System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及核电,尤其涉及一种核电厂安全壳结构的位移响应的预测方法和装置。
技术介绍
1、核电厂安全壳结构是核岛中最重要的建构筑物之一,是保证核岛安全及反应堆中的放射性物质不泄露的重要屏障,而安全壳结构的整体位移,特别是关键点位的位移,是在核电厂运营期间及事故工况下评估安全壳结构当前状态的重要指标之一,为核电厂的下一步控制操作决策提供有力支持,在保证核电厂安全的前提下造成最小的经济损失。目前,在核电厂中对于安全壳结构位移的采集及监测主要有以下两种方式:一是采用有限元进行建模分析。但是,数值模拟方式计算量大、耗时长,且仅能对于符合设计意图的良好状态安全壳结构的位移进行预测,对于在实际工程中受各种因素影响下的安全壳位移不能及时进行预测,具有滞后性。二是通过在打压试验中,壳体内外关键点位布设的若干个位移传感器采集监测壳体的位移。但是,这一方式具有局限性,仅能采集到测点位置的位移,不能够反应整个壳体的位移状态,且不能够对壳体的位移进行预测。这两种方式均具有一定的技术缺陷,特别是在发生事故后,不能够及时提供相关的数据支撑电厂状态评估及决策。
2、专利cn111241725公开了一种基于条件生成对抗网络的结构响应重构方法。在训练阶段,首先通过有限元计算或现场实测得到不同荷载下结构的完整结构响应以及有限的结构响应信息,并基于条件生产对抗网络模型训练两个深度神经网络,训练完成之后,以现场测得的有限结构响应信息输入生成网络,得到对应的完整结构响应。专利cn114169383公开了一种有限元模型结构的应变-位移重构方法,包括:基于基础
技术实现思路
1、本专利技术旨在至少在一定程度上解决上述的技术问题之一。
2、为此,本专利技术的第一个目的在于提出一种核电厂安全壳结构的位移响应的预测方法,快速、便捷、高效、准确地计算得到核电厂安全壳的关键点位在日常运行及各种复杂工况下的位移响应,实现对整个核电厂安全壳结构的位移场的快速重构,提升核电厂应对特殊情况的能力,从而保障核电厂运行的安全性。
3、本专利技术的第二个目的在于提出一种核电厂安全壳结构的位移响应的预测装置。
4、为达到上述目的,本专利技术第一方面实施例提出了核电厂安全壳结构的位移响应的预测方法,包括:
5、确定核电厂安全壳结构位移快速响应预测模型数据库的输入参数和输出参数,输入参数包括核电厂安全壳结构的内部温度、内部压力和外部温度,以及核电厂安全壳结构的关键点位的位置信息,输出参数包括关键点位的位移响应;
6、对输入参数进行抽样,并记录对应的输出参数的数值,以及生成训练样本数据库和验证样本数据库,以构建核电厂安全壳结构位移快速响应预测模型数据库;
7、基于核电厂安全壳结构位移快速响应预测模型数据库,从若干种机器学习回归模型中选取最佳机器学习模型,并将最佳机器学习模型确定为安全壳结构位移快速响应预测机器学习模型;
8、对安全壳结构位移快速响应预测机器学习模型进行训练及精度验证;
9、利用精度验证后的安全壳结构位移快速响应预测机器学习模型确定关键点位的位移响应。
10、可选的,在对输入参数进行抽样之前,还包括:
11、构建压力分层模型,压力分层模型为从核电厂安全壳的底部向上划分的多层结构,压力分层模型的最上层包括1个压力传感器,压力分层模型的其它各层包括至少2个压力传感器;
12、利用公式一计算压力分层模型中各分层的压力值,公式一:其中,yllayer_k表示第k层的压力值,vi表示第i个压力传感器的体积占比,yli表示第i个压力传感器的监测值,n表示第k层的压力传感器的数量;
13、将各分层的压力值的平均值作为内部压力的数值。
14、可选的,在对输入参数进行抽样之前,还包括:
15、构建温度分层模型,温度分层模型为从核电厂安全壳的底部向上划分的多层结构,温度分层模型的最上层包括3个温度传感器,温度分层模型的其它层至少包括4个温度传感器;
16、利用公式二计算温度分层模型中各分层的温度值,公式二:其中,wdlayer_k表示第g层的温度值,vj表示第g层中第j个温度传感器的体积占比,wdj表示第j个温度传感器的监测值,m表示第g层的温度传感器的数量;
17、将各分层的温度值的平均值作为内部温度的数值。
18、可选的,外部温度为核电厂安全壳在高温高压耦合工况下试验获得的。
19、可选的,基于核电厂安全壳结构位移快速响应预测模型数据库,从若干种机器学习回归模型中选取最佳机器学习模型,并将最佳机器学习模型确定为安全壳结构位移快速响应预测机器学习模型,包括:
20、利用核电厂安全壳结构位移快速响应预测模型数据库中的训练样本数据库,对若干种机器学习回归模型分别进行训练和测试;
21、将均方误差和r-squared值作为性能评估指标,利用核电厂安全壳结构位移快速响应预测模型数据库中的验证样本数据库对训练测试后的若干种机器学习回归模型进行评估,并获得评估结果;
22、选取评估结果最佳的机器学习模型确定为安全壳结构位移快速响应预测机器学习模型。
23、可选的,对安全壳结构位移快速响应预测机器学习模型进行训练及精度验证,包括:
24、对核电厂安全壳结构位移快速响应预测模型数据库中的样本数据进行预处理,预处理包括数据正则化和/或特征工程;
25、利用预处理后的样本数据对安全壳结构位移快速响应预测机器学习模型进行训练和测试;
26、选用预设统计学指标对训练测试后的安全壳结构位移快速响应预测机器学习模型进行精度验证。
27、可选的,方法还包括:
28、如果精度验证不通过,则对安全壳结构位移快速响应预测机器学习模型进行重新训练。
29、可选的,利用精度验证后的安全壳结构位移快速响应预测机器学习模型确定关键点位的位移响应,包括:
30、确定安全壳整体位移场的基础位移点,其中,选取能最大程度表征安全壳结构几何信息的最少数量的基础位移点;
31、确定安全壳整体位移场的边界条件范围;
32、根据边界条件范围及精度验证后的安全壳结构位移快速响应预测机器学习模型,获得基础位移点在不同边界条件下的若干组位移值;
33、对基础位移点在不同边界条件下的若干组位移值进行插值计算,得到关键点位的位移响应。
34、可选的,方法还包括:
35、获取在关键点位布设的传感器采集的实际位移数据;
36、利用实际位移数据对关键点位的位移响应进行验证。
37、可本文档来自技高网...
【技术保护点】
1.一种核电厂安全壳结构的位移响应的预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在对输入参数进行抽样之前,还包括:
3.根据权利要求1所述的方法,其特征在于,在对输入参数进行抽样之前,还包括:
4.根据权利要求1所述的方法,其特征在于,所述外部温度为核电厂安全壳在高温高压耦合工况下试验获得的。
5.根据权利要求1所述的方法,其特征在于,基于所述核电厂安全壳结构位移快速响应预测模型数据库,从若干种机器学习回归模型中选取最佳机器学习模型,并将所述最佳机器学习模型确定为安全壳结构位移快速响应预测机器学习模型,包括:
6.根据权利要求1所述的方法,其特征在于,对所述安全壳结构位移快速响应预测机器学习模型进行训练及精度验证,包括:
7.根据权利要求6所述的方法,其特征在于,还包括:
8.根据权利要求1所述的方法,其特征在于,利用精度验证后的所述安全壳结构位移快速响应预测机器学习模型确定所述关键点位的位移响应,包括:
9.根据权利要求8所述的方法,其特征在于,还包括:<
...【技术特征摘要】
1.一种核电厂安全壳结构的位移响应的预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在对输入参数进行抽样之前,还包括:
3.根据权利要求1所述的方法,其特征在于,在对输入参数进行抽样之前,还包括:
4.根据权利要求1所述的方法,其特征在于,所述外部温度为核电厂安全壳在高温高压耦合工况下试验获得的。
5.根据权利要求1所述的方法,其特征在于,基于所述核电厂安全壳结构位移快速响应预测模型数据库,从若干种机器学习回归模型中选取最佳机器学习模型,并将所述最佳机器学习模型确定为安全壳结构位移快速响应预测机器学习模型,包括:
6.根据权利要求1所述的方法,其特征在于,对所述安全壳结构位移快速响应预测机器学习模型进行训练及精度验证,包括:
7.根据权利要求6所述的方法,其特征在于,还包括:
8.根据权利要求1所述的方法,其特征在于,利用精度验证后的所述安全壳结构位移快速响应预测机器学习模型确定所述关键点位的位移响应,包括:
9.根据权利要求8所述的方法,其特征在于,还包括:
10.根据权利要求6所述的方法,其特征在于,所述数据正则化为采用最大-最小归一化的方法将数据缩放至0-1的范围内,所述特征工程为采用递归特征消除方法筛选出对位移响应具有影响的特征。
11.根据权利要求8所述的方法,其特征在于,选取能最大程度表征安全壳结构几何信息的最少数量的基础位移点,包括:沿壳体环向每20度选取一个位移点;沿壳体高度每1m选取一个位移点;确定壳体穹顶最顶部为一个位移点。
12.根据权利要求8所述的方法,...
【专利技术属性】
技术研发人员:章沛瑶,蒋迪,宋孟燕,姚迪,张超琦,李荣鹏,姚芹芹,高经纬,吴利华,刘蒙莎,孙晓颖,王冬梅,
申请(专利权)人:中国核电工程有限公司,
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。