基于制造技术

本发明专利技术涉及噪声分析技术领域，具体涉及一种基于

【技术实现步骤摘要】
基于DEPINN求解中子扩散特征值问题噪声分析方法


[0001]本专利技术涉及噪声分析
，尤其涉及一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法
。

技术介绍

[0002]在核反应堆设计研发领域，当前核反应堆物理计算主要采用基于中子输运理论模型及其散射角度各向同性近似的扩散模型
。
其中，中子扩散模型计算速度较快，并且具有工程设计可接受的精度，在反应堆物理计算相关的实际工程应用中被广泛采用
。
工业界在求解中子扩散方程方面已经有了较为成熟的数值计算方法，主要包括有限差分法
、
有限元法
、
节块法
、
蒙特卡洛方法等
。
其总体思路是从能量离散
、
空间离散
、
并行加速等方面开展数值计算方法研究与软件研发，并且已在当前实际工程中得到了大量成功应用
。
但基于
DEPINN
求解中子扩散特征值问题时鲁棒性较差
。

技术实现思路

[0003]本专利技术的目的在于提供一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法，旨在解决现有的基于
DEPINN
求解中子扩散特征值问题时鲁棒性较差的问题
。
[0004]为实现上述目的，本专利技术提供了一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法，包括以下步骤：
[0005]在代表反应堆的计算区域上随机取点，获得训练数据中的残差点和边界点；
[0006]确定计算区域内部探测器的位置，确定训练数据中的先验点并获得对应的带有噪声的先验值；
[0007]基于中子扩散特征值方程
、
所述残差点和所述边界点，构建基于
SSE
损失函数形式的残差项损失函数和边界项损失函数；
[0008]根据所述先验值和神经网络在先验点输出的预测值，构建基于区间损失函数形式的先验项损失函数；
[0009]基于所述残差项损失函数
、
所述边界项损失函数和所述先验项损失函数构成总损失函数，利用优化算法对神经网络的参数进行更新迭代，直到所述总损失函数达到预设条件，得到分析结果
。
[0010]其中，所述神经网络为全连接神经网络，并在神经网络的所有微分操作中使用自动微分技术
。
[0011]其中，所述在代表反应堆的计算区域上随机取点，获得训练数据中的残差点和边界点，包括：
[0012]确定二维双群的中子扩散特征值方程及其计算区域；
[0013]在所述计算区域生成多个网格点，从中按照
50
％的比例随机均匀地生成残差点和边界点
。
[0014]其中，所述获得对应的带有噪声的先验值，包括：
[0015]通过解析解来模拟获得带有噪声的先验值
。
[0016]其中，所述优化算法为结合
Adam
和
LBFGS
的优化算法
。
[0017]本专利技术的一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法，通过在代表反应堆的计算区域上随机取点，获得训练数据中的残差点和边界点；确定计算区域内部探测器的位置，确定训练数据中的先验点并获得对应的带有噪声的先验值；基于中子扩散特征值方程
、
所述残差点和所述边界点，构建基于
SSE
损失函数形式的残差项损失函数和边界项损失函数；根据所述先验值和神经网络在先验点输出的预测值，构建基于区间损失函数形式的先验项损失函数；基于所述残差项损失函数
、
所述边界项损失函数和所述先验项损失函数构成总损失函数，利用优化算法对神经网络的参数进行更新迭代，直到所述总损失函数达到预设条件，得到分析结果，本专利技术采用中子扩散特征值方程可实现对探测器产生的噪声分布进行模拟，建立针对噪声的区间损失函数，极大的提高了模型对噪声的鲁棒性；计算明显精度优于未改进的
DEPINN
求解中子扩散特征值问题的方法
。
解决了现有的基于
DEPINN
求解中子扩散特征值问题时鲁棒性较差的问题
。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0019]图1是二维双群的中子扩散特征值方程的计算区域的示意图
。
[0020]图2是本专利技术提供的一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法的关键的参数设置示意图
。
[0021]图3是本专利技术一种基于
DEPINN
求解中子扩散特征值问题的噪声分析方法的计算流程图
。
[0022]图4是本专利技术实施例2的预测结果，预测的值用
u
来表述
。
图中展示了预测值在不同先验数据的噪声尺度下的表现
。(a)
σ
＝
0.(b)
σ
＝
0.01.(c)
σ
＝
0.05.(d)
σ
＝
0.1。
[0023]图5是本专利技术实施例2和实施例3的对比，预测的值用
u
来表述
。
图中展示了预测值在不同先验数据的噪声尺度下的表现
。(a)(c)
中使用的是区间损失，右边的
(b)(d)
中使用了
SSE
损失
。(a)
σ
＝
0.05.(b)
σ
＝
0.05。(c)
σ
＝
0.1。(d)
σ
＝
0.1。
[0024]图6是实施例2和实施例3的计算结果的数值对比
。
上标
S
表示使用
SSE
损失函数，是实施例2的结果；而
L
表示使用了区间损失函数，是实施例3的结果
。
这里是测量方式
e
指的是均方误差，
e∞
代表多次计算中最大的均方误差
。
[0025]图7是本专利技术提供的一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法的流程图
。
具体实施方式
[0026]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件
。
下面通过参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DEPINN
求解中子扩散特征值问题噪声分析方法，其特征在于，包括以下步骤：在代表反应堆的计算区域上随机取点，获得训练数据中的残差点和边界点；确定计算区域内部探测器的位置，确定训练数据中的先验点并获得对应的带有噪声的先验值；基于中子扩散特征值方程
、
所述残差点和所述边界点，构建基于
SSE
损失函数形式的残差项损失函数和边界项损失函数；根据所述先验值和神经网络在先验点输出的预测值，构建基于区间损失函数形式的先验项损失函数；基于所述残差项损失函数
、
所述边界项损失函数和所述先验项损失函数构成总损失函数，利用优化算法对神经网络的参数进行更新迭代，直到所述总损失函数达到预设条件，得到分析结果
。2.
如权利要求1所述的基于
DEPINN
求解中子扩散特征值问题噪声分析方法，其特征在于，所述神经网络为全连接神经网络，并在神经...

【专利技术属性】
技术研发人员：杨宇，龚禾林，贺巧琳，张世全，杨其洪，
申请(专利权)人：四川大学，
类型：发明
国别省市：