【技术实现步骤摘要】
本专利技术属于核反应堆工程与计算机科学，具体涉及一种棒束通道两相流动参数智能预测方法和系统。
技术介绍
1、棒束型燃料元件作为轻水核反应堆及其他相关堆芯的主体结构，其流道内部的流动阻力特性和沸腾传热特性对反应堆的设计与安全运行起着至关重要的作用。棒束通道与常规闭式通道(如圆管等)不同，其中的流体具有更强的搅混强度，相界面更易变形，相态分布也更加复杂。棒束通道内的相态分布特性的转变往往会引起两相流动阻力与传热、临界热流密度等特定的变化，是两相流动与传热的决定性因素。因此，有必要针对棒束通道内的相态分布及影响机制进行深入地研究与分析。
2、现有针对棒束通道内的两相流动特性研究，主要基于试验数据通过三维高精度cfd流体软件或堆芯子通道热工水力软件对棒束通道两相流动过程进行精细化建模与分析，但当通道结构拓展至全堆芯级别时对计算资源的消耗大、计算速度慢、计算效率不高，即使在超大规模高性能服务器上，棒束通道两相参数的计算也需要大量的时间。
技术实现思路
1、为了解决现有通过对棒束通道两相流过程进行精细化建模与分析，得到棒束通道两相流动参数的方式存在消耗资源大、计算速度慢、效率较低等问题，本专利技术提供了一种棒束通道两相流动参数智能预测方法和系统，本专利技术基于异质集成算法，构建了一种棒束通道两相流动参数智能识别模型，基于该模型可实现棒束通道两相流动参数的快速准确预测，其计算资源占用极小、计算速度快、效率高。
2、本专利技术通过下述技术方案实现：
3、一种棒束
4、通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制，确定与棒束通道两相流动过程相关的输入和输出匹配的数据对；所述数据对包括与棒束通道两相流动过程相关的输入参数以及相应的输出参数；
5、将棒束通道划分为多个空间网格，通过建模仿真得到与棒束通道两相流动过程相关的输入和输出匹配的数据对，作为训练数据；
6、基于异质集成学习算法，建立适用于棒束通道两相流动参数计算的机器学习模型；
7、利用所述训练数据对所述机器学习模型进行有监督的回归学习，得到棒束通道两相流动参数计算模型；
8、获取棒束通道两相流动过程相关的输入参数并将其输入到所述棒束通道两相流动参数计算模型，即可得到相应的两相流动输出参数，从而实现棒束通道两相流动参数的快速预测。
9、目前针对棒束通道内的两相流动特性研究，通常基于试验数据通过三维高精度cfd流体软件或堆芯子通道热工水力软件对棒束通道两相流动过程进行精细化建模与分析，从而得到棒束通道两相流动参数，这类方式在通道结构拓展到全堆芯级别时对计算资源消耗大、计算速度慢、效率低。而本专利技术提出的方法利用建模仿真得到的与棒束通道两相流动过程相关的输入和输出参数，构建棒束通道两相流动参数智能计算模型，利用该智能计算模型以及获得输入参数，即可快速准确得到相应的两相流动输出参数，其也不会因为通道结构的变化而大幅增加对计算资源的消耗，具有计算资源消耗较小、计算速度快、效率高等优点，可适用于任意规模的通道结构两相流动参数预测和计算。
10、作为优选实施方式，本专利技术的与棒束通道两相流动过程相关的输入参数包括气相折算速度、液相折算速度、通道轴向测点长度、棒束组件类型、单棒直径、径向方向测点位置、通道入口流体压力、通道入口流体温度、通道壁面粗糙度、通道入口流体流量、通道加热功率或热流密度、流体物性参数、运动自由度参数中的一个或两个以上组合。
11、作为优选实施方式，本专利技术的与棒束通道两相流动过程相关的输出参数包括两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值中的一个或者两个以上组合。
12、作为优选实施方式，本专利技术的机器学习模型采用双层stacking模型，第一层通过随机森林、极限学习机、极端梯度提升法、反向传播神经网络和支持向量回归组成基学习器产生多组预测序列，第二层采用岭回归作为元学习器学习多组预测序列与实际序列之间的关系，实现对基学习器预测结果的修正。
13、作为优选实施方式，本专利技术的机器学习模型的学习过程具体包括：
14、将所述训练数据中的输入参数分别输入到各基学习器中，产生多组预测序列并将多组预测序列作为元学习器的输入数据；
15、通过元学习器学习多组预测序列与实际序列之间的关系，直到序列参数误差小于阈值，从而建立适用于棒束通道两相流动参数计算模型；
16、模型建立后，利用输入和输出匹配的数据对进行有监督的回归学习，基于k折交叉验证法，当模型计算结果误差小于阈值时，学习停止，否则继续重新学习。
17、作为优选实施方式，本专利技术的k可取5。
18、作为优选实施方式，本专利技术的方法通过三维cfd流体软件或堆芯子通道热工水力软件计算得到与棒束通道两相流动过程相关的输入和输出匹配的数据对。
19、第二方面，本专利技术提出了一种棒束通道两相流动参数智能预测系统，所述系统包括：
20、特征分析单元，所述特征分析单元通过分析棒束通道两相流动过程中的流动特性关键影响因素与作用机制，确定与棒束通道两相流动过程相关的输入和输出匹配的数据对；所述数据对包括与棒束流动过程相关的输入参数以及相应的输出参数；
21、特征获取单元，所述特征获取单元将棒束通道划分为多个空间网格，通过建模仿真得到与棒束通道两相流动过程相关的输入和输出匹配的数据对，作为训练数据；
22、模型训练单元，所述模型训练单元利用所述训练数据对预先构建的机器学习模型进行有监督的回归学习，得到棒束通道两相流动参数计算模型；所述机器学习模型为基于异质集成学习算法，建立的适用于棒束通道两相流动参数计算的机器学习模型；
23、以及，参数预测单元，所述参数预测单元获取棒束通道两相流动过程相关的输入参数为并将其输入到所述棒束通道两相流动参数计算模型，即可得到相应的两相流动输出参数，从而实现棒束通道两相流动参数的快速预测。
24、第三方面，本专利技术提出了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本专利技术所述方法的步骤。
25、第四方面，本专利技术提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术所述方法的步骤。
26、本专利技术与现有技术相比，具有如下的优点和有益效果：
27、1、本专利技术以数据驱动为核心，构建棒束通道两相流动参数智能计算模型，利用该智能计算模型能够快速准确的得到棒束通道两相流动参数，对计算资源的消耗相对较少；
28、2、本专利技术采用基于异质集成算法的棒束通道两相流动参数智能计算模型，可有效保证参数预测和计算的精度和效率；
29、3、本专利技术建立的机器学习模型将不同类型的算法相互结合，构建双层stacking模型，并通过大量数据的再学习，实现模型的快速修正与优本文档来自技高网...
【技术保护点】
1.一种棒束通道两相流动参数智能预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种棒束通道两相流动参数智能预测方法，其特征在于，与棒束通道两相流动过程相关的输入参数包括气相折算速度、液相折算速度、通道轴向测点长度、棒束组件类型、单棒直径、径向方向测点位置、通道入口流体压力、通道入口流体温度、通道壁面粗糙度、通道入口流体流量、通道加热功率或热流密度、流体物性参数、运动自由度参数中的一个或两个以上组合。
3.根据权利要求2所述的一种棒束通道两相流动参数智能预测方法，其特征在于，与棒束通道两相流动过程相关的输出参数包括两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值中的一个或者两个以上组合。
4.根据权利要求1-3任一项所述的一种棒束通道两相流动参数智能预测方法，其特征在于，所述机器学习模型采用双层Stacking模型，第一层通过随机森林、极限学习机、极端梯度提升法、反向传播神经网络和支持向量回归组成基学习器产生多组预测序列，第二层采用岭回归作为元学习器学习多组预测序列与实际序列之间的关系，实现对基学习器预测结果
5.根据权利要求4所述的一种棒束通道两相流动参数智能预测方法，其特征在于，所述机器学习模型的学习过程具体包括：
6.根据权利要求5所述的一种棒束通道两相流动参数智能预测方法，其特征在于，K可取5。
7.根据权利要求1-3任一项所述的一种棒束通道两相流动参数智能预测方法，其特征在于，所述方法通过三维CFD流体软件或堆芯子通道热工水力软件计算得到与棒束通道两相流动过程相关的输入和输出匹配的数据对。
8.一种棒束通道两相流动参数智能预测系统，其特征在于，所述系统包括：
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种棒束通道两相流动参数智能预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种棒束通道两相流动参数智能预测方法，其特征在于，与棒束通道两相流动过程相关的输入参数包括气相折算速度、液相折算速度、通道轴向测点长度、棒束组件类型、单棒直径、径向方向测点位置、通道入口流体压力、通道入口流体温度、通道壁面粗糙度、通道入口流体流量、通道加热功率或热流密度、流体物性参数、运动自由度参数中的一个或两个以上组合。
3.根据权利要求2所述的一种棒束通道两相流动参数智能预测方法，其特征在于，与棒束通道两相流动过程相关的输出参数包括两相界面浓度、空泡份额、速度、截面气相分布、轴向测点压力、轴向测点焓值中的一个或者两个以上组合。
4.根据权利要求1-3任一项所述的一种棒束通道两相流动参数智能预测方法，其特征在于，所述机器学习模型采用双层stacking模型，第一层通过随机森林、极限学习机、极端梯度提升法、反向传播神经网络和支持向量回归组成基学习器产生多组预测序列，第二层采用...
【专利技术属性】
技术研发人员：于洋，黄擎宇，芦韡，郭凤晨，卢川，曾辉，冯晋涛，王雪强，张吉斌，李治刚，王雅峰，张尧毅，孙梓彬，林源峰，
申请(专利权)人：中国核动力研究设计院，
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。