基于自适应BP神经网络的压水堆堆芯换料关键参数的预测方法

发布时间：2021-08-07 13:34

　　运用BP（back propagation）人工神经网络的方法,通过实现堆芯装载方式建模、自适应选择网络节点数、调整学习率和随机梯度下降搜索,快速准确地预测了秦山二期压水堆堆芯燃料换料3个关键参数:有效增殖因数、组件功率峰因子、棒功率峰因子,解决了传统方法需消耗大量算力、时间才能计算的问题。数值实验发现,对于超出训练数据以外的情形,BP神经网络方法的最大相对误差仍不超过2%,表明网络模型的可靠性和鲁棒性能较好,且可毫无困难地推广至其他参数预测,对人工智能算法在核工业领域的进一步应用做出了重要的探索。 

【文章来源】：原子能科学技术. 2020,54(01)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

堆芯燃耗组件排布示意图

BP神经网络算法流程图

隐含层节点数的选择对于神经网络的优化至关重要,隐含层节点数会直接影响网络的性能。一个基本原则是,应选择合理的隐含层节点数,使网络的整体自由度与数据样本数相当。选用AdamOptimizer,迭代8 000次,测试神经元数在70～400范围内的误差变化。每间隔10个神经元统计1次测试集30组数据样本的平均相对误差与最大相对误差,如图4所示。从图4可得,神经元数在[300,350]范围内有较好的预测精度,根据网络结构尽量紧凑的原则,选取神经元节点数为300。

【参考文献】：
期刊论文
[1]157组燃料组件组成的堆芯燃料管理研究[J]. 姚红.  原子能科学技术. 2013(10)
[2]基于粒子群优化算法的压水堆换料优化初步研究[J]. 刘仕倡,蔡杰进.  核动力工程. 2013(05)
[3]基于BP神经网络的反应堆功率预测[J]. 宋梅村,蔡琦.  原子能科学技术. 2011(10)
[4]遗传算法在CANDU堆燃料管理中应用的研究[J]. 霍小东,谢仲生.  核动力工程. 2005(06)
[5]模拟退火算法在压水堆堆芯换料优化中的应用研究[J]. 杨波,吴宏春,王丽华.  核动力工程. 2003(04)
[6]解非线性方程组的神经网络方法[J]. 赵华敏,陈开周.  电子学报. 2002(04)
[7]用人工神经网络预报压水堆堆芯参数[J]. Han Gon Kim,Soon Heung,Byung Ho Lee,石安荣.  国外核动力. 1994 (06)



本文编号：3327888