Study of Assembly Nuclide Density Prediction Based on Data Mining Technology
-
摘要: 采用DRAGON程序对9600个样本进行计算，并以235U、238U、239Pu、241Pu、137Cs、244Cm以及154Nd核素的核子密度为预测参数，选用线性回归模型、基于决策树构建的回归树模型、多层感知机（MLP）模型和随机森林模型开展模型训练，选用皮尔逊相关系数（PCC）、平均绝对误差（MAE）、相对绝对误差（RAE）、相对均方根误差（RRSE）评价模型的拟合效果；利用训练好的模型在测试集中对目标核素进行预测，通过相对误差评价其预测精度。结果表明，训练数据模型的时间均在3 s以内；通过选取的参数的评价可得，对于所有预测核素，在4种模型中训练效果最佳的为MLP模型，其相关性均在0.999以上；MLP模型对所有的预测核素的预测平均偏差小于1%。本文初步验证了数据挖掘技术在组件核子密度预测方面的可行性。Abstract: The DRAGON program was used to calculate 9600 samples, and the nuclide densities of 235U, 238U, 239Pu, 241Pu, 137Cs, 244Cm and 154Nd nuclides were used as the prediction parameters. Linear regression model, regression tree model constructed based on decision tree, multilayer perception (MLP) model and random forest model were selected to carry out model training. Pearson correlation coefficient (PCC), mean absolute error (MAE), relative absolute error (RAE) and relative root mean square error (RRSE) were chosen to evaluate the fitting effect of the models; the trained models were used in the test set for the target. The trained models were used to predict the target nuclides in the test set, and their prediction accuracy was evaluated by relative errors. The results show that the training time of the data models is less than 3 s. After the evaluation of the selected parameters, the MLP model has the best training effect among the four models for all the predicted kernels, and its correlation is above 0.999. The average deviation of the MLP model for all the predicted kernels is less than 1%. This paper initially verifies the feasibility of data mining techniques in predicting the density of assembly nuclei.
-
Key words:
- Data mining /
- Burnup /
- Nucleus density /
- DRAGON /
- Multi-layer perception
-
表 1 组件设计参数
Table 1. Component Design Parameters
参数名 参数值 包壳外表面直径/cm 0.95 UO2 芯块直径/cm 0.8192 堆芯活性段高度/cm 365.8 组件栅格数目 17×17 燃料棒中心距/cm 1.26 燃料组件中心距/cm 21.504 每个组件的燃料棒数 264 每个组件导向管数 25 UO2芯块密度/(g·cm−3) 10.412 M5合金密度/(g·cm−3) 6.5 冷却水密度/(g·cm−3) 0.9983 
下载: 导出CSV
表 2 各模型建立时间
Table 2. Establishment Time of Each Model
模型 耗时/s 235U 238U 239Pu 241Pu 137Cs 244Cm 154Nd 线性回归 0.07 <0.01 <0.01 <0.01 0.07 <0.01 <0.01 回归树 0.05 0.01 0.01 0.01 0.04 0.01 0.01 MLP 2.67 2.64 2.64 2.66 2.59 2.64 2.54 随机森林 0.54 0.54 0.47 0.40 0.34 0.42 0.44
下载: 导出CSV
表 3 235U特征参数值
Table 3. 235U Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 0.9475 6.3763 7.8784 0.3154 0.3197 MLP 0.9999 0.2718 0.3964 0.0134 0.0161 回归树 0.9996 0.5759 0.6886 0.0285 0.0279 随机森林 0.9999 0.2854 0.3963 0.0141 0.0157
下载: 导出CSV
表 4 238U特征参数值
Table 4. 238U Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 0.9885 0.0042 0.0052 0.1450 0.1514 MLP >0.9999 0.0001 0.0001 0.0034 0.0036 回归树 0.9992 0.0012 0.0014 0.0406 0.0402 随机森林 0.9999 0.0004 0.0005 0.0123 0.0140
下载: 导出CSV
表 5 239Pu特征参数值
Table 5. 239Pu Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 0.7209 1.2779 1.6002 0.7805 0.6930 MLP 0.9999 0.0313 0.0394 0.0191 0.0171 回归树 0.9985 0.0764 0.1286 0.0467 0.0557 随机森林 0.9996 0.0537 0.0661 0.0328 0.0286
下载: 导出CSV
表 6 241Pu特征参数值
Table 6. 241Pu Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 0.9713 0.2234 0.2582 0.2314 0.2377 MLP 0.9999 0.0105 0.0139 0.0109 0.0128 回归树 0.9995 0.0275 0.0336 0.0285 0.0301 随机森林 0.9999 0.0138 0.0179 0.0143 0.0164
下载: 导出CSV
表 7 137Cs特征参数值
Table 7. 137Cs Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 >0.9999 0.0184 0.0215 0.0082 0.0083 MLP >0.9999 0.0020 0.0030 0.0009 0.0012 回归树 0.9997 0.0519 0.0605 0.0232 0.0235 随机森林 0.9999 0.0250 0.0315 0.0112 0.0122
下载: 导出CSV
表 8 244Cm特征参数值
Table 8. 244Cm Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 0.8102 0.8971 1.1699 0.6081 0.5861 MLP >0.9999 0.0098 0.0130 0.0066 0.0065 回归树 0.9991 0.0600 0.0852 0.0407 0.0427 随机森林 0.9998 0.0250 0.0380 0.0169 0.0191
下载: 导出CSV
表 9 154Nd特征参数值
Table 9. 154Nd Characteristic Parameter Values
模型 PCC MAE RAE RMSE RRSE 线性回归 0.9919 0.4808 0.6050 0.1135 0.1271 MLP >0.9999 0.0159 0.0214 0.0038 0.0045 回归树 0.9995 0.1229 0.1476 0.0290 0.0310 随机森林 0.9998 0.0670 0.0855 0.0158 0.0180
下载: 导出CSV
-
[1] 彭超,丁谦学,梅其良,等. 压水堆燃耗库的开发与验证[J]. 核科学与工程,2020, 40(3): 375-382. doi: 10.3969/j.issn.0258-0918.2020.03.004 [2] 雷济充,谢金森,于涛,等. Cosine软件包组件参数程序Coslatc燃耗功能的验证[J]. 南华大学学报(自然科学版),2020, 34(4): 1-6, 19. [3] 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. doi: 10.3969/j.issn.0258-0926.2007.01.010 [4] 谭智雄. 基于NSGA-Ⅱ算法及机器学习的压水堆组件装载方案优化研究[D]. 广州: 华南理工大学, 2019. [5] ORTIZ J J, REQUENA I. Using a multi-state recurrent neural network to optimize loading patterns in BWRs[J]. Annals of Nuclear Energy, 2004, 1(7): 789-803. [6] PIROUZMAND A, DEHDASHTI M K. Estimation of relative power distribution and power peaking factor in a VVER-1000 reactor core using artificial neural networks[J]. Progress in Nuclear Energy, 2015(85): 17-27. [7] SANTOSH T V, VINOD G, SARAF R K, et al. Application of artificial neural networks to nuclear power plant transient diagnosis[J]. Reliability Engineering & System Safety, 2017, 92(10): 1468-1472. [8] 谢春丽,夏虹,刘永阔,等. BP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(04): 85-90. doi: 10.3969/j.issn.0258-0926.2007.04.020 [9] 周剑东,谢金森,曾文杰,等. 基于决策树的堆芯物理参数预测研究[J]. 原子能科学技术,2020, 54(02): 296-301. [10] TAN P N, STEINBACH M, KUMAR V. 数据挖掘导论: 完整版[M]. 北京: 人民邮电出版社, 2011: 89-105. [11] 李忠武. 数据挖掘中线性回归分析的研究[J]. 保山学院学报,2017, 36(2): 54-56. doi: 10.3969/j.issn.1674-9340.2017.02.015 [12] 吴爽. 基于回归树模型的推荐技术研究和应用[D]. 南京: 南京大学, 2018. [13] 何平. 基于深度学习的图像识别算法研究[D]. 贵阳: 贵州大学, 2019. [14] 李扬,祁乐,聂佩芸. 大规模数据的随机森林算法[J]. 统计与信息论坛,2020, 35(6): 24-33. doi: 10.3969/j.issn.1007-3116.2020.06.004 [15] 于涛,刘金聚,谢金森,等. 锕系可燃毒物板状燃料组件燃耗特性研究[J]. 核动力工程,2020, 41(3): 1-7. [16] MARLEAU G, HÉBERT A, ROY R. A user guide for DRAGON Version 4[R]. Canada: Institute of Genius Nuclear: Department of Genius Mechanical, 2011. -
计量
- 文章访问数: 322
- HTML全文浏览量: 84
- PDF下载量: 35
- 被引次数: 0
