【技术实现步骤摘要】
本专利技术涉及铅铋反应堆设计优化，尤其是一种铅铋反应堆智能设计优化方法。
技术介绍
1、核能以其清洁、低碳、高效、可持续等特点，有望在实现能源可持续利用进程中发挥重要作用。铅铋反应堆可持续性好、自然循环能力强，能满足极端环境下能源可靠供给需求，在核能综合利用方面具备独特优势，受各核能大国的重点关注。各类应用场景及任务功能要求对铅铋反应堆的能量输出需求(功率×换料周期)不同，相应的堆芯参数优化区间、反应堆设计方案存在较大差异，需给出匹配不同能量输出需求的优化方法与优化策略。
2、铅铋反应堆的优化设计是一个多物理、多变量、多约束耦合影响的复杂多维非线性约束优化问题，耦合了反应堆物理特性、热工水力特性、结构材料强度的计算分析，且计算中存在由核反应截面、计算模型近似、计算方法误差引入的较大不确定度。在针对设计目标开展优化时，不同设计变量之间存在交互作用并共同影响设计目标，需考虑设计目标、设计变量之间的耦合影响还需满足物理、热工、材料等约束条件。
3、现有铅铋反应堆优化设计主要采用半经验设计方法，基于多个设计目标、设计变量相互独立的解耦假设开展，设计变量的选取数量较少、范围较窄，难以系统全面地考虑铅铋反应堆小型化与轻量化设计优化中的多因素耦合影响；现有单一启发式优化算法在用于铅铋反应堆设计优化这一复杂非线性约束优化问题时，需要进行大量随机统计取样和仿真计算，在可接受计算成本内优化搜索难以确保完全收敛，容易陷入局部最优。因此，亟需发展具备随机效应、可高效开展多因素协同设计的全局优化方法研究。
<
1、为解决铅铋反应堆设计中特征工程的复杂性问题以及堆芯设计优化的多目标问题，本专利技术的目的在于提供一种利用多参数、多目标协同优化算法对反应堆设计参数组合进行优化，对铅铋堆进行小型化、轻量化设计优化的同时保证计算效率的基于神经网络模型与遗传算法的铅铋反应堆智能设计优化方法。
2、为实现上述目标，本专利技术采用以下技术方案：
3、一种铅铋反应堆智能设计优化方法，该方法包括下列顺序的步骤：
4、步骤(1)建立基于铅铋反应堆设计空间、设计目标函数和约束限制条件的待优化铅铋反应堆数学模型，开展拉丁超立方抽样生成样本点，生成训练数据集；使用训练数据集构建bp神经网络模型，得到铅铋反应堆设计待优化模型s-lfr；
5、步骤(2)使用bp神经网络模型对设计空间的设计目标函数进行预测得到预测集；使用小生境遗传算法对bp神经网络模型预测得到的预测集进行寻优并验证评估，将符合约束条件的区间数据集加入训练数据集进行bp神经网络模型更新并进行区域缩减；序列迭代反复寻优，直至得到残差满足精度要求且收敛的最优方案。
6、进一步，步骤(1)具体包括以下步骤：
7、步骤(1a)建立基于铅铋反应堆设计空间、约束限制条件和设计目标函数的待优化铅铋反应堆数学模型；
8、步骤(1b)确定bp神经网络的结构及输入/输出量，构建bp神经网络模型；
9、步骤(1c)采用正交拉丁超立方法对设计参数区域抽样生成样本点集，计算样本点实际设计目标/约束响应值，进行数据标准化获得训练数据集；
10、步骤(1d)将训练数据集输入bp神经网络模型训练，获得铅铋反应堆设计待优化模型s-lfr。
11、进一步，所述步骤(2)具体包括以下步骤：
12、步骤(2a)采用正交拉丁超立方抽样方法对设计空间内的设计自变量进行抽样得到预测集；
13、步骤(2b)将预测集带入铅铋反应堆设计待优化模型s-lfr得到预测集的预测值，通过去标准化获得对应物理/热工计算预测结果；
14、步骤(2c)将物理/热工计算预测结果作为目标函数，采用小生境遗传算法对设计自变量进行寻优，获得最优点；
15、步骤(2d)计算最优点对应的真实物理/热工参数响应值进行评估；
16、步骤(2e)采用区域缩减方法与择优加点原则不断更新设计区域和bp神经网络模型，序列迭代反复寻优，输出残差满足精度要求且收敛最优方案。
17、进一步，所述步骤(1a)具体包括以下步骤：
18、步骤(1a1)建立基于铅铋反应堆设计空间，即确定优化目标自变量对象及优化范围，自变量设计空间公式如下：
19、
20、其中，x1,x2,…xn是一组反应堆设计优化的设计自变量，lj和uj分别对应设计自变量的优化上限与下限，x为一个特定的反应堆设计方案的设计参数向量，为设计参数向量所组成的设计空间，根据优化需求规划优化的自变量及设计空间；
21、步骤(1a2)建立约束限制条件，即确定因变量及其待优化铅铋反应堆数学模型的约束限制条件，结合(1a1)所得的自变量设计空间公式得到待优化铅铋反应堆数学模型的约束限制条件，其公式如下：
22、
23、其中，y1,y2,…yn是一组设计自变量计算得到物理/热工目标响应值，fi是包含设计自变量和物理/热工响应值的函数组合，li和ui为函数组合的上限与下限，根据设计需要对设计自变量及物理/热工响应值进行约束限制；
24、步骤(1a3)建立设计目标函数，即确定判定优化效果好坏的函数模型，其公式如下：
25、
26、其中，fi是包含设计自变量和物理/热工响应值的函数组合，f1(x)与f2(x)分别反应最大化与最小化的优化需求。
27、步骤(1a4)结合铅铋反应堆设计空间、约束限制条件和设计目标函数既可获得待优化铅铋反应堆数学模型，其公式为：
28、
29、进一步，所述步骤(1b)具体包括以下步骤：
30、步骤(1b1)对步骤(1a1)中确定的优化目标自变量x1,x2,…xn和设计自变量计算得到物理/热工响应值y1,y2,…yn划分训练集与测试集，并进行标准化处理，标准化处理的公式为：
31、
32、其中，z为对应变量标准化后的值，x为待标准化的变量，μ为数据集的均值，σ为数据集的方差；
33、步骤(1b2)将优化目标自变量x1,x2,…xn作为bp神经网络全连接层的输入量，物理/热工响应值y1,y2,…yn作为bp神经网络预测响应值，设定bp神经网络的隐藏层层数、学习率、批处理样本数、正则化系数，激活函数设置为非线性激活函数relu，公式如下：
34、
35、其中，x为输入量，f(x)为输出量；
36、优化器设置为adam，进行权重更新，其公式为：
37、
38、其中，mt是梯度的一阶矩估计量即动量，vt是梯度的二阶矩估计量即平方梯度，和为对动量和平方梯度进行偏差修正后的估计量，θt为当前参数向量，θt+1为更新后的参数向量，gt为当前梯度，β1和β1为衰减因子，∈为维持数值稳定性的极小常数。
39、进一步，所述步骤(1c)中的正交拉丁超立方法对设计参数区域抽样生成样本点本文档来自技高网...
【技术保护点】
1.一种铅铋反应堆智能设计优化方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(1)具体包括以下步骤：
3.根据权利要求1所述的方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求2所述的方法，其特征在于：所述步骤(1a)具体包括以下步骤：
5.根据权利要求2所述的方法，其特征在于：所述步骤(1b)具体包括以下步骤：
6.根据权利要求2所述的方法，其特征在于：所述步骤(1c)中的正交拉丁超立方法对设计参数区域抽样生成样本点集，具体是指：将抽样区域铅铋反应堆设计数据集均匀划分为n个概率一致的区域，在每个小区间内进行抽样，再汇总所有的抽样数据进行随机排列，从而完成兼顾正交性和均匀性的抽样，计算公式如下：
7.根据权利要求2所述的方法，其特征在于：所述步骤(1d)具体包括以下步骤：
8.根据权利要求3所述的方法，其特征在于：所述步骤(2c)具体包括以下步骤：
9.根据权利要求3所述的方法，其特征在于：所述步骤(2d)具体是指：计算最
10.根据权利要求3所述的方法，其特征在于：所述步骤(2e)具体是指:将满足精度要求并符合约束条件的最优点加入BP神经网络模型的训练集，训练生成新的神经网络模型，并重复步骤(2c)、(2d)和(2e)，同时根据最优值结果逐步减少设计空间自变量的区间范围，直至输出残差满足精度要求且收敛的最优方案。
...【技术特征摘要】
1.一种铅铋反应堆智能设计优化方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的方法，其特征在于，步骤(1)具体包括以下步骤：
3.根据权利要求1所述的方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求2所述的方法，其特征在于：所述步骤(1a)具体包括以下步骤：
5.根据权利要求2所述的方法，其特征在于：所述步骤(1b)具体包括以下步骤：
6.根据权利要求2所述的方法，其特征在于：所述步骤(1c)中的正交拉丁超立方法对设计参数区域抽样生成样本点集，具体是指：将抽样区域铅铋反应堆设计数据集均匀划分为n个概率一致的区域，在每个小区间内进行抽样，再汇总所有的抽样数据进行随机排列，从而完成兼顾正交性和均匀性的...
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。