【技术实现步骤摘要】
一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法
[0001]本专利技术属于核电站堆内构件
,尤其涉及一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法。
技术介绍
[0002]堆内构件螺栓承担着部件连接和固定等作用,其安全性和可靠性直接关系到反应堆的安全和效率。与普通螺栓不同的是,堆内螺栓所处环境恶劣,长期处于高温、高压和水腐蚀,特别是强中子辐照环境中,以辐照促进应力腐蚀开裂(IASCC)为代表的促应力腐蚀时有发生。随着使用时间的延长,裂纹长度逐渐扩大,裂纹尖端应力强度因子逐渐增加,最终应力强度因子超过螺栓材料的断裂韧度,螺栓发生断裂失效。核电厂通常会备有大量零件库存,这样会使企业大量流动资金被占用和产生大量库存管理成本。为了在保证反应堆安全运营的前提下,尽可能的减少库存是一个需要解决的问题。
[0003]但对于核电企业,以秦山核电为例。秦山核电拥有9台机组、4种机型,因此每座反应堆的实际情况各不相同,使用螺栓的情况也不一样。对于这种情况,需要一个泛化性能好、预测精度高的基于数据驱动的寿命预测模型。
[0004]由于实际不存在螺栓发生断裂再进行更换的情况。所以促应力腐蚀条件下损坏的螺栓数据不多,会加大数据驱动模型的训练难度。
[0005]基于以上的困难条件下,传统概率论和数理统计方法将很难适应于这些条件。
技术实现思路
[0006]本专利技术的目的是克服现有技术中的不足,提供一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法。
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法,其特征在于,包括以下步骤:步骤1、基于Monte Carlo直接抽样方法对堆内螺栓使用寿命数据进行随机抽样;再根据Monte Carlo直接抽样方法抽样的概率分布,随机取设定数量个堆内螺栓使用寿命数据值,用于扩充数据;步骤2、数据预处理:将步骤1采集得到的原始状态参数进行标准化处理:上式中,为标准化值;x为原始值;μ为均值;σ为标准层,数值区间为[
‑
1,1];步骤3、分割数据集:按设定比例将数据集划分为训练集和预测集;步骤4、搭建XGBoost模型,采用训练集对XGBoost模型进行训练;步骤5、将预测集数据代入XGBoost模型进行预测;步骤6、将预测数据与真实数据作对比,评估XGBoost模型准确性:使用RMSE、R2‑
Score和整体平均准确率来衡量XGBoost模型的准确性;使用起裂
‑
断裂时间的公式来计算实际断裂时间真实值,验证预测的准确率:上式中,t
N
表示从IASCC起裂到螺栓损坏的时间间隔,单位为hour;σ表示螺栓应力,单位为N/mm2;σ
y
表示螺栓材料的屈服强度,单位为N/mm2;Q表示螺栓材料的激活能,单位为J/mol;R表示气体常数,单位为J/mol
·
k;F表示螺栓所受中子注量,单位为n/cm2;k表示比例常数;n表示系数;m表示系数;使用XGBoost模型计算预测数据,将预测数据与实际断裂时间真实值进行比较,验证预测数据的准确率;步骤7、生成真实值
‑
预测值图,评估XGBoost模型的预测效果。2.根据权利要求1所述基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法,其特征在于:步骤1中基于Monte Carlo直接抽样方法根据堆内螺栓工作环境的温度、压力、中子注入率和螺栓材料的屈服强度来进行堆内螺栓使用寿命数据的随机抽样。3.根据权利要求1所述基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法,其特征在于,步骤4具体包括以下步骤:步骤4.1、建立XGBoost模型的目标函数;XGBoost模型的目标函数由损失函数和正则化项两部分组成:上式中,n为第n条数据,K为第K棵树,代表损失函数,Ω(f
k
)代表正则化项,是第i个样本x
i
的预测值;y
i
是第i个样本x
i
的实际值;XGBoost模型为加法模型,则第i个样本x
i
的预测值是每棵树的累加函数:上式中,表示第i个样本x
i
的预测值...
【专利技术属性】
技术研发人员:万安平,王文晖,叶洋涵,刘璨贤,缪徐,张宏亮,邓朝俊,杜宸宇,龚志鹏,
申请(专利权)人:浙大城市学院,
类型:发明
国别省市:
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。