Nuclear reaction protection system
RU2009137958A (ru) * 2007-03-19 2011-04-27 Арева Нп (Fr) Способ определения трехмерного распределения мощности в активной зоне ядерного реактора
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
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

Also Published As

Publication number Publication date
JP2019510980A (ja) 2019-04-18
US20180190399A1 (en) 2018-07-05
CA2985993A1 (en) 2017-10-12
JP6626586B2 (ja) 2019-12-25
EP3293737A4 (en) 2019-01-23
EP3293737A1 (en) 2018-03-14
KR101687169B1 (ko) 2016-12-16
CA2985993C (en) 2021-05-18
RU2018138509A (ru) 2020-04-30
CN108885912B (zh) 2022-05-06
RU2720586C2 (ru) 2020-05-12
RU2018138509A3 (ru) 2020-04-30
WO2017175908A1 (ko) 2017-10-12
EP3293737B1 (en) 2020-05-06
CN108885912A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
RU2720586C9 (ru) Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения
US6674825B2 (en) Determination of operating limit minimum critical power ratio
Ikonen Comparison of global sensitivity analysis methods–application to fuel behavior modeling
Yang et al. Confirmatory factor analysis under violations of distributional and structural assumptions
JP5658432B2 (ja) 原子燃料炉心のための安全限界最小限界出力比を決定するための方法
KR20220061713A (ko) 스마트 미터의 결측치 대체 방법 및 이를 이용하는 스마트 미터 제어 시스템
CN114616559A (zh) 经验地提供具有减少噪音的数据隐私
CN102982231B (zh) 软件可信度的定量计算方法
US20190139659A1 (en) System for setting tolerance limit of correlation by using repetitive cross-validation and method thereof
Al-Awad et al. Application of a BEPU-based code assessment to the ATLAS upper head SB-LOCA test
CN114625731A (zh) 核数据截面库生成方法、装置、设备及存储介质
KR101444794B1 (ko) 노내계측기 신호 기반의 반경방향 첨두계수를 이용한 노심운전제한치감시계통의 Pseudo Hot Pin 출력분포 구성 방법
Ghoos et al. Accuracy and convergence with coupled finite‐volume Monte Carlo codes for time‐dependent plasma edge simulations
US7676779B2 (en) Logic block timing estimation using conesize
Takeda et al. Bayesian estimation of cross-section and errors of experiment and calculation for accurate prediction of neutronic characteristics
Wang et al. A Parameter Estimation Method of Shock Model Constructed with Phase‐Type Distribution on the Condition of Interval Data
KR102148777B1 (ko) 통계적 방법을 이용한 기준 열적여유도 분석모형 과출력 벌점 산출 시스템
JP2005283439A (ja) 逃がし安全弁容量評価方法および逃がし安全弁容量評価プログラム
US20240086534A1 (en) Falsification detection device, falsification detection method, and falsification detection program
CN111210149B (zh) 一种配电网拓扑识别方法及装置
CN110705051B (zh) 时间约束触改逻辑的动态故障树模型及仿真方法
Hallee et al. Evaluation of Wilks’ One-sided Non-parametric Formula Against Analytical Parametric Methods
Eriksson Monte Carlo analysis of BWR transients: A study on the Best Estimate Plus Uncertainty methodology within safety analyses at Forsmark 3
CN117973285A (zh) 一种后硅电路异常的深度测试方法、装置及计算设备
KR20220116727A (ko) 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템

Legal Events

Date Code Title Description
TH4A Reissue of patent specification