基于數(shù)據(jù)挖掘技術(shù)的燃料組件中子學(xué)設(shè)計優(yōu)化研究
發(fā)布時間：2021-01-31 07:21
核燃料組件性能優(yōu)化是典型的多變量、多目標(biāo)優(yōu)化問題,本文針對燃料組件設(shè)計在中子物理方面主要面對兩個問題:組件開展高精度多群輸運-燃耗計算時間較長以及由此導(dǎo)致只能人工篩選和設(shè)計少量的組件-堆芯方案。針對上述問題,本文以常見壓水堆燃料組件為研究對象,分別展開燃料組件中子學(xué)物理參數(shù)的預(yù)測以及基于組件參數(shù)的堆芯方案篩選研究。首先,對燃料組件中子學(xué)性能的關(guān)鍵因素分析,以及針對基于數(shù)據(jù)挖掘技術(shù)的燃料組件優(yōu)化設(shè)計進(jìn)行探索;然后確定采用線性回歸、支持向量機(jī)（LibSVM）、決策樹（回歸樹/C4.5）、多層感知機(jī)（MLP）以及隨機(jī)森林算法開展參數(shù)預(yù)測和方案篩選研究。其次,針對高精度組件輸運-燃耗計算時間較長的問題,采用線性回歸、決策樹、多層感知機(jī)及隨機(jī)森林算法以燃料富集度、可燃毒物含量及布置為自變量開展燃料組件壽期初、末的組件平均熱通量及無限增殖系數(shù)kinf的快速預(yù)測,并驗證其精度。研究結(jié)果表明,四類算法完成預(yù)測時間均在3s內(nèi)完成;相較于其他三個算法,隨機(jī)森林構(gòu)建的模型預(yù)測能力以及收斂性最好,誤差在可接受范圍以內(nèi),其次就是決策樹模型,這驗證了采用數(shù)據(jù)挖掘技術(shù)預(yù)測中子物理參數(shù)的可行性。...
【文章來源】：南華大學(xué)湖南省
【文章頁數(shù)】：70 頁
【學(xué)位級別】：碩士
【部分圖文】：
可燃毒物消耗隨燃耗的變化（1：Er2O3，2：Gd2O3，3：ZrB2）
14最大以及誤分類最小二者的矛盾，一般C越大表述對誤分類的比重越大，即懲罰越大。圖2.3核函數(shù)SVMSVM除了解決以上分類問題，還能解決回歸問題。而便于區(qū)分，用于解決回歸問題的支持向量機(jī)又稱支持向量回歸（SVR，SupportVectorRegression），同時，SVM常用算法也稱支持向量分類（SVC，SupportVectorClassification）。而針對連續(xù)值樣本，SVR的模型如公式（2.17）。另外，引入ε不敏感函數(shù)（ε-insensitiveloss）并分段取值為松弛因子ξ，ξ*，且ξ，ξ*均大于等于0，使得不在間隔內(nèi)的樣本點盡可能少。因此，SVR的優(yōu)化約束條件如公式（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多層感知機(jī)多層感知機(jī)（MLP，Multi-LayerPerceptron)又稱人工神經(jīng)網(wǎng)絡(luò)（ANN，ArtificialNeuralNetwork），屬于前饋神經(jīng)網(wǎng)絡(luò)（FNN，F(xiàn)eedforwardNeuralNetwork）的一種。整體結(jié)構(gòu)由輸入層、隱藏層和輸出層三部分構(gòu)成，結(jié)構(gòu)如圖2.4所示。感知機(jī)模型與支持向量機(jī)構(gòu)建模型類似，都是找出相應(yīng)的分離超平面，模型公式可見上節(jié)公式（2.10），不同的是感知機(jī)的學(xué)習(xí)策略為基于隨機(jī)梯度下降法（SGD，StochasticGradientDecent）的損失函數(shù)極小化，即誤分類點到超平面的距離之和最小，也就意味著誤分類點最少，極小化損失函數(shù)如公式（2.20）所示。多層感
44表4.5IAEA_2D基準(zhǔn)組件均勻化參數(shù)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是三維兩群壓水堆問題[45]。堆芯由177個四方形組件組成，組件中心距為20cm，堆芯高度360cm。堆芯采用內(nèi)-外雙區(qū)布置，堆芯外圍反射層厚度為20cm。計算時反射層外邊界處中子通量為零。在IAEA_2D二維的基礎(chǔ)上考慮了控制棒的軸向深度，控制棒下插深度為80cm。堆芯布置如圖4.3所示，其中有5類組件，他們的少群截面如表4.6所示。此外，對軸向劃分5塊，每部分高度為36cm。圖4.3IAEA_3D基準(zhǔn)徑向1/4堆芯布置與軸向布置
【參考文獻(xiàn)】：
期刊論文
[1]基于SCIENCE程序包的IFBA組件模型的可行性研究[J]. 位金鋒,趙均,馬茲容. 原子能科學(xué)技術(shù). 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]可燃毒物現(xiàn)狀[J]. 黃華偉,王曉敏,楊靜,許奎,谷曉非,張良. 材料開發(fā)與應(yīng)用. 2010(04)
[4]模擬退火算法優(yōu)化堆芯設(shè)計[J]. 鐘文發(fā),周全,鐘兆鵬. 清華大學(xué)學(xué)報(自然科學(xué)版). 2001(10)
[5]幾種新型可燃毒物的特性以及在我國的應(yīng)用前景[J]. 黃錦華,邢輝,程平東. 原子能科學(xué)技術(shù). 1998(01)
博士論文
[1]快堆堆芯燃料管理優(yōu)化研究[D]. 楊曉燕.清華大學(xué) 2010
碩士論文
[1]DRAGON程序處理含釷燃料的適用性評價及CANFLEX組件計算[D]. 張庚.南華大學(xué) 2015
[2]富集度對堆芯物理特性影響的研究[D]. 余文生.哈爾濱工程大學(xué) 2013
本文編號：3010437
【文章來源】：南華大學(xué)湖南省
【文章頁數(shù)】：70 頁
【學(xué)位級別】：碩士
【部分圖文】：
可燃毒物消耗隨燃耗的變化（1：Er2O3，2：Gd2O3，3：ZrB2）
14最大以及誤分類最小二者的矛盾，一般C越大表述對誤分類的比重越大，即懲罰越大。圖2.3核函數(shù)SVMSVM除了解決以上分類問題，還能解決回歸問題。而便于區(qū)分，用于解決回歸問題的支持向量機(jī)又稱支持向量回歸（SVR，SupportVectorRegression），同時，SVM常用算法也稱支持向量分類（SVC，SupportVectorClassification）。而針對連續(xù)值樣本，SVR的模型如公式（2.17）。另外，引入ε不敏感函數(shù)（ε-insensitiveloss）并分段取值為松弛因子ξ，ξ*，且ξ，ξ*均大于等于0，使得不在間隔內(nèi)的樣本點盡可能少。因此，SVR的優(yōu)化約束條件如公式（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多層感知機(jī)多層感知機(jī)（MLP，Multi-LayerPerceptron)又稱人工神經(jīng)網(wǎng)絡(luò)（ANN，ArtificialNeuralNetwork），屬于前饋神經(jīng)網(wǎng)絡(luò)（FNN，F(xiàn)eedforwardNeuralNetwork）的一種。整體結(jié)構(gòu)由輸入層、隱藏層和輸出層三部分構(gòu)成，結(jié)構(gòu)如圖2.4所示。感知機(jī)模型與支持向量機(jī)構(gòu)建模型類似，都是找出相應(yīng)的分離超平面，模型公式可見上節(jié)公式（2.10），不同的是感知機(jī)的學(xué)習(xí)策略為基于隨機(jī)梯度下降法（SGD，StochasticGradientDecent）的損失函數(shù)極小化，即誤分類點到超平面的距離之和最小，也就意味著誤分類點最少，極小化損失函數(shù)如公式（2.20）所示。多層感
44表4.5IAEA_2D基準(zhǔn)組件均勻化參數(shù)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是三維兩群壓水堆問題[45]。堆芯由177個四方形組件組成，組件中心距為20cm，堆芯高度360cm。堆芯采用內(nèi)-外雙區(qū)布置，堆芯外圍反射層厚度為20cm。計算時反射層外邊界處中子通量為零。在IAEA_2D二維的基礎(chǔ)上考慮了控制棒的軸向深度，控制棒下插深度為80cm。堆芯布置如圖4.3所示，其中有5類組件，他們的少群截面如表4.6所示。此外，對軸向劃分5塊，每部分高度為36cm。圖4.3IAEA_3D基準(zhǔn)徑向1/4堆芯布置與軸向布置
【參考文獻(xiàn)】：
期刊論文
[1]基于SCIENCE程序包的IFBA組件模型的可行性研究[J]. 位金鋒,趙均,馬茲容. 原子能科學(xué)技術(shù). 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]可燃毒物現(xiàn)狀[J]. 黃華偉,王曉敏,楊靜,許奎,谷曉非,張良. 材料開發(fā)與應(yīng)用. 2010(04)
[4]模擬退火算法優(yōu)化堆芯設(shè)計[J]. 鐘文發(fā),周全,鐘兆鵬. 清華大學(xué)學(xué)報(自然科學(xué)版). 2001(10)
[5]幾種新型可燃毒物的特性以及在我國的應(yīng)用前景[J]. 黃錦華,邢輝,程平東. 原子能科學(xué)技術(shù). 1998(01)
博士論文
[1]快堆堆芯燃料管理優(yōu)化研究[D]. 楊曉燕.清華大學(xué) 2010
碩士論文
[1]DRAGON程序處理含釷燃料的適用性評價及CANFLEX組件計算[D]. 張庚.南華大學(xué) 2015
[2]富集度對堆芯物理特性影響的研究[D]. 余文生.哈爾濱工程大學(xué) 2013
本文編號：3010437
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3010437.html
最近更新
教材專著
