機器學習是一門研究機器獲取新知識和新技能,并識別現(xiàn)有知識的學問。機器學習因為它強大的擬合能力,魯棒性被廣泛的應用于經濟,工程等領域,其常用于數據挖掘,計算機視覺,自然語言處理,醫(yī)學診斷等方面,有著極強的預測以及分類功能。因此,本次研究為了研究核電站在海洋條件下棒束組件臨界熱流密度(的熱工水力特性,以及建立液態(tài)鉛鉍合金中的氧濃度預測機制,在已有的實驗數據基礎之上,本文通過建立神經網絡,支持向量機,隨機森林,深度學習等模型對海洋條件下的CHF點以及液態(tài)鉛鉍合金中的氧濃度進行了預測。其中,本次研究中的海洋條件,主要是通過震蕩波形來用計算機模擬海洋條件,再通過基于實驗數據的臨界熱流密度查詢程序來構建原始訓練數據。經過研究發(fā)現(xiàn),隨著數據量的增加,數據維度的健全,機器學習算法能夠很好的預測液態(tài)金屬中的氧濃度以及海洋條件下的臨界熱流密度。尤其通過算法集成技術,將多個簡單的算法集成,利用集成算法進行數據預測,能夠得到更好的效果。本次論的這項工作,為次臨界加速系統(tǒng)中一回路液態(tài)鉛鉍的固態(tài)氧控,以及海洋條件下的反應堆安全運行提供了一個新的思路,同時為未來探索人工智能控制的核動力裝置,以及發(fā)展人工智能技術在核... 

【文章來源】：華北電力大學(北京)北京市 211工程院校 教育部直屬院校

【文章頁數】：54 頁

【學位級別】：碩士

【部分圖文】：

圖１－１神經網絡和深度神經網絡示意圖??伴隨著神經生物學相關的發(fā)展，人工神經網絡（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，??

期的現(xiàn)象通常會在高含汽率的條件當中產生。??核電站簡介以及研究現(xiàn)狀??以來，人們越來越多的開始關注浮動核電站的發(fā)展，產生這種現(xiàn)，浮動核電站能夠使用在沒有電網，人很少，但是又靠近海洋包括了再地球的南極以及北極地區(qū)，而且特別能運用在石油的過這樣的方式方法，使得浮動核電站，可以應用在很多沒有建造比較遙遠的地方，為這些地區(qū)提供電力以及熱量，不僅如此，能應用在能源密集型號的海水淡化的領域。??海上浮動式核電站以其調度靈活，有利于核電出口等優(yōu)勢受到成為未來核電發(fā)展的趨勢之一。浮動式核電在海洋上運行過程將受到海洋運動條件的影響，核動力裝置在海洋上運行的時候，將會受到海洋運動條件的影響，例如，搖擺，起伏，偏轉等運動化的運動模式將會對反應堆中的熱量傳遞以及臨界熱流密度確預測臨界熱流密度是一個保證反應堆安全運行的非常重要的

圖２－１支持向量與間隔??，＆６，

【參考文獻】：
期刊論文
[1]運動條件下CHF機理模型開發(fā)[J]. 劉文興.  科技創(chuàng)新導報. 2015(22)
[2]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[3]搖擺運動下系統(tǒng)空間布置對自然循環(huán)流動特性的影響[J]. 譚思超,高璞珍,蘇光輝.  西安交通大學學報. 2008(11)
[4]搖擺狀態(tài)下入口段和上升段對兩相流動不穩(wěn)定性的影響[J]. 郭赟,秋穗正,蘇光輝,張友佳,賈斗南.  核動力工程. 2007(06)
[5]BP神經網絡改進算法在核電設備故障診斷中的應用[J]. 謝春麗,夏虹,劉永闊,劉邈,張寶鋒.  核動力工程. 2007(04)
[6]臨界熱流密度的人工神經網絡預測法[J]. 武俊梅,蘇光輝.  核動力工程. 2007(01)
[7]人工神經網絡在圓管臨界熱流密度數據分析中的應用研究[J]. 黃彥平,單建強,陳炳德,朱繼洲,郎雪梅,賈斗南.  核科學與工程. 2003(01)
[8]簡諧海洋條件下堆芯冷卻劑系統(tǒng)自然循環(huán)能力分析[J]. 楊玨,賈寶山,俞冀陽.  核科學與工程. 2002(03)
[9]海洋條件下冷卻劑系統(tǒng)自然循環(huán)仿真模型[J]. 楊玨,賈寶山,俞冀陽.  核科學與工程. 2002(02)
[10]起伏對強制循環(huán)和自然循環(huán)的影響[J]. 高璞珍,王兆祥,劉順隆.  核科學與工程. 1999(02)



本文編號：3102824