全部 标题 作者
关键词 摘要

OALib Journal期刊
ISSN: 2333-9721
费用:99美元

查看量下载量

相关文章

更多...
核技术  2015 

BP神经网络在DNBR计算中的应用

DOI: 10.11889/j.0253-3219.2015.hjs.38.070606, PP. 70606-70606

Keywords: 偏离泡核沸腾比,神经网络,误差反向传播算法,事故分析

Full-Text   Cite this paper   Add to My Lib

Abstract:

在压水堆事故分析中,通常采用系统分析程序、热流密度计算程序和子通道分析程序分步计算堆芯偏离泡核沸腾比(DeparturefromNucleateBoilingRatio,DNBR)。利用该方法计算的堆芯DNBR结果准确性较好,但是计算过程繁琐、费时。对于系统分析程序自带的堆芯DNBR简化计算模型,由于其根据堆芯限制线偏微分近似得到,适用范围较窄,准确性也难以保证。利用神经网络中的误差反向传播(BackPropagation,BP)算法,基于堆芯核功率、入口温度、流量和压力4个变量对应的一系列DNBR值,选取部分数据进行训练并建立模型,以达到快速和准确地预测堆芯DNBR的目的。根据误差分析,建立的计算模型具有较好的准确性,而且在部分失流事故和汽机停机事故下可较好地预测堆芯DNBR。

References

[1]  刘永阔, 夏虹, 谢春丽等.核电设备状态监测与故障诊断系统的研究[J].原子能科学与技术, 2008, 42(3):200-205
[2]  谢春丽, 夏虹, 刘永阔等.神经网络改进算法在核电设备故障诊断中的应用[J].核动力工程, 2007, 28(4):85-90
[3]  黄彦平, 单建强, 陈炳德等.人工神经网络在圆管临界热流密度数据分析中的应用研究[J].核科学与工程, 2003, 23(1):45-51
[4]  武俊梅, 苏光辉.临界热流密度的人工神经网络预测法[J].核动力工程, 2007, 28(1):41-44
[5]  Kim H C, Chang S H.Development of a back propagation network for one-step transient DNBR calculations[J].Ann. Nucl. Energy, 1997, 24(17):1437-1446
[6]  Koo B H, Kim H C, Chang S H.Development of real-time core monitoring system models with accuracy-enhanced neural networks[J].IEEE Trans. Nucl. Sci, 1993, 40(5):1347-1354
[7]  Lim D H, Yang H Y, Na M G.Monitoring minimum DNBR using a support vector regression model[J].IEEE Trans. Nucl. Sci, 2009, 56(1):286-293
[8]  Lee S W, Kim D S, Na M G.Prediction of DNBR using fuzzy support vector regression and uncertainty analysis[J].IEEE Trans. Nucl. Sci, 2010, 57(3):1595-1601
[9]  AP1000 Design Control Document[R].Westinghouse Electric Company,2011.
[10]  飞思科技产品研发中心.神经网络理论与MATLAB7实现[M]. 北京:电子工业出版社,2005.
[11]  丛爽.面向MATLAB工具箱的神经网络理论与应用[M]. 合肥:中国科学技术大学出版社,2009.
[12]  Na M G, Lee S M, Shin S H, et al.Minimum DNBR monitoring using fuzzy neural networks[J][J].Nuclear Engineering and Design, 2004, 234:147-155

Full-Text

Contact Us

service@oalib.com

QQ:3279437679

WhatsApp +8615387084133