优先发表
优先发表栏目展示本刊经同行评议确定正式录用的文章，这些文章目前处在编校过程，尚未确定卷期及页码，但可以根据DOI进行引用。
显示方式:
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.070016
摘要:
在压水堆核电厂中，乏燃料组件的衰变热是堆芯余热的主要来源，准确预测衰变热对反应堆的冷却系统设计和安全分析至关重要，但传统核素衰变模拟程序计算成本高，而机器学习模型由于数据不足可能存在过拟合问题。本文基于高斯过程回归（GPR）和支持向量回归（SVR）方法建立了协同训练的基础模型，生成了高质量的乏燃料衰变热虚拟数据，并与核电厂实测数据组成了混合数据集，采用混合数据集训练极限学习机（ELM）模型，对乏燃料衰变热进行了预测。结果表明，与常规的机器学习模型相比，协同训练显著提升了衰变热预测的稳定性和准确性。经过混合数据集训练后，ELM模型的预测稳定性提高了39.9%，衰变热预测结果的RMSE误差比核素衰变模拟程序低25.7%。本研究方法可为解决核工程领域存在的小数据集问题提供新思路。
在压水堆核电厂中，乏燃料组件的衰变热是堆芯余热的主要来源，准确预测衰变热对反应堆的冷却系统设计和安全分析至关重要，但传统核素衰变模拟程序计算成本高，而机器学习模型由于数据不足可能存在过拟合问题。本文基于高斯过程回归（GPR）和支持向量回归（SVR）方法建立了协同训练的基础模型，生成了高质量的乏燃料衰变热虚拟数据，并与核电厂实测数据组成了混合数据集，采用混合数据集训练极限学习机（ELM）模型，对乏燃料衰变热进行了预测。结果表明，与常规的机器学习模型相比，协同训练显著提升了衰变热预测的稳定性和准确性。经过混合数据集训练后，ELM模型的预测稳定性提高了39.9%，衰变热预测结果的RMSE误差比核素衰变模拟程序低25.7%。本研究方法可为解决核工程领域存在的小数据集问题提供新思路。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.09.0027
摘要:
科学计算在核工业整个技术体系中发挥着至关重要的作用，从核基础数据库的建立，到核能工程的设计、分析、验证、运行，乃至燃料后处理与反应堆退役，科学计算扮演着关键角色。传统上，工业领域的科学计算范式主要是基于实验测量数据建模的统计学方法，以及求解微/积分方程为代表的数值计算方法。随着新一代人工智能技术的发展，利用人工智能方法进行科学计算，正在逐渐发展成为一种新的科学计算范式。本文介绍了这一新兴技术领域的基本原理与主要特征，重点围绕核工业的特点，总结了当前已有研究工作情况，并对照传统方法，分析了人工智能科学计算方法的优缺点。最后，展望了这种智能计算方法未来在核工业领域的技术发展趋势与潜在应用模式，给出推动核工业人工智能科学计算新范式发展的建议。
科学计算在核工业整个技术体系中发挥着至关重要的作用，从核基础数据库的建立，到核能工程的设计、分析、验证、运行，乃至燃料后处理与反应堆退役，科学计算扮演着关键角色。传统上，工业领域的科学计算范式主要是基于实验测量数据建模的统计学方法，以及求解微/积分方程为代表的数值计算方法。随着新一代人工智能技术的发展，利用人工智能方法进行科学计算，正在逐渐发展成为一种新的科学计算范式。本文介绍了这一新兴技术领域的基本原理与主要特征，重点围绕核工业的特点，总结了当前已有研究工作情况，并对照传统方法，分析了人工智能科学计算方法的优缺点。最后，展望了这种智能计算方法未来在核工业领域的技术发展趋势与潜在应用模式，给出推动核工业人工智能科学计算新范式发展的建议。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090039
摘要:
人工智能算法快速预测、自学习与强泛用性的优势已应用于解决核反应堆热工水力现象和机理复杂的问题，包括热工水力参数预测、热工安全分析程序优化与计算流体力学效率提升等。本文回顾了人工智能算法在流型、沸腾换热及临界流等热工水力参数预测研究现状，提出物理信息神经网络等人工智能模型可解决堆内高参数与特定结构下实验数据缺乏致外推性精度不足问题；人工智能算法自适应优势可解决安全分析程序模型单一、收敛困难问题，模型校准方法可大幅降低系统建模耗时与不确定性，数据同化方法可减少时间累积误差以大幅提高时序数据预测精度；人工智能算法还可提升传统CFD方法的计算效率和准确性，基于模型降阶可有效实现核反应堆关键设备三维热工水力性能参数预测。
人工智能算法快速预测、自学习与强泛用性的优势已应用于解决核反应堆热工水力现象和机理复杂的问题，包括热工水力参数预测、热工安全分析程序优化与计算流体力学效率提升等。本文回顾了人工智能算法在流型、沸腾换热及临界流等热工水力参数预测研究现状，提出物理信息神经网络等人工智能模型可解决堆内高参数与特定结构下实验数据缺乏致外推性精度不足问题；人工智能算法自适应优势可解决安全分析程序模型单一、收敛困难问题，模型校准方法可大幅降低系统建模耗时与不确定性，数据同化方法可减少时间累积误差以大幅提高时序数据预测精度；人工智能算法还可提升传统CFD方法的计算效率和准确性，基于模型降阶可有效实现核反应堆关键设备三维热工水力性能参数预测。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080027
摘要:
控制棒驱动机构（CRDM）是反应堆内唯一具有相对运行的设备单元，可快速调节反应堆反应性，对反应堆安全运行十分重要，磨损是影响控制棒驱动机构传动副功能失效的主要因素，直接决定其使用寿命。本文通过控制棒驱动机构传动副磨损寿命试验，发现传动副3种主要磨损形式为磨粒磨损、疲劳磨损和氧化磨损，同时发现当传动副顶部区域磨损体积比达16.46%时，驱动机构出现滑棒，可判定此刻转动部件出现了磨损失效，将此刻的磨损体积值作为传动副的失效阈值。在获得传动副磨损退化量数据和外部振动信号后，本文构建了内部磨损量与外部振动信号的关联关系，并通过外部振动信号，基于SVR、CNN、LSTM三种机器学习算法，分别构建了控制棒驱动机构传动副寿命预测模型，通过对比分析认为，在预测精度上LSTM模型优于CNN模型优于SVR模型，在计算效率上SVR模型优于CNN模型优于LSTM模型。
控制棒驱动机构（CRDM）是反应堆内唯一具有相对运行的设备单元，可快速调节反应堆反应性，对反应堆安全运行十分重要，磨损是影响控制棒驱动机构传动副功能失效的主要因素，直接决定其使用寿命。本文通过控制棒驱动机构传动副磨损寿命试验，发现传动副3种主要磨损形式为磨粒磨损、疲劳磨损和氧化磨损，同时发现当传动副顶部区域磨损体积比达16.46%时，驱动机构出现滑棒，可判定此刻转动部件出现了磨损失效，将此刻的磨损体积值作为传动副的失效阈值。在获得传动副磨损退化量数据和外部振动信号后，本文构建了内部磨损量与外部振动信号的关联关系，并通过外部振动信号，基于SVR、CNN、LSTM三种机器学习算法，分别构建了控制棒驱动机构传动副寿命预测模型，通过对比分析认为，在预测精度上LSTM模型优于CNN模型优于SVR模型，在计算效率上SVR模型优于CNN模型优于LSTM模型。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.11.0148
摘要:
核反应堆数字孪生的发展有望通过信息物理融合的实现提高核电站的安全性与经济性，而数据融合问题是信息物理融合的核心问题。因此本文面向核反应堆数字孪生领域，从数据融合的定义、融合对象、融合层次、融合方法以及数字孪生与数据融合的关系着手，进而从八个方面探讨了数据融合方法在核反应堆数字孪生的全生命周期中的应用与研究，从数据方面与融合方法方面指出当前研究存在的挑战，能够为未来核反应堆数字孪生发展过程中解决数据融合关键问题提供参考。
核反应堆数字孪生的发展有望通过信息物理融合的实现提高核电站的安全性与经济性，而数据融合问题是信息物理融合的核心问题。因此本文面向核反应堆数字孪生领域，从数据融合的定义、融合对象、融合层次、融合方法以及数字孪生与数据融合的关系着手，进而从八个方面探讨了数据融合方法在核反应堆数字孪生的全生命周期中的应用与研究，从数据方面与融合方法方面指出当前研究存在的挑战，能够为未来核反应堆数字孪生发展过程中解决数据融合关键问题提供参考。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.050045
摘要:
为保证核反应堆系统在海洋环境下的安全运行，有必要建立一套计算模型获得稳压器内的实时液位。因此，本文搭建实验系统采集相关数据，通过麻雀搜索算法优化LSTM神经网络，建立测得的压力，运动姿态参数与液位之间的回归预测模型。研究结果表明，本文所建立的神经网络模型预测精度优秀，明显优于其他传统神经网络。并且该模型的泛化能力良好，对于新鲜样本的预测精度仍较好，集成到控制系统中可实现实时输出液位，可提高海洋条件下核动力运行的安全性，并为后续核动力的智能运维提供参考。
为保证核反应堆系统在海洋环境下的安全运行，有必要建立一套计算模型获得稳压器内的实时液位。因此，本文搭建实验系统采集相关数据，通过麻雀搜索算法优化LSTM神经网络，建立测得的压力，运动姿态参数与液位之间的回归预测模型。研究结果表明，本文所建立的神经网络模型预测精度优秀，明显优于其他传统神经网络。并且该模型的泛化能力良好，对于新鲜样本的预测精度仍较好，集成到控制系统中可实现实时输出液位，可提高海洋条件下核动力运行的安全性，并为后续核动力的智能运维提供参考。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080035
摘要:
摘要：物理信息神经网络(PINN)作为一种结合物理知识的深度学习方法，近年来在核工程领域的堆芯中子学计算问题中展现出广阔的应用前景。然而，PINN在求解问题的精度方面仍存在一定的局限性。为进一步提升PINN模型的求解精度，本论文提出了一种基于残差网络结构改进的物理信息神经网络模型，即ResNet-PINN，详细阐述了ResNet-PINN基本原理和数值计算流程，并将其应用于中子扩散和输运方程的求解。实验验证表明ResNet-PINN能够显著提高堆芯中子方程的求解精度，有效解决了PINN模型面临的求解精度局限性，在方法上具有一定的创新性。
摘要：物理信息神经网络(PINN)作为一种结合物理知识的深度学习方法，近年来在核工程领域的堆芯中子学计算问题中展现出广阔的应用前景。然而，PINN在求解问题的精度方面仍存在一定的局限性。为进一步提升PINN模型的求解精度，本论文提出了一种基于残差网络结构改进的物理信息神经网络模型，即ResNet-PINN，详细阐述了ResNet-PINN基本原理和数值计算流程，并将其应用于中子扩散和输运方程的求解。实验验证表明ResNet-PINN能够显著提高堆芯中子方程的求解精度，有效解决了PINN模型面临的求解精度局限性，在方法上具有一定的创新性。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090025
摘要:
核电站在正常运行过程中，可能会由于设备失效、仪控系统故障、人因失误等原因导致非预期的保护动作，例如停堆、停机、甩负荷等。当前机组运行时的异常情况发现主要依赖于DCS系统的阈值报警信息，缺乏对趋势的分析。研究通过事件逻辑建立变量间的逻辑关系，并基于此利用自关联神经网络（AANN）建模对关联变量进行异常检测，最后利用经验模态分解（EMD）趋势提取算法与自适应滑动窗口霍尔顿线性趋势模型拟合对异常变量进行预测。能够实现停堆停机事件的提前与准确预警，使运维人员能够更早地发现并解决问题，提高核电运行安全性。文章利用仿真数据与机组真实异常数据进行测试实验，得到真实数据实验结果均方误差为0.1，R2为0.99，并且提前至少一个小时对停机动作进行了预警，验证了方法的准确性与提前预警的能力。
核电站在正常运行过程中，可能会由于设备失效、仪控系统故障、人因失误等原因导致非预期的保护动作，例如停堆、停机、甩负荷等。当前机组运行时的异常情况发现主要依赖于DCS系统的阈值报警信息，缺乏对趋势的分析。研究通过事件逻辑建立变量间的逻辑关系，并基于此利用自关联神经网络（AANN）建模对关联变量进行异常检测，最后利用经验模态分解（EMD）趋势提取算法与自适应滑动窗口霍尔顿线性趋势模型拟合对异常变量进行预测。能够实现停堆停机事件的提前与准确预警，使运维人员能够更早地发现并解决问题，提高核电运行安全性。文章利用仿真数据与机组真实异常数据进行测试实验，得到真实数据实验结果均方误差为0.1，R2为0.99，并且提前至少一个小时对停机动作进行了预警，验证了方法的准确性与提前预警的能力。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090028
摘要:
针对泵组在极端运行条件下难以利用多维异常信号进行诊断以及无法充分提取多维信号之间的关系等问题，提出一种利用深度学习网络融合多源传感器数据的泵组智能异常检测方法。该方法利用卷积神经网络对多源传感器数据进行融合，能够有效的对多维信号之间的关系进行分析。采用自注意力机制，提取具有注意力权值的输入信号融合特征，使所构建异常检测模型具有自主适应不同类型输入信号的能力，保证了所提方法在多源传感器大数据场景下的泵组异常状态检测的准确度。通过搭建泵组故障模拟试验台来验证该方法的可靠性和准确性，结果表明，本文所提方法能够有效融合多源传感器之间的信息特征，在此基础上能够充分完成泵组极端运行工况下故障诊断的任务，且具有较高的诊断精度。
针对泵组在极端运行条件下难以利用多维异常信号进行诊断以及无法充分提取多维信号之间的关系等问题，提出一种利用深度学习网络融合多源传感器数据的泵组智能异常检测方法。该方法利用卷积神经网络对多源传感器数据进行融合，能够有效的对多维信号之间的关系进行分析。采用自注意力机制，提取具有注意力权值的输入信号融合特征，使所构建异常检测模型具有自主适应不同类型输入信号的能力，保证了所提方法在多源传感器大数据场景下的泵组异常状态检测的准确度。通过搭建泵组故障模拟试验台来验证该方法的可靠性和准确性，结果表明，本文所提方法能够有效融合多源传感器之间的信息特征，在此基础上能够充分完成泵组极端运行工况下故障诊断的任务，且具有较高的诊断精度。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090041
摘要:
核反应堆对于核能的生产及供应至关重要，其堆芯设计可以建模成中子扩散和输运方程。因此，快速且精确地求解这两类方程可以有效控制核反应堆，以确保其安全性和稳定性。近年来，物理信息神经网络（PINN）的出现显著提升了偏微分方程计算的速度和效率。然而，由于PINN的预定义结构不够灵活，在一定程度上限制了其在实际应用中的广度和深度。本研究提出了一种寻找最佳PINN结构的创新方法，利用神经网络架构搜索（NAS）策略，动态地选择最适合于求解核反应堆中子扩散和输运方程的PINN模型。具体而言，我们首先引入微分变换阶理论，便于将输运方程中的积分项转换为高阶微分项以适应于PINN模型。其次，我们在NAS中使用遗传算法作为优化策略，寻找最适合求解反应堆方程的PINN模型。验算结果证明，该方法在求解不同维度的反应堆方程中具有更高的精度，为复杂的中子方程提供了更加准确、高效的求解方案。
核反应堆对于核能的生产及供应至关重要，其堆芯设计可以建模成中子扩散和输运方程。因此，快速且精确地求解这两类方程可以有效控制核反应堆，以确保其安全性和稳定性。近年来，物理信息神经网络（PINN）的出现显著提升了偏微分方程计算的速度和效率。然而，由于PINN的预定义结构不够灵活，在一定程度上限制了其在实际应用中的广度和深度。本研究提出了一种寻找最佳PINN结构的创新方法，利用神经网络架构搜索（NAS）策略，动态地选择最适合于求解核反应堆中子扩散和输运方程的PINN模型。具体而言，我们首先引入微分变换阶理论，便于将输运方程中的积分项转换为高阶微分项以适应于PINN模型。其次，我们在NAS中使用遗传算法作为优化策略，寻找最适合求解反应堆方程的PINN模型。验算结果证明，该方法在求解不同维度的反应堆方程中具有更高的精度，为复杂的中子方程提供了更加准确、高效的求解方案。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.070031
摘要:
为了评估复杂事故现象物理模型（输入）的不确定性，提出了基于随机森林算法结合PSO-Kriging代理模型和KDE-SJ非参数统计的反向不确定性量化方法，并应用于大破口事故再淹没现象的模型评估。通过系统程序的计算结果（输出）与FEBA实验数据的一致性程度作为随机森林算法的分类标准，得到了模型参数的概率密度分布。验证结果表明在概率密度分布上随机抽样93组计算得到的95%不确定度带可以完全包络实验数据，但利用众数或均值对模型的标定效果可能不如贝叶斯方法得到的最大后验均值。
为了评估复杂事故现象物理模型（输入）的不确定性，提出了基于随机森林算法结合PSO-Kriging代理模型和KDE-SJ非参数统计的反向不确定性量化方法，并应用于大破口事故再淹没现象的模型评估。通过系统程序的计算结果（输出）与FEBA实验数据的一致性程度作为随机森林算法的分类标准，得到了模型参数的概率密度分布。验证结果表明在概率密度分布上随机抽样93组计算得到的95%不确定度带可以完全包络实验数据，但利用众数或均值对模型的标定效果可能不如贝叶斯方法得到的最大后验均值。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.060034
摘要:
核反应堆冷却剂系统（NRCS）是核电厂最关键的系统之一，对其实施有效的事故诊断意义重大。尽管人工智能技术在核电厂的事故诊断领域中已被广泛应用，但传统模型存在诊断准确性不足、泛化性较弱等缺陷，难以满足NRCS对于事故诊断的高要求。针对这一问题，本研究建立了一种NRCS智能事故诊断新模型。首先，为提高模型事故诊断的准确性，应用了卷积神经网络（CNN）和门控循环单元（GRU），结合了CNN强大的特征提取能力和GRU高效的时序数据分类能力，建立了NRCS事故诊断模型（CNN-GRU）；其次，为提高模型的泛化性，应用了灰狼优化算法（GWO），在CNN-GRU模型中自适应优化超参数，建立了NRCS智能事故诊断模型（GWO-CNN-GRU）；最后，为验证所提出模型的性能，本研究以PCTRAN中的NRCS为研究对象，模拟测试了1 种正常工况和4 种典型事故工况的诊断过程。结果显示，在CPR1000堆型的NRCS测试集上，所提出模型的事故诊断平均准确率为99.6%，相较于GRU和CNN-GRU模型分别提高了2.1%和1.5%；同时，在AP1000堆型的NRCS测试集上，所提出模型的事故诊断平均准确率为99.5%，相较于其他两种模型分别提高了1.7%和1.3%。因此，本文提出的模型在准确性和泛化性方面均表现出优异性能，为NRCS智能事故诊断提供了重要参考。
核反应堆冷却剂系统（NRCS）是核电厂最关键的系统之一，对其实施有效的事故诊断意义重大。尽管人工智能技术在核电厂的事故诊断领域中已被广泛应用，但传统模型存在诊断准确性不足、泛化性较弱等缺陷，难以满足NRCS对于事故诊断的高要求。针对这一问题，本研究建立了一种NRCS智能事故诊断新模型。首先，为提高模型事故诊断的准确性，应用了卷积神经网络（CNN）和门控循环单元（GRU），结合了CNN强大的特征提取能力和GRU高效的时序数据分类能力，建立了NRCS事故诊断模型（CNN-GRU）；其次，为提高模型的泛化性，应用了灰狼优化算法（GWO），在CNN-GRU模型中自适应优化超参数，建立了NRCS智能事故诊断模型（GWO-CNN-GRU）；最后，为验证所提出模型的性能，本研究以PCTRAN中的NRCS为研究对象，模拟测试了1 种正常工况和4 种典型事故工况的诊断过程。结果显示，在CPR1000堆型的NRCS测试集上，所提出模型的事故诊断平均准确率为99.6%，相较于GRU和CNN-GRU模型分别提高了2.1%和1.5%；同时，在AP1000堆型的NRCS测试集上，所提出模型的事故诊断平均准确率为99.5%，相较于其他两种模型分别提高了1.7%和1.3%。因此，本文提出的模型在准确性和泛化性方面均表现出优异性能，为NRCS智能事故诊断提供了重要参考。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090038
摘要:
前系统分析程序中的流型预测模型大部分基于早期实验数据开发，单个模型的适用范围较窄。为了充分利用不断增加的流型实验数据来扩大模型适用范围、提高模型预测精度，本研究收集实验数据建立了训练数据库并对数据进行了预处理，基于人工神经网络算法开发了两相流型预测模型，并与传统流型预测模型进行对比。结果表明，新模型能直接用于各种不同工况，相比于传统模型具有更好的预测精度。本研究为流型预测提供了一种新方法，随着训练数据的更新，模型的适用范围和精度可以不断提高。
前系统分析程序中的流型预测模型大部分基于早期实验数据开发，单个模型的适用范围较窄。为了充分利用不断增加的流型实验数据来扩大模型适用范围、提高模型预测精度，本研究收集实验数据建立了训练数据库并对数据进行了预处理，基于人工神经网络算法开发了两相流型预测模型，并与传统流型预测模型进行对比。结果表明，新模型能直接用于各种不同工况，相比于传统模型具有更好的预测精度。本研究为流型预测提供了一种新方法，随着训练数据的更新，模型的适用范围和精度可以不断提高。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080024
摘要:
为快速获得满足工程偏好的移动式核反应堆轻量化屏蔽设计方案，本研究采用基于数据驱动的代理模型和多目标智能优化算法，对陆基移动式微堆的运行屏蔽开展具有多约束和工程偏好的多目标优化设计。首先通过对先进屏蔽材料参数和屏蔽几何参数采样构建变规模优化空间下的数据集，其次基于此数据集训练多频率尺度神经网络MscaleDNN，并耦合基于GPU并行的一维离散纵标法中子-光子耦合输运求解器，以建立稳定的高效高精度剂量率预测代理模型SN-MscaleDNN，然后与引入罚函数法和工程偏好模型的NSGA-II遗传算法耦合，实现满足剂量率安全、材料和力学限制等多约束以及工程偏好的屏蔽优化设计。研究结果表明，代理模型在变规模优化空间下可实现单个屏蔽方案毫秒级评估且预测泛化误差整体在10%以内，其与优化算法耦合后优化得到的多个屏蔽方案满足各项指标限值和工程偏好。结果表明，本研究建立的方法能够用于变规模优化空间下移动式微型反应堆的轻量化屏蔽优化设计。
为快速获得满足工程偏好的移动式核反应堆轻量化屏蔽设计方案，本研究采用基于数据驱动的代理模型和多目标智能优化算法，对陆基移动式微堆的运行屏蔽开展具有多约束和工程偏好的多目标优化设计。首先通过对先进屏蔽材料参数和屏蔽几何参数采样构建变规模优化空间下的数据集，其次基于此数据集训练多频率尺度神经网络MscaleDNN，并耦合基于GPU并行的一维离散纵标法中子-光子耦合输运求解器，以建立稳定的高效高精度剂量率预测代理模型SN-MscaleDNN，然后与引入罚函数法和工程偏好模型的NSGA-II遗传算法耦合，实现满足剂量率安全、材料和力学限制等多约束以及工程偏好的屏蔽优化设计。研究结果表明，代理模型在变规模优化空间下可实现单个屏蔽方案毫秒级评估且预测泛化误差整体在10%以内，其与优化算法耦合后优化得到的多个屏蔽方案满足各项指标限值和工程偏好。结果表明，本研究建立的方法能够用于变规模优化空间下移动式微型反应堆的轻量化屏蔽优化设计。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080036
摘要:
为提高核电厂瞬态工况下参数预测和故障诊断的准确性和实时性，本研究采用LSTM神经网络模型进行预测和诊断。通过生成并随机化故障情景，减少模型对特定模式的依赖，提高其在未知故障情景下的泛化能力。研究结合SHAP方法，对模型的参数预测结果进行了解释性分析，评估了不同输入特征对模型预测性能的影响，并验证了模型在传感器故障和数据传输错误情况下的表现。此外，针对含有不同噪声水平的瞬态参数进行故障诊断，验证模型的鲁棒性。结果表明，LSTM模型在预测和诊断方面具有较高的精度，即使在传感器故障、数据传输有误以及数据含有噪声情况下仍表现出色。本研究的LSTM方法能够提升核电厂运行安全和稳定性，为事故工况下的安全性提供有效技术支持。
为提高核电厂瞬态工况下参数预测和故障诊断的准确性和实时性，本研究采用LSTM神经网络模型进行预测和诊断。通过生成并随机化故障情景，减少模型对特定模式的依赖，提高其在未知故障情景下的泛化能力。研究结合SHAP方法，对模型的参数预测结果进行了解释性分析，评估了不同输入特征对模型预测性能的影响，并验证了模型在传感器故障和数据传输错误情况下的表现。此外，针对含有不同噪声水平的瞬态参数进行故障诊断，验证模型的鲁棒性。结果表明，LSTM模型在预测和诊断方面具有较高的精度，即使在传感器故障、数据传输有误以及数据含有噪声情况下仍表现出色。本研究的LSTM方法能够提升核电厂运行安全和稳定性，为事故工况下的安全性提供有效技术支持。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.10.0056
摘要:
超高温气冷堆（VHTR）具有核能制氢等广泛的应用领域，失冷失压事故（DLOFC）是超高温气冷堆后果最严重的设计基准事故之一，利用全阶模型（FOM）进行大量不同参数下的DLOFC事故特性分析需要消耗大量的计算资源。基于降阶模型（ROM），对设计参数范围内的不同方案进行DLOFC事故的快速、准确计算具有重要需求和意义。本文利用TINTE程序建立了超高温气冷堆的全阶模型，基于POD-RBF方法实现了一个快速计算超高温气冷堆DLOFC事故的降阶模型。本文给出了两种方法来实现降阶模型的瞬态过程计算，方法1将时间等同于入口温度等输入参数；方法2对于同一参数下的不同时间步的系数整体进行计算。结果表明两种降阶模型方法的计算结果最大相对误差均低于1%，且降阶模型计算效率远高于全阶模型；同时降解模型方法2计算效率是方法1的40倍。
超高温气冷堆（VHTR）具有核能制氢等广泛的应用领域，失冷失压事故（DLOFC）是超高温气冷堆后果最严重的设计基准事故之一，利用全阶模型（FOM）进行大量不同参数下的DLOFC事故特性分析需要消耗大量的计算资源。基于降阶模型（ROM），对设计参数范围内的不同方案进行DLOFC事故的快速、准确计算具有重要需求和意义。本文利用TINTE程序建立了超高温气冷堆的全阶模型，基于POD-RBF方法实现了一个快速计算超高温气冷堆DLOFC事故的降阶模型。本文给出了两种方法来实现降阶模型的瞬态过程计算，方法1将时间等同于入口温度等输入参数；方法2对于同一参数下的不同时间步的系数整体进行计算。结果表明两种降阶模型方法的计算结果最大相对误差均低于1%，且降阶模型计算效率远高于全阶模型；同时降解模型方法2计算效率是方法1的40倍。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090006
摘要:
现有屏蔽设计优化技术通常依赖设计者的经验，其效率低，不确定性大。遗传算法能够帮助屏蔽设计人员在给定的条件下快速搜索可行的屏蔽方案，以实现剂量率、屏蔽材料的体积、屏蔽材料的重量等多个目标的同时优化。为了提高屏蔽设计效率，本文结合多目标优化算法和辐射屏蔽计算开展屏蔽设计，开发了输运-活化-优化三向耦合计算程序，并基于本文构造的一个屏蔽计算模型进行了验证。数值结果表明基于离散纵标方法和遗传算法的屏蔽设计优化方法可以实现屏蔽体积、重量、停堆后活化剂量率、正常运行剂量率等多个目标的同时优化。
现有屏蔽设计优化技术通常依赖设计者的经验，其效率低，不确定性大。遗传算法能够帮助屏蔽设计人员在给定的条件下快速搜索可行的屏蔽方案，以实现剂量率、屏蔽材料的体积、屏蔽材料的重量等多个目标的同时优化。为了提高屏蔽设计效率，本文结合多目标优化算法和辐射屏蔽计算开展屏蔽设计，开发了输运-活化-优化三向耦合计算程序，并基于本文构造的一个屏蔽计算模型进行了验证。数值结果表明基于离散纵标方法和遗传算法的屏蔽设计优化方法可以实现屏蔽体积、重量、停堆后活化剂量率、正常运行剂量率等多个目标的同时优化。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090040
摘要:
本文将基于物理驱动的人工智能方法和传统源迭代法结合，建立求解少群扩散方程的新型方法流程，并采用Anderson加速方法对迭代源项进行加速。通过二维多材料、三维单材料等例题的计算结果显示，PINN和传统源迭代法相结合，在保证计算精度的前提下可计算出连续中子通量密度分布，采用Anderson加速可减少迭代次数，成功实现了少群中子扩散方程的正向求解，助推了人工智能算法在核领域的应用。
本文将基于物理驱动的人工智能方法和传统源迭代法结合，建立求解少群扩散方程的新型方法流程，并采用Anderson加速方法对迭代源项进行加速。通过二维多材料、三维单材料等例题的计算结果显示，PINN和传统源迭代法相结合，在保证计算精度的前提下可计算出连续中子通量密度分布，采用Anderson加速可减少迭代次数，成功实现了少群中子扩散方程的正向求解，助推了人工智能算法在核领域的应用。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080004
摘要:
核电厂安全运行的关键是实现其运行参数的精准预测。近年来，数据驱动方法表现出了强大的预测能力，然而，测量数据的不充分限制了其预测性能。本研究将基于迁移学习框架，开发了一种以多组仿真工况预训练，再利用测量数据微调的预测模型构建方法。首先通过仿真数据训练GRU神经网络，再使用部分测量数据微调模型，以预测运行工况的未来状态。使用PKL III热工水力台架的B3.1实验的测量数据，及与之相近的9组RELAP5仿真数据，验证了方法的可行性。运用该方法预测，蒸汽压力、蒸汽温度、下降管流体温度、出口入口温度和质量流量的相对误差分别能够达到0.358%，0.065%，0.020%，0.065%，0.028%，1.705%。最后通过5组数值实验对比说明了方法各模块的有效性。
核电厂安全运行的关键是实现其运行参数的精准预测。近年来，数据驱动方法表现出了强大的预测能力，然而，测量数据的不充分限制了其预测性能。本研究将基于迁移学习框架，开发了一种以多组仿真工况预训练，再利用测量数据微调的预测模型构建方法。首先通过仿真数据训练GRU神经网络，再使用部分测量数据微调模型，以预测运行工况的未来状态。使用PKL III热工水力台架的B3.1实验的测量数据，及与之相近的9组RELAP5仿真数据，验证了方法的可行性。运用该方法预测，蒸汽压力、蒸汽温度、下降管流体温度、出口入口温度和质量流量的相对误差分别能够达到0.358%，0.065%，0.020%，0.065%，0.028%，1.705%。最后通过5组数值实验对比说明了方法各模块的有效性。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080039
摘要:
反应堆堆芯典型工况雷诺数高达105，冷却剂流动具有显著的非线性，实际流动边界及状态与理想流动方程存在一定的匹配性偏差，会导致求解过程中数据与控制方程的约束相冲突，彼此制约，导致求解收敛困难。为解决该问题，本文研发了一种基于深度学习的稀疏数据求解方法，通过设计不匹配性自适应修正方案，在控制方程中引入自适应调节因子，动态修正理想模型，克服因数据与方程不一致所引发的收敛障碍及精度不足等问题。在此技术基础上，研究进一步探讨了在小样本数据条件下的流场求解策略，设计了均匀配点、基于速度梯度配点、混合配点策略，旨在通过优化样本点的空间分布，提升流场求解的整体精度。研究结果表明，在三种策略中，均匀配点策略能够更全面地覆盖流场的整体特性，表现出最佳的优化效果，显著提升了求解精度。且在仅采用60个小样本数据配点下，本文所提出的方法也能有效实现高精度流场求解，为稀疏数据条件下求解压水堆堆芯棒束通道流场提供了一种高效且高适用的技术方案。
反应堆堆芯典型工况雷诺数高达105，冷却剂流动具有显著的非线性，实际流动边界及状态与理想流动方程存在一定的匹配性偏差，会导致求解过程中数据与控制方程的约束相冲突，彼此制约，导致求解收敛困难。为解决该问题，本文研发了一种基于深度学习的稀疏数据求解方法，通过设计不匹配性自适应修正方案，在控制方程中引入自适应调节因子，动态修正理想模型，克服因数据与方程不一致所引发的收敛障碍及精度不足等问题。在此技术基础上，研究进一步探讨了在小样本数据条件下的流场求解策略，设计了均匀配点、基于速度梯度配点、混合配点策略，旨在通过优化样本点的空间分布，提升流场求解的整体精度。研究结果表明，在三种策略中，均匀配点策略能够更全面地覆盖流场的整体特性，表现出最佳的优化效果，显著提升了求解精度。且在仅采用60个小样本数据配点下，本文所提出的方法也能有效实现高精度流场求解，为稀疏数据条件下求解压水堆堆芯棒束通道流场提供了一种高效且高适用的技术方案。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.070062
摘要:
为提高深度学习方法的网络复用性，构建一种适应于不同控制方程和不同物性参数条件的深度网络模型，本研究提出了基于物理融合神经网络的格子Boltzmann方法（PFNN-LBM）。在格子Boltzmann框架下建立了不同特征控制方程的统一格式离散速度Boltzmann方程，并使用单一网络的参数化物理信息约束神经网络求解，可以在一次训练后同时求解不同形式和不同物理参数的控制方程。为测试PFNN-LBM的准确性和适应性，选取了四种类型的宏观方程开展预测分析，包括扩散方程、非线性导热方程、Sine-Gordon方程和Burgers-Fisher方程，同时测试了不同物理参数条件的预测性能并对双群中子扩散问题进行了测试。计算结果表明，所提出的PFNN-LBM可以在一次训练后高精度地求解不同形式和不同物理参数的控制方程。这项工作可以为高效灵活地求解不同类型的方程提供一个新的框架，对于工程应用，这项工作在多物理场耦合计算方面可能具有突出优势。
为提高深度学习方法的网络复用性，构建一种适应于不同控制方程和不同物性参数条件的深度网络模型，本研究提出了基于物理融合神经网络的格子Boltzmann方法（PFNN-LBM）。在格子Boltzmann框架下建立了不同特征控制方程的统一格式离散速度Boltzmann方程，并使用单一网络的参数化物理信息约束神经网络求解，可以在一次训练后同时求解不同形式和不同物理参数的控制方程。为测试PFNN-LBM的准确性和适应性，选取了四种类型的宏观方程开展预测分析，包括扩散方程、非线性导热方程、Sine-Gordon方程和Burgers-Fisher方程，同时测试了不同物理参数条件的预测性能并对双群中子扩散问题进行了测试。计算结果表明，所提出的PFNN-LBM可以在一次训练后高精度地求解不同形式和不同物理参数的控制方程。这项工作可以为高效灵活地求解不同类型的方程提供一个新的框架，对于工程应用，这项工作在多物理场耦合计算方面可能具有突出优势。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080023
摘要:
为解决传统基于深度学习（DL）的智能故障诊断模型无法监测系统未知异常运行事件的问题，本研究基于变分推断的概率深度神经网络（VI-PDNN）构建反应堆冷却剂系统智能诊断框架，对异常事件类别实现诊断同时量化评估输出结果的不确定性。该框架能够有效利用已知与未知运行事件的不确定性差异实现对未知异常运行事件的有效监测预警。最后，基于已建立反应堆模拟机仿真数据对本文提出方法进行验证。研究结果表明，提出的方法不仅能够针对系统已知事件获取较高的诊断精度，同时能有效监测预警未知异常事件，为实际环境下反应堆系统运行实时智能状态诊断与监测提供一种有效技术手段。
为解决传统基于深度学习（DL）的智能故障诊断模型无法监测系统未知异常运行事件的问题，本研究基于变分推断的概率深度神经网络（VI-PDNN）构建反应堆冷却剂系统智能诊断框架，对异常事件类别实现诊断同时量化评估输出结果的不确定性。该框架能够有效利用已知与未知运行事件的不确定性差异实现对未知异常运行事件的有效监测预警。最后，基于已建立反应堆模拟机仿真数据对本文提出方法进行验证。研究结果表明，提出的方法不仅能够针对系统已知事件获取较高的诊断精度，同时能有效监测预警未知异常事件，为实际环境下反应堆系统运行实时智能状态诊断与监测提供一种有效技术手段。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080031
摘要:
模型降阶（ROM）通过将全阶守恒方程映射至低阶子空间或构建数据驱动的代理模型，有效降低了物理模型的复杂性。相比传统的计算流体动力学（CFD）仿真，降阶模型在大规模仿真计算中计算效率更高。本文利用本征正交分解（POD）结合机器学习（ML），提出了一种适用于瞬态工况的降阶模型框架，并以此实现棒束子通道内质量流量参数瞬态预测。针对两种不同的预测方法进行对比，结果显示在长期和短期预测中，两种方法各有优劣，可为未来进行其他复杂系统的预测提供方案。
模型降阶（ROM）通过将全阶守恒方程映射至低阶子空间或构建数据驱动的代理模型，有效降低了物理模型的复杂性。相比传统的计算流体动力学（CFD）仿真，降阶模型在大规模仿真计算中计算效率更高。本文利用本征正交分解（POD）结合机器学习（ML），提出了一种适用于瞬态工况的降阶模型框架，并以此实现棒束子通道内质量流量参数瞬态预测。针对两种不同的预测方法进行对比，结果显示在长期和短期预测中，两种方法各有优劣，可为未来进行其他复杂系统的预测提供方案。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.080042
摘要:
为建立瞬态中子输运方程的快速预测模型，本文采用仿射参数化算子推断构建中子输运方程的降阶模型。算子推断通过奇异值分解与构造最优化问题，非侵入式地拟合降阶空间中的动力学方程，同时能够保留原控制方程所描述的物理规律。而仿射参数化结构有效地处理瞬态中子输运方程中常见的时变参数问题，在无需参数空间插值的情况下，实现时变堆芯参数到物理量的快速求解。研究结果表明，基于高保真数据与仿射参数化算子推断构建的降阶模型具有较好的泛化能力，能够对不同时变参数变化情况下的瞬态问题进行准确求解。因此，本文构建的降阶模型能够用于高保真中子输运方程的快速预测。
为建立瞬态中子输运方程的快速预测模型，本文采用仿射参数化算子推断构建中子输运方程的降阶模型。算子推断通过奇异值分解与构造最优化问题，非侵入式地拟合降阶空间中的动力学方程，同时能够保留原控制方程所描述的物理规律。而仿射参数化结构有效地处理瞬态中子输运方程中常见的时变参数问题，在无需参数空间插值的情况下，实现时变堆芯参数到物理量的快速求解。研究结果表明，基于高保真数据与仿射参数化算子推断构建的降阶模型具有较好的泛化能力，能够对不同时变参数变化情况下的瞬态问题进行准确求解。因此，本文构建的降阶模型能够用于高保真中子输运方程的快速预测。
, 最新更新时间 , doi: 10.13832/j.jnpe.2024.090057
摘要:
蒸汽发生器是核电厂的重要设备，目前蒸汽发生器液位主要采用固定比例-积分-微分（PID）的控制方式，因此需要对PID参数进行整定。传统的参数整定方法需要结合精确的数学模型，当无法获得准确模型信息时，整定效果较差。因此本文提出一种蒸汽发生器液PID参数整定方法，该方法通过提取历史数据进行离线整定。首先利用反向传播（BP）神经网络结合历史数据对蒸汽发生器液位控制系统进行模型辨识，之后在建立的BP神经网络模型上对PID参数进行离线寻优。参数整定方法采用多目标遗传算法（NSGA-II），以控制系统动态性能指标为目标函数，调整PID参数，从而提高控制效果。将所提出的算法通过在Matlab/Simulink中进行仿真验证，结果表明，经过离线参数优化后的蒸汽发生器液位控制系统在不同的工况中的超调量，调节时间上均优于原控制系统，具有更好的控制效果。
蒸汽发生器是核电厂的重要设备，目前蒸汽发生器液位主要采用固定比例-积分-微分（PID）的控制方式，因此需要对PID参数进行整定。传统的参数整定方法需要结合精确的数学模型，当无法获得准确模型信息时，整定效果较差。因此本文提出一种蒸汽发生器液PID参数整定方法，该方法通过提取历史数据进行离线整定。首先利用反向传播（BP）神经网络结合历史数据对蒸汽发生器液位控制系统进行模型辨识，之后在建立的BP神经网络模型上对PID参数进行离线寻优。参数整定方法采用多目标遗传算法（NSGA-II），以控制系统动态性能指标为目标函数，调整PID参数，从而提高控制效果。将所提出的算法通过在Matlab/Simulink中进行仿真验证，结果表明，经过离线参数优化后的蒸汽发生器液位控制系统在不同的工况中的超调量，调节时间上均优于原控制系统，具有更好的控制效果。
