基于数据挖掘技术的燃料组件中子学设计优化研究
发布时间：2021-01-31 07:21
核燃料组件性能优化是典型的多变量、多目标优化问题,本文针对燃料组件设计在中子物理方面主要面对两个问题:组件开展高精度多群输运-燃耗计算时间较长以及由此导致只能人工筛选和设计少量的组件-堆芯方案。针对上述问题,本文以常见压水堆燃料组件为研究对象,分别展开燃料组件中子学物理参数的预测以及基于组件参数的堆芯方案筛选研究。首先,对燃料组件中子学性能的关键因素分析,以及针对基于数据挖掘技术的燃料组件优化设计进行探索;然后确定采用线性回归、支持向量机（LibSVM）、决策树（回归树/C4.5）、多层感知机（MLP）以及随机森林算法开展参数预测和方案筛选研究。其次,针对高精度组件输运-燃耗计算时间较长的问题,采用线性回归、决策树、多层感知机及随机森林算法以燃料富集度、可燃毒物含量及布置为自变量开展燃料组件寿期初、末的组件平均热通量及无限增殖系数kinf的快速预测,并验证其精度。研究结果表明,四类算法完成预测时间均在3s内完成;相较于其他三个算法,随机森林构建的模型预测能力以及收敛性最好,误差在可接受范围以内,其次就是决策树模型,这验证了采用数据挖掘技术预测中子物理参数的可行性。...
【文章来源】：南华大学湖南省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
可燃毒物消耗随燃耗的变化（1：Er2O3，2：Gd2O3，3：ZrB2）
14最大以及误分类最小二者的矛盾，一般C越大表述对误分类的比重越大，即惩罚越大。图2.3核函数SVMSVM除了解决以上分类问题，还能解决回归问题。而便于区分，用于解决回归问题的支持向量机又称支持向量回归（SVR，SupportVectorRegression），同时，SVM常用算法也称支持向量分类（SVC，SupportVectorClassification）。而针对连续值样本，SVR的模型如公式（2.17）。另外，引入ε不敏感函数（ε-insensitiveloss）并分段取值为松弛因子ξ，ξ*，且ξ，ξ*均大于等于0，使得不在间隔内的样本点尽可能少。因此，SVR的优化约束条件如公式（2.18）、（2.19）所示。Tf（X=）wX+b…………..…………..（2.17）n2*iiwbi=11minw+C-2ξξ，（）…………………（2.18）..iiistf（X≤）e+ξf、（X-）y≤e+ξ……………（2.19）2.1.4多层感知机多层感知机（MLP，Multi-LayerPerceptron)又称人工神经网络（ANN，ArtificialNeuralNetwork），属于前馈神经网络（FNN，FeedforwardNeuralNetwork）的一种。整体结构由输入层、隐藏层和输出层三部分构成，结构如图2.4所示。感知机模型与支持向量机构建模型类似，都是找出相应的分离超平面，模型公式可见上节公式（2.10），不同的是感知机的学习策略为基于随机梯度下降法（SGD，StochasticGradientDecent）的损失函数极小化，即误分类点到超平面的距离之和最小，也就意味着误分类点最少，极小化损失函数如公式（2.20）所示。多层感
44表4.5IAEA_2D基准组件均匀化参数材料能群cmD/1/Σcmt1/Σcmfυχ121/→Σcm111.5000E-003.01200E-020.0000E-001.00E-000.20E-0124.0000E-018.00320E-021.3500E-010.00E-00211.5000E-003.01200E-020.0000E-001.00E-000.20E-0124.0000E-018.50320E-021.3500E-010.00E-00311.5000E-003.01200E-020.0000E-001.00E-000.20E-0124.0000E-011.30032E-011.3500E-010.00E-00412.0000E-004.01600E-020.0000E-000.00E-000.40E-0123.0000E-011.00240E-020.0000E-000.00E-00IAEA_3D是三维两群压水堆问题[45]。堆芯由177个四方形组件组成，组件中心距为20cm，堆芯高度360cm。堆芯采用内-外双区布置，堆芯外围反射层厚度为20cm。计算时反射层外边界处中子通量为零。在IAEA_2D二维的基础上考虑了控制棒的轴向深度，控制棒下插深度为80cm。堆芯布置如图4.3所示，其中有5类组件，他们的少群截面如表4.6所示。此外，对轴向划分5块，每部分高度为36cm。图4.3IAEA_3D基准径向1/4堆芯布置与轴向布置
【参考文献】：
期刊论文
[1]基于SCIENCE程序包的IFBA组件模型的可行性研究[J]. 位金锋,赵均,马兹容. 原子能科学技术. 2015(01)
[2]A neural network to predict reactor core behaviors[J]. Juan Jose Ortiz-Servin,David A.Pelta,Jose Alejro Castillo. Nuclear Science and Techniques. 2014(01)
[3]可燃毒物现状[J]. 黄华伟,王晓敏,杨静,许奎,谷晓非,张良. 材料开发与应用. 2010(04)
[4]模拟退火算法优化堆芯设计[J]. 钟文发,周全,钟兆鹏. 清华大学学报(自然科学版). 2001(10)
[5]几种新型可燃毒物的特性以及在我国的应用前景[J]. 黄锦华,邢辉,程平东. 原子能科学技术. 1998(01)
博士论文
[1]快堆堆芯燃料管理优化研究[D]. 杨晓燕.清华大学 2010
硕士论文
[1]DRAGON程序处理含钍燃料的适用性评价及CANFLEX组件计算[D]. 张庚.南华大学 2015
[2]富集度对堆芯物理特性影响的研究[D]. 余文生.哈尔滨工程大学 2013
本文编号：3010437
【文章来源】：南华大学湖南省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
可燃毒物消耗随燃耗的变化（1：Er2O3，2：Gd2O3，3：ZrB2）
14最大以及误分类最小二者的矛盾，一般C越大表述对误分类的比重越大，即惩罚越大。图2.3核函数SVMSVM除了解决以上分类问题，还能解决回归问题。而便于区分，用于解决回归问题的支持向量机又称支持向量回归（SVR，SupportVectorRegression），同时，SVM常用算法也称支持向量分类（SVC，SupportVectorClassification）。而针对连续值样本，SVR的模型如公式（2.17）。另外，引入ε不敏感函数（ε-insensitiveloss）并分段取值为松弛因子ξ，ξ*，且ξ，ξ*均大于等于0，使得不在间隔内的样本点尽可能少。因此，SVR的优化约束条件如公式（2.18）、（2.19）所示。Tf（X=）wX+b…………..…………..（2.17）n2*iiwbi=11minw+C-2ξξ，（）…………………（2.18）..iiistf（X≤）e+ξf、（X-）y≤e+ξ……………（2.19）2.1.4多层感知机多层感知机（MLP，Multi-LayerPerceptron)又称人工神经网络（ANN，ArtificialNeuralNetwork），属于前馈神经网络（FNN，FeedforwardNeuralNetwork）的一种。整体结构由输入层、隐藏层和输出层三部分构成，结构如图2.4所示。感知机模型与支持向量机构建模型类似，都是找出相应的分离超平面，模型公式可见上节公式（2.10），不同的是感知机的学习策略为基于随机梯度下降法（SGD，StochasticGradientDecent）的损失函数极小化，即误分类点到超平面的距离之和最小，也就意味着误分类点最少，极小化损失函数如公式（2.20）所示。多层感
44表4.5IAEA_2D基准组件均匀化参数材料能群cmD/1/Σcmt1/Σcmfυχ121/→Σcm111.5000E-003.01200E-020.0000E-001.00E-000.20E-0124.0000E-018.00320E-021.3500E-010.00E-00211.5000E-003.01200E-020.0000E-001.00E-000.20E-0124.0000E-018.50320E-021.3500E-010.00E-00311.5000E-003.01200E-020.0000E-001.00E-000.20E-0124.0000E-011.30032E-011.3500E-010.00E-00412.0000E-004.01600E-020.0000E-000.00E-000.40E-0123.0000E-011.00240E-020.0000E-000.00E-00IAEA_3D是三维两群压水堆问题[45]。堆芯由177个四方形组件组成，组件中心距为20cm，堆芯高度360cm。堆芯采用内-外双区布置，堆芯外围反射层厚度为20cm。计算时反射层外边界处中子通量为零。在IAEA_2D二维的基础上考虑了控制棒的轴向深度，控制棒下插深度为80cm。堆芯布置如图4.3所示，其中有5类组件，他们的少群截面如表4.6所示。此外，对轴向划分5块，每部分高度为36cm。图4.3IAEA_3D基准径向1/4堆芯布置与轴向布置
【参考文献】：
期刊论文
[1]基于SCIENCE程序包的IFBA组件模型的可行性研究[J]. 位金锋,赵均,马兹容. 原子能科学技术. 2015(01)
[2]A neural network to predict reactor core behaviors[J]. Juan Jose Ortiz-Servin,David A.Pelta,Jose Alejro Castillo. Nuclear Science and Techniques. 2014(01)
[3]可燃毒物现状[J]. 黄华伟,王晓敏,杨静,许奎,谷晓非,张良. 材料开发与应用. 2010(04)
[4]模拟退火算法优化堆芯设计[J]. 钟文发,周全,钟兆鹏. 清华大学学报(自然科学版). 2001(10)
[5]几种新型可燃毒物的特性以及在我国的应用前景[J]. 黄锦华,邢辉,程平东. 原子能科学技术. 1998(01)
博士论文
[1]快堆堆芯燃料管理优化研究[D]. 杨晓燕.清华大学 2010
硕士论文
[1]DRAGON程序处理含钍燃料的适用性评价及CANFLEX组件计算[D]. 张庚.南华大学 2015
[2]富集度对堆芯物理特性影响的研究[D]. 余文生.哈尔滨工程大学 2013
本文编号：3010437
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3010437.html
最近更新
教材专著
