本发明专利技术公开了基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法，利用蒙特卡洛方法模拟计算反应堆中子和光子输运过程，采用MCNP程序对船用反应堆分层屏蔽模型进行模拟计算，得到反应堆屏蔽后的中子和光子通量，并计算出总的当量剂量；根据样本的输入参数个数n1和输出参数个数n2来确定BP神经网络的拓扑结构；根据反应堆屏蔽问题目标确定遗传算法的适应度函数，选择推荐的适应度函数，利用遗传算法强寻优能力，与神经网络相互耦合找到最佳的屏蔽参数。本发明专利技术的优点是利用神经网络极强的拟合能力减少了MCNP程序在粒子输运计算过程的时间消耗和利用遗传算法很好的寻优能力，能够在很少的迭代步骤中找到最优屏蔽参数。
【技术实现步骤摘要】
本专利技术属于核工程
，涉及一种。
技术介绍
船用反应堆屏蔽设计优化主要任务是在保证剂量安全的条件下找到体积小重量轻且屏蔽效果佳的屏蔽方案。在过去的实际工程中，船用反应堆屏蔽设计都是计算许多方案后再从中进行筛选，将花费大量的机器时间和工作准备时间，但是这却往往找不到既满足辐射安全、经济和材料特性等因素最优的屏蔽方案。因此，针对船用反应堆屏蔽优化设计一直是核工程界的热点和挑战。国际上对于船用反应堆屏蔽设计分析主要有数值计算法、半经验修正的计算模型和智能优化方法三大类。在上个世纪80年代由于计算机方面的限制，反应堆屏蔽设计优化主要集中在数值计算方法上，文献主要有:线性规划、变分法、综合法、梯度法、拉格朗日乘子法和最速下降法等数值方法。近些年来，随着计算机科学的快速发展，为规避数值计算方法的一些问题，国际上相继开展了基于蒙特卡洛程序在反应堆屏蔽计算和利用一些智能算法来对反应堆屏蔽参数进行估算和优化。对于船用反应堆屏蔽设计优化，数值计算方法主要存在计算模型简单、精度低和计算复杂等缺点；蒙特卡洛程序则存在计算机模拟耗时长和效率低下的缺点。而本专利技术可以有效解决以上的问题。
技术实现思路
本专利技术提供了一种，计算简单、耗时少、精度高。本专利技术所采用的技术方案是，，按照以下步骤进行:步骤1，利用蒙特卡洛方法模拟计算反应堆中子和光子输运过程，采用MCNP程序对船用反应堆分层屏蔽模型进行模拟计算，得到反应堆屏蔽后的中子和光子通量，并计算出总的当量剂量；步骤2，根据样本的输入参数个数njP输出参数个数η 2来确定BP神经网络的拓扑结构；步骤3，根据反应堆屏蔽问题目标确定遗传算法的适应度函数，适应度函数有以下推荐类型:(a)约束型Fittness = Weight，Dose ^ D0Fittness为适应度值；Weight为反应堆屏蔽层质量！Dc!为剂量限值。(b)权重型Fittness = W1^ffeight' +W2^Dose'Fittness为适应度值;WeighC和Dose'分别为归一化的质量和剂量况和胃2分别为两者之间的权重，默认均为I ;选择上述推荐的适应度函数，利用遗传算法强寻优能力，与神经网络相互耦合找到最佳的屏蔽参数。进一步的，步骤2中BP神经网络结构有以下原则:(a)对于复杂工程问题，神经网络隐含层采用双层神经元(b)在单层的隐含层神经网络中，整个神经网络神经元个数结构为:叫―2ni ± I — n2(c)在双层的隐含层神经网络中，整个神经网络神经元个数结构为:叫―1.5n 丨―2n 丨 ± I — n2对于BP神经网络训练参数，有以下推荐:(a)节点传递函数正切S型传递函数tansig(b)训练函数BP算法训练函数trainlm(c)网络学习函数梯度下降动量函数Iearngdm利用神经网络极强的非线性拟合能力对上述的剂量数据进行训练学习，直到达到误差小于2%的预测精度来替换MCNP程序计算的过程。本专利技术的有益效果是:1.利用遗传算法很好的寻优能力，能够在很少的迭代步骤中找到最优屏蔽参数。2.利用神经网络极强的拟合能力减少了 MCNP程序在粒子输运计算过程的时间消耗。3.利用整个算法流程搭建了一个GUI可视化界面，降低了设计人员的编程难度，使整个反应堆屏蔽设计工作更加直观、高效。【附图说明】图1是方法流程图；图2是神经网络预测数据和原始数据的回归曲线图，a、b、c、d分别训练集、验证集、测试集和全部数据的回归图；图3是神经网络训练过程的误差变化图；图4是神经网络预测效果对比图；图5是遗传算法的寻优过程。【具体实施方式】，方法流程如图1所示，其中具体步骤包括:(I)利用蒙特卡洛(MC)方法模拟计算反应堆中子和光子输运过程，采用反应堆常用的MCNP程序对船用反应堆分层屏蔽模型进行模拟计算，得到反应堆屏蔽后的中子和光子通量，并计算出总的当量剂量。(2)根据样本的输入参数个数njP输出参数个数η 2来确定BP神经网络的拓扑结构。考虑到实际屏蔽问题的复杂性，BP神经网络结构有以下指导原则:(a)对于复杂工程问题，神经网络隐含层尽量采用双层神经元(b)在单层的隐含层神经网络中，整个神经网络神经元个数结构推荐为:2n i ± I — n2(c)在双层的隐含层神经网络中，整个神经网络神经元个数结构推荐为:1.5n 2n i ± I — n2对于BP神经网络训练参数，有以下推荐:(a)节点传递函数正切S型传递函数tansig(b)训练函数BP算法训练函数trainlm(c)网络学习函数梯度下降动量函数Iearngdm利用神经网络极强的非线性拟合能力对上述的剂量数据进行训练学习，直到达到误差小于2%的预测精度来替换MCNP程序计算的过程。(3)根据反应堆屏蔽问题目标确定遗传算法的适应度函数，适应度函数有以下推荐类型:(a)约束型Fittness = Weight, Dose D0Fittness为适应度值；Weight为反应堆屏蔽层质量；D(!为剂量限值；(b)权重型Fittness = W1^ffeight' +W2^Dose'Fittness为适应度值；WeighC和Dose'分别为归一化的质量和剂量；WjP W 2分别为两者之间的权重，默认均为I ;选择上述推荐的适应度函数，利用遗传算法很强的寻优能力，与神经网络相互耦合找到最佳的屏蔽参数(本例中指各个屏蔽层厚度)。(4)利用Matlab程序设计上述整个流程的⑶I界面，编译成一个操作简单、效率高的人机交互软件。本专利技术的专利技术点是:在遗传算法中利用神经网络替换MCNP来计算反应堆屏蔽后的剂量并快速找到反应堆屏蔽最佳参数。涉及此方法的理论及软件介绍:1.MCNP当前第1页1 2 本文档来自技高网...
【技术保护点】
基于神经网络和遗传算法的船用反应堆屏蔽设计优化方法，其特征在于，按照以下步骤进行：步骤1，利用蒙特卡洛方法模拟计算反应堆中子和光子输运过程，采用MCNP程序对船用反应堆分层屏蔽模型进行模拟计算，得到反应堆屏蔽后的中子和光子通量，并计算出总的当量剂量；步骤2，根据样本的输入参数个数n1和输出参数个数n2来确定BP神经网络的拓扑结构；步骤3，根据反应堆屏蔽问题目标确定遗传算法的适应度函数，适应度函数有以下推荐类型：(a)约束型Fittness＝Weight，Dose≤D0Fittness为适应度值；Weight为反应堆屏蔽层质量；D0为剂量限值。(b)权重型Fittness＝W1*Weight′+W2*Dose′Fittness为适应度值；Weight′和Dose′分别为归一化的质量和剂量；W1和W2分别为两者之间的权重，默认均为1，选择上述推荐的适应度函数，利用遗传算法强寻优能力，与神经网络相互耦合找到最佳的屏蔽参数。
【技术特征摘要】
【专利技术属性】
技术研发人员：宋英明，赵云彪，李鑫祥，罗迪雯，张淮超，
申请(专利权)人：南华大学，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。