【技术实现步骤摘要】
本专利技术涉及压水堆堆芯物理计算，具体涉及一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法。
技术介绍
1、堆芯临界硼浓度和停堆燃耗深度的预测对于核电厂日常运行至关重要，通过调硼控制反应性，在机组临界硼浓度降至10ppm左右时进行停堆换料，因此能够提前预知临界硼浓度变化得到停堆燃耗深度将对协调安排机组换料大修带来极大便利。目前较为成熟的方法是用反应堆堆芯物理分析软件进行三维中子学-热工水力学-燃耗耦合计算，计算耗时长，计算结果精度不高，可靠性不强。由此可见，目前的技术方法与工程需求间尚存距离，需要研发更加高效准确的临界硼浓度预测方法。
2、得益于数据的积累和算法的创新，近年来机器学习算法发展迅猛，且在解决此类复杂非线性问题表现优异，国内外在应用机器学习算法预测堆芯相关参数方面也有过相关尝试。总结可得，机器学习对于核电厂运行数据的开发应用主要集中于装料方案优化和核反应堆功率等参数预测两个方面，且相比传统的数值计算方法在保证准确率的前提下大大提高了计算效率。但存在以下问题，大多数研究采用数值计算软件生成训练、验证...
【技术保护点】
1.一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法，其特征在于：采用卷积神经网络算法构建机器学习模型，添加Dropout层以避免过拟合现象并增强模型泛化能力，并基于核电厂运行数据和根据实际燃耗点采用堆芯物理分析软件计算确定的燃料组件燃耗分布数据制作训练数据集训练机器学习模型；采用学习率指数衰减的超参数调整策略以提高模型训练效率，向机器学习模型输入燃料组件富集度、燃料组件装载可燃毒物棒数量、燃料组件燃耗分布、G棒棒位、R棒棒位、功率水平和堆芯平均燃耗深度七个堆芯关键参数，模型输出堆芯临界硼浓度预测值；具体步骤如下：
【技术特征摘要】
1.一种基于压水堆运行数据机器学习的临界硼浓度和停堆燃耗深度预测方法，其特征在于：采用卷积神经网络算法构建机器学习模型，添加dropout层以避免过拟合现象并增强模型泛化能力，并基于核电厂运行数据和根据实际燃耗点采用堆芯物理分析软件计算确定的燃料组件燃耗分布数据制作训...
【专利技术属性】
技术研发人员：万承辉，刘纹珲，白家赫，肖喆文，扎西东柱，
申请(专利权)人：西安交通大学，
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。